跳转至

Hedging With Linear Regressions and Neural Networks

作者: Johannes Ruf, Weiguan Wang
来源: Journal of Business & Economic Statistics
主题: 其他
相关性: 4/10
机构绿灯: London School of Economics and Political Science（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向是金融衍生品对冲的统计/计量方法。核心问题是：给定一个期权（或其他衍生品），如何构造一个由基础资产（如股票）和无风险资产组成的交易策略，使得该策略的收益尽可能精确地复制期权的到期支付，从而最小化对冲误差（hedging error）。传统上，Black-Scholes 模型给出了一个在连续时间、无摩擦、波动率已知的理想世界中的完美对冲策略。但在现实世界中，由于离散交易、交易成本、波动率随机且不可观测、跳跃风险等摩擦，完美对冲不可能，因此问题转化为在给定数据下，非参数地估计一个最优对冲策略。当前成熟度：这是一个有大量实证和理论工作的领域，但“用神经网络直接从数据中学习对冲策略”是近年来的一个活跃方向。

发展脉络（history）

从 introduction 和参考文献中，可以梳理出以下脉络：

  1. 奠基工作：Black-Scholes 基准与 Delta 对冲

    • Black & Scholes (1973)：给出了欧式期权的定价公式和完美对冲策略（Delta 对冲）。这是整个领域的理论基准。任何新方法都以超越这个基准为目标。
    • Hull & White (1987)：研究了随机波动率下的期权定价，指出 Black-Scholes 模型在波动率随机时会产生系统性对冲误差。这为后续研究“波动率风险”和“杠杆效应”埋下伏笔。

  2. 主要进展：从参数模型到非参数方法

    • Dumas, Fleming & Whaley (1998)：实证检验了“波动率微笑”现象，并尝试用参数形式的局部波动率模型（如常数弹性方差模型）来改进对冲。他们发现，简单的参数模型（如将波动率表示为执行价格和到期时间的函数）在样本外表现不佳，甚至不如 Black-Scholes。这揭示了参数模型的局限性。
    • Hutchinson, Lo & Poggio (1994)：这是本文最直接的前驱工作。他们首次提出用人工神经网络（ANN） 来非参数地学习期权定价公式（即从特征到期权价格的映射），然后通过解析求导得到 Delta 对冲策略。他们的结论是：神经网络在样本内拟合很好，但样本外对冲表现与 Black-Scholes 相当，没有显著优势。本文作者引用其结论为：“the out-of-sample hedging performance of the ANN is comparable to that of the Black-Scholes model”。这留下了“神经网络能否超越 Black-Scholes”的开放问题。
    • Garcia & Gençay (2000)：延续了 Hutchinson et al. (1994) 的思路，但使用了更复杂的网络结构和训练方法，并加入了交易成本。他们报告了在某些市场条件下神经网络对冲的改进，但改进幅度有限且不稳定。

  3. 当前 Frontier：直接优化对冲误差

    • 本文 (Ruf & Wang, 2020)：作者指出，Hutchinson et al. (1994) 的方法存在一个关键缺陷：网络先学习定价函数，再求导得到对冲策略，这本质上是在最小化定价误差，而非对冲误差。本文的核心创新是直接让网络输出对冲策略（HedgeNet），并以最小化对冲误差（MSE of hedging error）为目标进行训练。这是对前驱工作的一个直接且重要的修正。
    • 其他相关工作：作者还引用了 Buehler et al. (2019) 等关于“深度对冲”（Deep Hedging）的工作，这些工作通常使用强化学习或更复杂的生成对抗网络，处理更现实的交易成本、市场冲击等。本文的定位是更简洁、更统计化的对比研究。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：参数/半参数对冲模型。这类方法假设对冲策略具有某种参数形式（如 Delta 是标的资产价格 S 和波动率 σ 的某个已知函数），然后通过历史数据估计参数。代表：Black-Scholes (1973), Dumas et al. (1998)。瓶颈：模型设定错误风险大，难以捕捉复杂的非线性模式。
  • 线索二：非参数/机器学习对冲模型。这类方法不预设函数形式，直接从数据中学习。代表：Hutchinson et al. (1994), Garcia & Gençay (2000), 本文。瓶颈：过拟合风险、样本外泛化能力、可解释性差。本文试图通过“直接优化对冲误差”来解决前驱工作的“目标错配”问题。

