Hedging With Linear Regressions and Neural Networks
利用线性回归与神经网络进行对冲AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究期权对冲策略，并使用日终及逐笔价格数据，分别支持资产定价相关应用与高频计量分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用线性回归与神经网络进行对冲
- 研究问题
- 神经网络能否降低期权对冲误差，同样的改善是否也能由纳入杠杆效应的简单线性回归实现，二者的比较应如何解释？
- 方法与思路
- 作者设计直接输出对冲策略的 HedgeNet，以对冲误差作为训练目标，并与 Black–Scholes 基准及纳入杠杆效应的线性回归比较。
- 材料陈述的贡献
- 摘要称，网络在标普500及欧洲斯托克50期权上显著降低基准的均方对冲误差，而纳入杠杆效应的简单线性回归也获得类似改善。
- 阅读关注点
- 核对杠杆效应进入线性回归的方式、样本外对冲评价、误差统计口径，以及日终数据与逐笔数据上的结论是否一致。
- 阅读边界
- 摘要未说明样本划分、交易成本及显著性检验细节；不能据此断言神经网络相对线性回归更优，或实际交易收益更高。
原文摘要
We study neural networks as nonparametric estimation tools for the hedging of options. To this end, we design a network, named HedgeNet, that directly outputs a hedging strategy. This network is trained to minimize the hedging error instead of the pricing error. Applied to end-of-day and tick prices of S&P 500 and Euro Stoxx 50 options, 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.