Hedging American Put Options with Deep Reinforcement Learning

本文利用深度强化学习（DRL）对美式看跌期权进行对冲，使用深度确定性策略梯度（DDPG）方法。首先使用几何布朗运动（GBM）资产路径对代理进行训练和测试，并展示了超越传统策略（如Black-Scholes（BS）Delta）的卓越表现，特别是在交易成本存在的情况下。为了评估DRL对冲的实际适用性，第二轮实验使用市场校准的随机波动率模型来训练DRL代理。具体而言，收集了8个符号的80个看跌期权，为每个符号校准了随机波动率模型系数，并通过模拟各自校准模型的路径来训练了80个期权的DRL代理。当使用相同的校准随机波动率模型数据进行测试时，DRL代理不仅优于BS Delta方法，而且在对冲期权出售日期和到期之间发生的真实资产路径时，DRL代理也取得了更好的结果。因此，这项研究不仅提出了首个针对美式看跌期权对冲的DRL代理，而且在模拟和实证市场测试数据上的结果也表明，DRL代理在实际情况下优于BS Delta方法。最后，注意本研究采用了一种模型无关的Chebyshev插值方法，为DRL代理在使用随机波动率模型时提供每个时间步的期权价格，从而为更复杂的基础资产过程提供了一个通用框架的扩展。

本论文旨在利用深度强化学习（DRL）和深度确定性策略梯度（DDPG）方法对美式看跌期权进行对冲，以验证其在真实市场环境下的优越性。

论文提出了一种基于DRL的对冲方法，相较于传统的Black-Scholes（BS）Delta方法，在模拟和实际市场测试中均表现出更好的效果。

论文通过使用几何布朗运动（GBM）和随机波动率模型进行模拟，证明了该方法的优越性。同时，论文提出的Chebyshev插值方法可以使DRL代理在使用随机波动率模型时获得每个时间步的期权价格。最后，该研究为进一步研究提供了一个通用框架。

最近的相关研究包括：'Deep Hedging'，'A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem'，'Deep Learning Volatility'等。