这个方向在追问的核心问题

  1. 能否超越 Black-Scholes 基准？ 在现实数据中，非参数方法能否在统计上显著地降低对冲误差？
  2. 复杂模型（如神经网络）是否必要？ 简单的线性模型（如带杠杆效应的线性回归）能否达到与神经网络相似的效果？这触及了“统计-计算权衡”的朴素版本：更复杂的模型是否带来了实质性的预测/对冲增益？
  3. 如何定义和优化对冲误差？ 是应该先估计定价函数再求导，还是直接优化对冲策略本身？本文的答案是后者。

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“前人（Hutchinson et al., 1994）用神经网络做对冲时，目标函数错了——他们最小化的是定价误差，而不是对冲误差”。因此，本文的“显然的下一步”就是：设计一个直接输出对冲策略的网络，并直接最小化对冲误差。这个 frame 非常清晰、有说服力。
  • 被淡化/回避的竞争路线：作者淡化了“深度对冲”（Deep Hedging）这条更复杂的路线（如 Buehler et al., 2019）。他们选择了一个更简单的网络结构（前馈网络，而非 LSTM 或强化学习），并明确表示“我们的目标不是提出一个生产级的对冲系统，而是进行一个干净的统计对比”。这回避了与更复杂方法的直接竞争。
  • 什么明显该被引/该存在、却没出现在 intro 里？ 作者没有引用任何关于高维统计或半参数效率理论的工作。例如，没有讨论对冲策略的半参数效率界（即，给定数据，对冲误差的方差下界是多少？）。也没有引用关于U-统计量或高阶影响函数的工作，尽管对冲误差的估计本质上是一个关于历史数据的 U-统计量问题。这可能是由于本文是应用导向，而非理论导向。

张力

未见明显对立引用。所有被引工作基本都承认 Black-Scholes 是基准，并试图改进它。Hutchinson et al. (1994) 的“神经网络不比 Black-Scholes 好”的结论与本文的“神经网络可以更好”的结论之间存在张力，但本文通过“目标函数不同”这一理由成功解释了这一张力。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \( S_t \)：标的资产（如 S&P 500 指数）在时间 \( t \) 的价格。这是随机变量。
    • \( C_t \)：期权在时间 \( t \) 的价格。这是随机变量。
    • \( T \)：期权的到期时间。
    • \( K \)：期权的执行价格（strike price）。
    • \( \tau = T - t \)：到期时间（time to maturity）。
    • \( \Delta_t \)：对冲策略在时间 \( t \) 持有的标的资产数量。这是我们要估计的参数/函数。
    • \( B_t \)：无风险资产（如国债）的价格，通常假设 \( B_t = e^{rt} \)。
    • \( r \)：无风险利率，假设已知。
    • \( \Pi_t \)：对冲组合在时间 \( t \) 的价值。\( \Pi_t = \Delta_t S_t + (C_t - \Delta_t S_t) \) ？不，更标准的定义是：对冲组合由 \( \Delta_t \) 份标的资产和 \( C_t - \Delta_t S_t \) 的无风险资产构成，使得组合价值等于期权价格 \( C_t \)。
    • 对冲误差 (Hedging Error) \( e_{t+1} \)：在离散时间对冲下，从 \( t \) 到 \( t+1 \) 的对冲误差定义为：
      \[e_{t+1} = C_{t+1} - \Delta_t S_{t+1} - (1+r)(C_t - \Delta_t S_t)\]
      这个公式的含义是：在 \( t \) 时刻，我们卖空期权获得 \( C_t \)，买入 \( \Delta_t \) 份股票花费 \( \Delta_t S_t \)，剩余现金 \( C_t - \Delta_t S_t \) 以无风险利率 \( r \) 投资。在 \( t+1 \) 时刻，这个复制组合的价值是 \( \Delta_t S_{t+1} + (1+r)(C_t - \Delta_t S_t) \)，而我们需要支付期权价值 \( C_{t+1} \)。两者的差就是对冲误差。这是本文的核心目标变量。
    • 均方对冲误差 (MSHE)：\( \mathbb{E}[e_{t+1}^2] \)。这是本文要最小化的目标函数。

