כתבה
arXiv cs.LG ·
אימון תוך-שולי להדגמות עמוקות בשוקות שאינם תחתוניים
Adversarial Training for Deep Hedging in Nonstationary Markets
אימון תוך-שולי להדגמות עמוקות בשוקות שאינם תחתוניים. WRAP (Wasserstein-Reweighting Adversarial Perturbation) הוא פרקטיקה של אימון תוך-שולי שנועדה להתמודד עם שינויים בשוק. הפרקטיקה משתמשת בשיטת רכיב-כוח (two-budget) כדי לבחון את הספקת ההסתברות של השוק. WRAP מציעה שתי צורות של תכנון ספקת: רכיב-כוח (two-budget) ופרקטיקה של תכנון ספקת (distributionally robust optimization). WRAP הוכיחה את עצמה במספר תחומים, כולל שינויים בשוק והדגמות עמוקות.
תקציר מקורי באנגליתarXiv:2610.07162v1 Announce Type: new Abstract: Deep hedging learns trading policies from historical or simulated market trajectories, yet under nonstationarity these training paths may not represent future market conditions. We propose WRAP (Wasserstein-Reweighting Adversarial Perturbation), a drift-aware adversarial training framework derived from a two-budget distributionally robust optimization (DRO) formulation. The formulation is anchored to a weighted empirical reference distribution whose fixed baseline weights are chosen to balance sampling uncertainty against temporal drift. Around this reference distribution, the ambiguity set addresses two complementary forms of distributional misspecification by allowing an adversary to reweight the observed trajectories subject to a $\phi$-di
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית