图片来源： The Journal of Finance and Data Science (2023). DOI: 10.1016/j.jfds.2023.100101
在发表于《金融与数据科学杂志》（The Journal of Finance and Data Science）的一项新研究中，来自瑞士和美国的研究团队探讨了是否可以训练强化学习 RL 代理来对冲衍生品合约。
“这项研究的第一作者、瑞士 IDSIA 研究员 Loris Cannelli 解释说：”毫不奇怪，如果你在模拟市场数据上训练人工智能，那么它就能在反映模拟市场的市场上很好地工作，而许多人工智能系统的数据消耗量大得离谱。
为了克服缺乏训练数据的问题，研究人员倾向于假设一个精确的市场模拟器来训练他们的人工智能代理。然而，建立这样一个模拟器会带来一个经典的金融工程问题：选择一个模拟模型并对其进行校准，从而使基于人工智能的方法与使用了几十年的标准蒙特卡洛方法大同小异。
“Cannelli说：”这样的人工智能也很难被认为是无模型的：只有在有足够的市场数据用于训练的情况下才会适用，而在现实的衍生品市场中很少有这种情况。
这项研究由 IDSIA 和瑞银投资银行合作完成，以所谓的 “深度上下文匪帮”（Deep Contextual Bandits）为基础。它以现实世界中投资公司的实际运营情况为出发点，结合了日终报告的要求，与传统模型相比，其特点是对训练数据的要求大大降低，并能适应不断变化的市场。
“资深作者奥列格-斯泽尔（Oleg Szehr）解释说：”在实践中，数据的可用性和操作的现实性，如报告日终风险数据的要求，才是决定银行实际工作的主要驱动力，而不是理想的代理培训。”新开发模型的优势之一在于，它在概念上类似于投资公司的业务运作，因此从实际角度来看是适用的”。
虽然新方法很简单，但对模型性能的严格评估表明，在现实条件下，新方法在效率、适应性和准确性方面都优于基准系统。”Cannelli总结道：”在现实生活中，少即是多，风险管理也是如此。
原论文更多信息： Loris Cannelli et al, Hedging using reinforcement learning: Contextual k-armed bandit versus Q-learning, The Journal of Finance and Data Science (2023). DOI: 10.1016/j.jfds.2023.100101
原论文链接：https://linkinghub.elsevier.com/retrieve/pii/S240591882300017X
论文原文：1-s2.0-S240591882300017X-main.pdf
原创文章，作者：Xaiat
，如若转载，请注明出处：https://www.xaiat.com/%e4%bf%9d%e6%8a%a4%e9%93%b6%e8%a1%8c%e5%85%8d%e5%8f%97%e5%a4%8d%e6%9d%82%e6%8a%95%e8%b5%84%e4%ba%a7%e5%93%81%e9%a3%8e%e9%99%a9%e7%9a%84%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e6%96%b9%e6%b3%95/