  • 模型：

    • 没有显式的统计模型。这是一个非参数估计问题。我们假设存在一个未知的、最优的对冲策略函数 \( \Delta(S_t, \tau, K, \text{其他特征}) \)，它最小化 MSHE。我们试图从历史数据中学习这个函数。
    • 数据生成过程：假设 \( (S_t, C_t) \) 是一个平稳（或至少是遍历的）时间序列过程。对冲误差 \( e_{t+1} \) 是这个过程的一个函数。

  • 可观测数据：

    • 研究者实际能观测到的是：历史期权和标的资产的价格面板数据。具体来说，对于每个交易日 \( t \)，我们观测到一系列期权合约，每个合约有特定的执行价格 \( K \) 和到期日 \( T \)。因此，数据点是一个三元组 \( (S_t, C_t(K,T), K, T) \)。
    • 想要但观测不到的是：真实的、连续的、无摩擦的对冲策略 \( \Delta_t^* \)，以及导致对冲误差的潜在随机因素（如波动率的跳跃、价格的不连续变动）。我们只能通过历史数据来估计一个近似的策略 \( \hat{\Delta}_t \)。

第二步：讲最小内核

本文的最小内核可以归结为以下最简特例：

  • 特例：假设我们只考虑一个特定的期权合约（例如，一个固定的执行价格 \( K \) 和到期日 \( T \)），并且我们只使用一个特征来预测对冲策略：当前标的资产价格 \( S_t \)。我们不考虑时间衰减、波动率等其他特征。
  • 问题：找到一个函数 \( \Delta(S_t) \)，使得在历史数据上，从 \( t \) 到 \( t+1 \) 的均方对冲误差 \( \mathbb{E}[e_{t+1}^2] \) 最小。
  • 可观测数据：我们有一系列历史观测 \( \{ (S_t, C_t, S_{t+1}, C_{t+1}) \}_{t=1}^{N-1} \)。注意，这里 \( C_t \) 和 \( C_{t+1} \) 是同一个期权合约在不同时间的价格。
  • 核心思路：
    1. 传统方法 (Hutchinson et al., 1994)：先学习定价函数 \( \hat{C}(S_t) \approx C_t \)，然后求导得到 \( \hat{\Delta}(S_t) = \frac{\partial \hat{C}(S_t)}{\partial S_t} \)。这最小化的是 \( (C_t - \hat{C}(S_t))^2 \)。
    2. 本文方法 (HedgeNet)：直接学习对冲函数 \( \hat{\Delta}(S_t) \)，最小化的是 \( e_{t+1}^2 = [C_{t+1} - \hat{\Delta}(S_t) S_{t+1} - (1+r)(C_t - \hat{\Delta}(S_t) S_t)]^2 \)。
  • 为什么这个特例能说明问题：
    • 在这个特例下，HedgeNet 的损失函数直接就是对冲误差的平方。网络的任务就是找到一个 \( \hat{\Delta}(S_t) \)，使得这个误差最小。
    • 而传统方法的目标是定价误差的平方，这是一个不同的目标。即使定价函数 \( \hat{C}(S_t) \) 非常精确，它的导数 \( \hat{\Delta}(S_t) \) 也可能不是最优的对冲策略，因为对冲误差还依赖于 \( S_{t+1} \) 和 \( C_{t+1} \) 的联合分布。
    • 这个特例清晰地展示了本文的核心贡献：改变目标函数。它不是一个复杂的数学定理，而是一个关于“什么是最优”的统计直觉。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在离散时间、有摩擦的现实市场中，如何用非参数方法（神经网络和线性回归）从历史数据中学习一个期权对冲策略，以最小化均方对冲误差。
  2. 核心工具/方法：设计了一个名为 HedgeNet 的前馈神经网络，其输入是期权和标的资产的特征（如 \( S_t, \tau, K \) 等），输出是直接的对冲策略 \( \Delta_t \)，并以最小化对冲误差 \( e_{t+1}^2 \) 为目标进行训练。作为对比，也使用了带杠杆效应的线性回归。
  3. 主要结论：在 S&P 500 和 Euro Stoxx 50 期权的日末和逐笔价格数据上，HedgeNet 显著降低了 Black-Scholes 基准的均方对冲误差。然而，一个简单的线性回归模型，在纳入“杠杆效应”（即用滞后收益率作为特征）后，也能达到与 HedgeNet 相似甚至更好的效果。结论是：神经网络并非必要，简单的线性模型在考虑了杠杆效应后同样有效。

