Robust Utility Optimization via a GAN Approach

要約

堅牢なユーティリティの最適化により、投資家は最悪の場合の結果を最大化することを目標に、構造化された方法で市場の不確実性に対処できます。
この研究では、一般的かつ現実的な設定における堅牢なユーティリティ最適化問題を (近似的に) 解決するための敵対的生成ネットワーク (GAN) アプローチを提案します。
特に、投資家と市場の両方をニューラル ネットワーク (NN) によってモデル化し、ミニマックス ゼロサム ゲームでトレーニングします。
このアプローチは、任意の連続効用関数に適用でき、市場の観察可能な情報のみを使用できる取引コストのある現実的な市場設定にも適用できます。
大規模な実証研究により、私たちの手法の多用途な有用性が示されています。
最適な参照戦略が利用可能な場合、私たちの方法はそれと同等のパフォーマンスを発揮し、既知の最適な戦略がない (多くの) 設定では、私たちの方法は他のすべての参照戦略よりも優れたパフォーマンスを発揮します。
さらに、私たちの研究から、訓練された経路依存戦略はマルコフ戦略を上回るパフォーマンスを発揮しないと結論付けることができます。
最後に、取引コストの下で最適で（非）堅牢な投資を学習するための生成的アプローチが、理想的な設定のよく知られた漸近戦略に代わる普遍的に適用可能な代替案を生成することを明らかにしました。

要約(オリジナル)

Robust utility optimization enables an investor to deal with market uncertainty in a structured way, with the goal of maximizing the worst-case outcome. In this work, we propose a generative adversarial network (GAN) approach to (approximately) solve robust utility optimization problems in general and realistic settings. In particular, we model both the investor and the market by neural networks (NN) and train them in a mini-max zero-sum game. This approach is applicable for any continuous utility function and in realistic market settings with trading costs, where only observable information of the market can be used. A large empirical study shows the versatile usability of our method. Whenever an optimal reference strategy is available, our method performs on par with it and in the (many) settings without known optimal strategy, our method outperforms all other reference strategies. Moreover, we can conclude from our study that the trained path-dependent strategies do not outperform Markovian ones. Lastly, we uncover that our generative approach for learning optimal, (non-) robust investments under trading costs generates universally applicable alternatives to well known asymptotic strategies of idealized settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google