Pertemuan Black-Scholes dengan Pembelajaran Imitasi: Bukti dari Lindung Nilai yang Mendalam di Tiongkok

ABSTRAK
Makalah ini memperkenalkan algoritma imitasi pembelajaran lindung nilai mendalam (ILDH), yang menjembatani model Black-Scholes-Merton (BSM) dengan pembelajaran penguatan mendalam (DRL) untuk mengatasi masalah lindung nilai opsi di pasar riil yang tidak lengkap. Dengan memanfaatkan pembelajaran imitasi, agen DRL mengoptimalkan kebijakan lindung nilai menggunakan kedua sampel tindakan yang dieksplorasi secara bebas berdasarkan data perdagangan riil dan demonstrasi tindakan yang sesuai yang berasal dari model BSM. Demonstrasi ini berfungsi sebagai augmentasi data, yang memungkinkan agen untuk mengembangkan kebijakan yang bermakna bahkan dengan set data pelatihan yang relatif kecil dan meningkatkan pengelolaan risiko ekor. Hasil empiris menunjukkan bahwa ILDH mencapai laba yang lebih tinggi, risiko yang lebih rendah, dan biaya yang lebih rendah di pasar opsi indeks saham Tiongkok, dibandingkan dengan algoritma lindung nilai mendalam lainnya dan metode lindung nilai delta tradisional. Kinerja yang lebih baik ini kuat di seluruh opsi panggilan dan jual, kondisi biaya transaksi yang berbeda, dan berbagai tingkat penghindaran risiko.