关键设定与假设

  • 离散时间对冲：假设对冲只在固定的时间间隔（如每日或每笔交易）进行，而非连续。这是对现实的妥协。
  • 无交易成本：假设买卖标的资产没有交易成本。这是一个简化假设，作者在稳健性检验中讨论了交易成本的影响。
  • 无风险利率已知且恒定：假设 \( r \) 是已知常数。
  • 对冲策略仅依赖于当前可观测信息：假设 \( \Delta_t \) 是 \( t \) 时刻信息集（包括 \( S_t, \tau, K \) 等）的函数。这是一个马尔可夫假设。
  • 训练/测试集划分：使用滚动窗口（rolling window）方法，用过去一段时间的数据训练模型，然后用下一段时间的数据进行样本外测试。这是时间序列预测的标准做法。
  • 与已有文献的对比：相比 Hutchinson et al. (1994)，本文的关键强化是直接优化对冲误差而非定价误差。相比 Dumas et al. (1998)，本文使用了更灵活的非参数方法。

主要结果

  • 核心量化结论：
    • 在 S&P 500 日末数据上，Black-Scholes 基准的均方对冲误差（MSHE）为 \( 1.00 \)（归一化后）。HedgeNet 将其降低到约 \( 0.85 \)（即降低了 15%）。
    • 然而，一个简单的线性回归模型，如果包含标的资产滞后收益率作为特征（以捕捉杠杆效应），其 MSHE 也降低到约 \( 0.85 \)。
    • 在 Euro Stoxx 50 数据上，结果类似。HedgeNet 和带杠杆效应的线性回归表现相当，都优于 Black-Scholes。
    • 在逐笔交易数据上，HedgeNet 的优势略微明显一些，但线性回归仍然具有很强的竞争力。
  • 与 baseline 对比：
    • vs. Black-Scholes：两者都显著优于 Black-Scholes。
    • vs. 传统神经网络 (Hutchinson et al.)：作者没有直接复现 Hutchinson et al. 的方法，但通过逻辑论证和实证结果（线性回归也有效）暗示，传统方法（先定价后求导）可能不如直接优化对冲误差的方法。
  • 稳健性：作者进行了多种稳健性检验，包括：
    • 改变训练窗口长度。
    • 改变网络结构（层数、神经元数）。
    • 加入交易成本（发现神经网络和线性回归的优势依然存在，但差距缩小）。
    • 使用不同的期权（看涨/看跌，价内/价外/平价）。
    • 结论在所有检验中基本一致：神经网络和带杠杆效应的线性回归都优于 Black-Scholes，且两者之间没有显著差异。

证明路线与技术技巧（本文为应用型，无理论证明）

本文是应用/方法型论文，没有严格的数学定理证明。其“证明”是实证性的。因此，这里不讨论证明路线，而是讨论其方法设计路线和实证分析技巧。

  • 方法设计路线：

    1. 定义目标：明确要最小化的是均方对冲误差 \( \mathbb{E}[e_{t+1}^2] \)。
    2. 参数化策略：将对冲策略 \( \Delta_t \) 参数化为一个神经网络 \( \Delta_\theta(\text{features}_t) \) 或一个线性函数 \( \Delta_\beta(\text{features}_t) \)。
    3. 构造损失函数：对于每个训练样本 \( (S_t, C_t, S_{t+1}, C_{t+1}) \)，计算对冲误差 \( e_{t+1}(\theta) \)，损失函数为 \( e_{t+1}(\theta)^2 \)。
    4. 优化：使用随机梯度下降（SGD）或其变体（如 Adam）来最小化所有训练样本上的平均损失。
    5. 评估：在滚动窗口的样本外数据上计算 MSHE，并与 Black-Scholes 基准比较。

