本报告提出了一种基于端到端深度学习的期权交易策略框架,摒弃传统定价模型和市场假设,直接从期权市场数据学习交易信号。通过对标普100中标的的一个多周期回测,深度学习模型相较于规则型趋势和均值回归策略在风险调整收益上显著领先,LSTM模型在考虑交易成本时表现尤为优异。引入换手率正则化后,模型在高交易成本环境下仍能维持较优表现,展现了数据驱动策略在期权交易中的强大潜力和可扩展性
标题:Deep Learning for Options Trading: An End-To-End Approach
作者:Wee Ling Tan, Stephen Roberts, Stefan Zohren
机构:Oxford-Man Institute of Quantitative Finance, University of Oxford
发布时间:2024年
主题:本报告探讨了利用深度学习技术构建端到端的期权交易系统,突破传统基于期权定价模型的限制,直接从市场数据中学习交易信号,提高风险调整后的回报表现。
核心论点:
总结言之,作者旨在传达“无需显式定价模型,深度学习可端到端挖掘期权市场中隐藏的交易盈利机会”的重要信息。
期权作为非线性衍生品,因其赋予持有人未来以指定价格买卖标的资产的权利,构成了传统现金市场之外的重要投资工具。报告指出,期权市场在过去十年经历了显著扩张(2013年日均成交约1630万张,至2023年增长超三倍至4420万张),显示出大规模机器学习分析的潜力。
过去基于Black-Scholes-Merton模型的期权定价研究假设理想无摩擦市场、完美对冲等条件,但现实中的定价与收益存在系统性误差。报告强调利用深度学习拟合非线性映射,规避了对标的资产动态的显式建模,适合处理海量历史数据和多样化期权品种,使策略更趋实用和泛化。
报告综合了三个方向的文献:
另外,报告特别聚焦于基于趋势的系统化交易策略,涵盖动量与均值回复,指出规则型动量策略在期权领域文献较少,且缺乏统一性,而深度学习提供自动学习优化规则的可能。
数据来源为OptionMetrics Ivy DB,涵盖S&P 100标的股票的标准月度、静态delta中性期权组合,时间跨度2010-2023年,期间包含新冠疫情带来的极端波动。
数据预处理严格过滤违规或流动性不足的合约,保证数据质量。最终,组合包含29984个期权合约,共逾60万条日回报观测。统计表明,该期权组合回报月均正向(1.41%),但波动极大(达90.85%),且呈显著右偏,提示存在风险与回报的复杂分布。
定义了基于1个月At-The-Money,静态delta中性跨式期权组合的投资策略,权重法基于期权初始delta调整,严格规范组合中期权权重总和为1,超50%通常为买入认购和认沽权证等权重近似均衡。
结合波动率目标(年化15%)对单一跨式期权进行波动率调整,实现不同标的间风险均衡。策略产生的组合回报计算公式具体表达了该逻辑。
基准策略包括长仓、短仓、时间序列动量(TSMOM)、时间序列均值回复(TSMR)、以及基于MACD指标的动量/均值回复等。每个策略均通过不同数学表达式定义信号函数,重点在于交易信号的构造方法不同:趋势跟随或趋势反转特征明确。值得注意,报告中对MACD指标的金融技术细节和多时间尺度加权方式都进行了量化定义,保障策略架构严谨性和多样性。
报告扩展了基于Heston等人的跨期动量(TSHestonMOM)与跨期均值回复策略,并包括跨截面策略(CSHestonMOM/CSHestonMR)——根据股票过去收益在当期构建多空头寸,关注极端分组(10%组别)持仓。该策略体现了基于风险调整因子构建的对冲理念,回测时持有至到期,策略持仓信号无需频繁调整,契合期权特殊属性。
这部分定义丰富了基准策略体系,反映了多维角度捕获期权市场系统性风险溢价的尝试。
报告提出以端到端模型f(ut;θ)直接映射至交易信号Xt,输入为时间点t对应某股票跨期期权组合的高维特征向量。与传统监督学习不同,该模型没有明确的标签信号,采用优化整体夏普比率的无监督或弱监督方式,需在庞大数据空间中自身学习非平凡的特征-交易信号映射。
模型架构包含:
训练时直接用Sharpe比率作为损失函数,结合年化调整,且使用Adam优化算法避免局部极小和训练不稳定,加入正则化、超参数随机搜索及早停机制,经过规范化训练确保模型稳定和泛化能力。训练环境说明显示硬件支持系统大规模深度学习任务。
报告设计固定5年训练-5年测试滚动扩张窗口,张数丰富,充分支撑统计显著性。
输入集合化选取策略定义中的归一化收益、MACD指标、期权动量特征及核心特征(对数moneyness、到期时间)构成,无使用隐含波动率或Greeks,杜绝定价模型假设,为模型提供更加市场驱动的直接输入。
评估指标涵盖收益预期、波动率、向下偏差、最大回撤、夏普、索提诺、Calmar比率、命中率及平均盈亏比等多维风险收益维度,确保性能解析全面。通过未含交易成本及含波动率调节两版本的表格和累计收益曲线细节,明晰对比深度学习模型与规则性基准的优劣。
本报告定位为策略研究和效果验证,未对期权标的进行估值,而是直接构建交易信号映射。因此无传统DCF、P/E或EV/EBITDA估值,核心在于基于历史数据学习策略映射关系。其“估值”意义更体现在夏普率基础上的策略风险调整收益优化,及其端到端最优化过程。
报告明确识别数个风险面:
报告在交易成本风险上提供了对策——通过损失函数加入交易频率正则项,智能优化交易信号的活跃度,从而有效减少策略交易成本敏感性。
这些细节提示需谨慎权衡深度学习系统于实际应用和风险控制环境中的可行性。
本报告提出了一种创新的端到端深度学习架构,用于期权交易信号生成,完全规避了传统期权定价模型对市场假设的依赖。通过详尽的回测分析,深度学习模型特别是LSTM架构在风险调整收益(夏普比率约1.329倍于基准策略)及稳定性方面表现优异。交易信号在引入交易频率正则化后,显著降低交易成本影响,增强策略的实用性。
此外,研究证实均值回复策略优于动量策略,且深度学习模型整合了趋势识别和仓位控制,提升了策略的综合表现。报告展示的图表深入阐释了策略性能与风险状况的多维度量化,让人对深度学习在期权交易领域的潜力充满信心与期待。
从风险管理的角度,报告充分考虑了波动率目标、交易成本和模型选择的多重影响。虽然仍有实际应用时的诸多挑战,整体而言,该研究开创了一条利用大量数据和强大算力,摆脱传统金融偏见和假设限制,实现智能交易策略的道路。
以下为报告重要累计收益曲线图(波动率目标下表现,图6部分):
本报告系统全面地展现了运用深度学习技术构建期权交易策略的完整流程与优势,涵盖数据选择、策略设计、模型结构、训练机制、绩效评估与风险控制。报告内详尽的表格和图表提供了强有力的实证依据,明确显示端到端深度学习架构在期权交易中的巨大潜力和优越表现。未来进一步对模型解释性、适用性及扩展性开展研究将极具价值。
2407.21791v1.pdf