Deep Learning for Options Trading: An End-To-End Approach

要約

スケーラビリティの高いデータ駆動型の機械学習アルゴリズムを使用した、オプション取引戦略への新しいアプローチを紹介します。
根底にある市場ダイナミクスの仕様やオプション価格設定モデルの仮定を必要とする従来のアプローチとは対照的に、当社のモデルはこれらの前提条件の必要性から根本的に逸脱し、市場データから最適な取引シグナルへの重要なマッピングを直接学習します。
S&P 100 に上場されている株式の 10 年以上のオプション契約のバックテストを行った結果、エンドツーエンドのアプローチに従ってトレーニングされた深層学習モデルは、既存のルールベースの取引戦略と比較して、リスク調整後のパフォーマンスが大幅に向上することが実証されました。
売上高の正則化をモデルに組み込むと、法外に高いレベルの取引コストでもパフォーマンスがさらに向上することがわかりました。

要約(オリジナル)

We introduce a novel approach to options trading strategies using a highly scalable and data-driven machine learning algorithm. In contrast to traditional approaches that often require specifications of underlying market dynamics or assumptions on an option pricing model, our models depart fundamentally from the need for these prerequisites, directly learning non-trivial mappings from market data to optimal trading signals. Backtesting on more than a decade of option contracts for equities listed on the S&P 100, we demonstrate that deep learning models trained according to our end-to-end approach exhibit significant improvements in risk-adjusted performance over existing rules-based trading strategies. We find that incorporating turnover regularization into the models leads to further performance enhancements at prohibitively high levels of transaction costs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google