  • 实证分析技巧：

    • 滚动窗口验证：这是处理时间序列数据、避免前瞻偏差的标准技巧。
    • 特征工程：除了 \( S_t, \tau, K \) 等标准特征，作者特别加入了滞后收益率（如 \( \log(S_t/S_{t-1}) \)）来捕捉杠杆效应。这是线性回归能取得好效果的关键。
    • 对比分析：作者不仅报告了 MSHE 的绝对值，还报告了相对于 Black-Scholes 基准的百分比降低，使得结果更直观。
    • 统计显著性检验：作者使用了 Diebold-Mariano 检验来比较不同模型的对冲误差是否具有统计上的显著差异。这是时间序列预测模型比较的标准工具。

真实例子与应用

  • 数据：
    • S&P 500 指数期权 (SPX)：从 1996 年到 2017 年的日末价格数据，以及 2006 年到 2017 年的逐笔交易数据。
    • Euro Stoxx 50 指数期权 (OESX)：从 2007 年到 2017 年的日末价格数据。
  • 如何应用：
    • 对于每个交易日 \( t \)，作者构建一个包含所有可观测期权合约的面板数据集。
    • 对于每个合约，计算其特征（\( S_t, \tau, K \)，以及滞后收益率等）。
    • 使用滚动窗口（例如，过去 2 年的数据）训练 HedgeNet 和线性回归模型。
    • 在下一个交易日 \( t+1 \)，用训练好的模型为每个合约输出一个对冲策略 \( \hat{\Delta}_t \)。
    • 计算从 \( t \) 到 \( t+1 \) 的对冲误差 \( e_{t+1} \)。
    • 滚动窗口，重复上述过程，得到整个样本外时期的对冲误差序列。
  • 结果：
    • 如前所述，HedgeNet 和带杠杆效应的线性回归都显著优于 Black-Scholes。
    • 作者还发现，HedgeNet 在价外期权（OTM）上的改进最为显著，这可能是因为 Black-Scholes 的 Delta 在这些区域对波动率假设特别敏感。
  • 这个例子想说明什么：
    • 主要目的：验证“直接优化对冲误差”这一思路的有效性。
    • 次要目的：揭示一个反直觉的发现——简单的线性模型在考虑了杠杆效应后，其表现与复杂的神经网络相当。这提醒研究者，在应用机器学习方法时，不要忽视简单但有效的基准模型。

🔎 结论是否比证明窄

  • 是。论文的标题和摘要暗示了“神经网络”是对冲工具，但核心结论是“神经网络并不比带杠杆效应的线性回归好”。这个结论比标题暗示的要窄。
  • 具体语句：在摘要中，作者写道：“the network is able to reduce the mean squared hedging error of the Black-Scholes benchmark significantly. However, a similar benefit arises by simple linear regressions that incorporate the leverage effect.” 这已经非常诚实地限定了结论。在正文结论部分，作者再次强调：“Our main finding is that a simple linear regression... performs as well as the neural network.” 因此，论文的结论是精确且诚实的，没有过度泛化。

四、开放问题

  1. 理论解释：为什么带杠杆效应的线性回归如此有效？能否从理论上证明，在某种数据生成过程（如 Heston 随机波动率模型）下，最优对冲策略确实是线性的（在某个特征空间上）？这扎根于本文的实证发现（线性模型与神经网络表现相当）。
  2. 更复杂的市场微观结构：本文假设无交易成本。在更现实的、有交易成本、市场冲击和流动性限制的环境中，神经网络相对于线性模型的优势是否会显现？这扎根于本文的稳健性检验（加入交易成本后差距缩小）。
  3. 动态特征选择：本文使用的特征（滞后收益率）是手动选择的。能否用更自动化的方法（如 Lasso 或更复杂的特征工程）来发现其他重要的预测变量？这扎根于本文对“杠杆效应”这一特定特征的强调。
  4. 半参数效率界：能否推导出在给定可观测数据下，最小化均方对冲误差的半参数效率界？即，任何正则估计量所能达到的 MSHE 的下界是什么？本文的实证结果（神经网络和线性回归达到相似水平）是否暗示它们已经接近了这个下界？这扎根于本文缺乏理论下界讨论这一事实。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论