本报告提出了一种基于深度学习的方法,解决不完全跳跃扩散市场中的最小方差定价与对冲问题。基于随机微积分与Stackelberg博弈框架,明确推导了最优对冲投资组合、期权价格及等效鞅测度。通过结合前馈和LSTM神经网络的算法,在三种市场模型(包括不完全市场的Merton模型和Kou模型)中进行了测试。结果显示该算法性能良好,且基于最小方差原则的对冲策略相较Merton原则能更有效地降低损失,同时期权价格通常偏高。算法还展示了对多维输入和时间维度的良好扩展性,为实际金融市场中跳跃风险管理提供了切实可行的数值工具 .
在Black-Scholes完全市场中,算法初始价值收敛到理论期权价格0.5,投资组合估计与理论解高度吻合,损失降至近零水平。
多维布朗运动下的不完全市场,算法仍能可靠逼近价格和对冲组合,表现出对输入维度扩展的良好适应性。
Merton跳跃扩散模型中,参数设置为α0=0.2, σ0=0.2, 跳跃强度λ=5,跳跃均值μ=−0.2,标准差δ=0.05。算法训练收敛较慢,损失和价格初值依然稳定收敛。终端财富与期权损失分布展现出比Merton传统策略更对称、无大额亏损的优点,反映了更安全的风险管理。
针对三维复合泊松过程与混合分布跳跃,算法表现高度一致,体现良好多维跳跃输入扩展能力。
Kou双指数跳跃模型下,尽管理论明确定价要求存在挑战,深度学习方法依然取得收敛和可用结果。
时间维度扩展实验显示,算法对交易时长T增加敏感,表现有所下降;对时间步数R增加则有一定提升,建议充分细化时间离散以获得较佳性能。
BS与Merton模型在不同时间和步数条件下的损失与价格误差对比总结如下:
| 模型 | 时间步数 (R) | 到期时间 (T) | 损失 (Loss) | 价格绝对误差 |
|---|---|---|---|---|
| BS | 40 | 1.0 | 2.917e-5 | 0.0103 |
| BS | 80 | 1.0 | 1.716e-5 | 0.0094 |
| Merton | 40 | 1.0 | 8.527e-5 | 0.0085 |
| Merton | 80 | 1.0 | 4.914e-5 | 0.0072 |
算法有望通过更高算力支持下细分步长、更多训练轮次进一步提升.
聚焦于单一跳跃扩散风险资产的价格动力学,描述其随机微分方程(SDE),变量包括Brownian运动和补偿Poisson随机测度,且模型具备多维噪声(Brownian motions和Poisson measures),对任意维度具有扩展性。
资产价格定义为:
[ d S(t) = S(t^-)[\alpha(t) dt + \sigma(t) dB(t) + \int_{\mathbb{R}^*} \gamma(t, \zeta) \tilde{N}(dt, d\zeta)] ]
无风险利率假设为零,投资组合动态和财富过程用自融资策略表示,财富满足:
[ d X(t) = X(t) \pi(t)[\alpha(t) dt + \sigma(t) dB(t) + \int_{\mathbb{R}^*} \gamma(t, \zeta) \tilde{N}(dt, d\zeta)], \quad X(0)=z ]
套期保值问题定义为寻找初始资本 ( z ) 及投资组合 (\pi) ,最小化期末平方平均误差:
[ J(z,\pi) = E\left[\frac{1}{2}(X(T) - F)^2\right] ]
其中 ( F ) 是到期支付的期权随机变量,目标是找到 (\hat{z}, \hat{\pi}) 使得 ( J(\hat{z}, \hat{\pi}) ) 最小,实现最低方差套期保值
问题被解释为Stackelberg博弈:先由领导者选择初始资本(z),后由跟随者选最优投资组合(\pi) ,领导者依据跟随者反应动态选择最优初始资本。
采用已有不连续半鞅市场上的理论,结合(Černý and Kallsen, 2007)结果,明确证明最优套期保值策略可表示成一线性反馈形式,与初始资本无关,先确定最优策略再求初始资本。
Schweizer (1996)证明存在“方差最优测度” (\tilde{P}),可使最优初始资本为:
[ \hat{z} = E_{\tilde{P}}[F] ]
本文进一步证明对于跳跃扩散模型,所构造的测度为真正的概率测度(非符号测度),且给出明确构造
指定满足成鞅条件的测度族 (Q^{\theta_0, \theta_1}) ,以局部鞅 (Z(t))的表达式给出,满足鞅条件的技术条件也明确。
利用Hille-Yosida生成元方法,表达财富与期权价值的联动,运用Ito-莱维表示定理将期权支付过程分解为布朗运动增量和Poisson跳跃增量的可预测过程。
利用该分解,优化平方误差的积分表达式,对投资比例 (\pi) 的积分表达式使用点态优化(pointwise minimization)得到最优反馈策略:
[ \hat{\pi}(t) = \frac{F(t)\alpha(t) + \sigma(t)\beta(t) + \int \gamma(t, \zeta) \kappa(t,\zeta) \nu(d\zeta) - X(t) \alpha(t)}{X(t)(\sigma^2(t) + \int \gamma^2(t, \zeta) \nu(d\zeta))} ]
其中 (\beta), (\kappa) 来源于期权支付的martingale分解
进一步通过引入随机积分因子 (Y_t),解得最优财富动态方程,明确找到积分因子满足的参数 (\rho, \lambda, \theta) ,使得该因子成为解该SDE的积分因子,对策与测度转换之间的联系清晰
最优期初资本 (\hat{z}) 具体表达式推导完备,展示了其是最优财富过程在末端的二次误差导数为零点条件。
此资本 (\hat{z}) 可转换为以已构造的等价鞅测度 (Q^*) 下的期望:
[ \hat{z} = E_{Q^*}[F] ]
此外,证明(Q^*)即方差最优测度(\tilde{P}) ,其为正测度且为鞅测度,完全符合无套利原理。
重点阐述方差最优定价原则是线性的泛函映射,可利用Riesz定理将其表示为某签名测度的期望,且在跳跃扩散模型下该测度为真正概率测度
该研究通过建立在坚实随机微积分基础上的最低方差套期保值理论,结合深度学习算法,成功处理了不完全跳跃扩散市场中欧式期权定价和套期保值问题:
整体来看,本文结合随机分析与人工智能,填补了跳跃的不完全市场中量化套期保值的理论与数值实现之间的空白,提供了一条切实可行的新路径,具有重要的理论价值和实用潜力,为金融工程和计算金融领域贡献了创新模型和算法。
本文的主要结论和论证引用页码如下:
2407.13688.pdf