機器學習對沖
我最近一直在思考一個有趣的問題：假設我在一個奇異的衍生品中佔有一席之地。如何使對沖過程自動化？
傳統上，人們建立定價模型併計算對風險因素的敏感性。然後使用股票、債券、期貨、掉期等各種產品來對沖每個風險因素。該算法需要確定如何在每個離散時間點進行對沖。我認為到目前為止，這已在許多論文中有所涉及。
我還聽說有人使用人工智慧來對沖。例如，假設我們有一個首選股票 ETF。那麼問題就變成了：給定一組離散的產品及其價格歷史，如何進行最佳對沖？我們需要計算投資組合的權重並最小化對沖投資組合的跟踪誤差。這將導致最佳對沖。
我還能嘗試什麼？有人可以指點我這方面的一些論文嗎？我一直在考慮這個問題，並且可能想為我的論文追求這個想法。謝謝！
如果您考慮對沖數據探勘問題，您可能會建構以下場景：
給定一個頭寸組合，找到參數 $ \beta_i $ 代表一組工具中新（對沖）頭寸的權重 $ {I_i} $ ，使得組合投資組合的盈虧變異數最小。
如果您考慮一個相當瑣碎的範例，假設您有一個投資組合，其中有 3 隻股票的頭寸；2 x Microsoft、1 x Google 和 1 x Apple，以及您的 $ \beta_i $ 確定了標準普爾 500 指數公司的對沖權重，您可能期望每家公司 $ \beta $ 將為零，除了那些位置分別為 -2、-1、-1 的特定公司。
這是一個簡單的問題，但在您的情況下，您不太可能擁有提供直接和完美抵消成分的套期保值工具。在這種情況下，您將搜尋 $ \beta $ 這不會產生完美的結果，但您希望產生盡可能好的結果。
標準機器學習實踐將獲取一些數據作為訓練/學習集，計算最優 $ beta $ 值（使用某種算法），然後在看不見的測試數據集上測試這些值的性能。您將期望在測試數據集上獲得更差的性能。
模型設計的一般原則，例如變異數/偏差方面的複雜性，以及決定停止訓練的方法，在最大化測試（驗證集）的性能方面也將是相關的。
我希望對於具有明顯對沖的大多數標準問題，該過程將複製這些對沖，但對於非標準問題，它可能會產生一些對沖策略的洞察力，否則可能會被忽略。
一般而言，最優對沖並不是最小化投資組合跟踪誤差的變異數。你需要正確地制定你的效用函式，並且這個函式必須至少考慮交易成本。換句話說，您的效用函式也必須包含一些 pnl 度量。
所有這一切表明，當人們談論“最佳對沖”時，他們往往沒有意識到實際上對沖本身就是對標的工具的實際策略。所以真正的問題是“考慮到我在衍生產品上的位置，我可以在我的基礎工具上執行的最佳策略是什麼？”。
現在對於“如何使用 XYZ 方法優化我的策略”沒有一個好的通用答案，它取決於許多脫離簡單市場假設的現實生活因素：回報不是獨立的，資產趨勢在一定規模上，均值回歸其他，它們的波動性隨時間而變化，它們的流動性也是如此……