Deep Learning for Options Trading: An End-To-End Approach

我们介绍了一种新颖的期权交易策略方法，使用高度可扩展和数据驱动的机器学习算法。与传统方法相比，传统方法常常需要规定潜在市场动态或假设一个期权定价模型，而我们的模型从根本上摆脱了这些先决条件，直接学习从市场数据到最优交易信号的非平凡映射。通过对标普100上列出的股票的十多年期权合同进行回测，我们证明了根据我们的端到端方法训练的深度学习模型在风险调整后的表现方面比现有的基于规则的交易策略有显著的提高。我们发现，将换手率规范化纳入模型可以在成本过高的情况下进一步提高性能。

本文旨在使用高度可扩展和数据驱动的机器学习算法来提出新的期权交易策略。相比传统方法需要对市场动态或期权定价模型进行假设，本文的模型直接从市场数据到最优交易信号进行非平凡的映射学习，以此来提高风险调整后的表现。

本文提出了一种端到端的方法，利用深度学习模型从市场数据中学习期权交易策略，无需对市场动态或期权定价模型进行假设。此外，本文还提出了一种正则化方法来进一步提高模型的性能。

本文的实验采用了超过十年的标普100股票期权合约，证明了本文提出的深度学习模型相比现有的基于规则的交易策略具有显著的风险调整后的表现提升。本文还提出了一种正则化方法来进一步提高模型的性能。本文的方法具有很高的可扩展性和适用性。

近期的相关研究包括使用深度学习来预测股票价格和交易策略的研究。例如，"A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem"和"Stock Trading with Recurrent Reinforcement Learning (RRL)"等。