Adversarial Training for Deep Hedging in Nonstationary Markets
Aggiunta all'archivio di AIChronos il (numero del 5 ottobre 2026 ricostruito)· fonte del · Philipp J. Schneider, Lukas Looser, Antoine Garin, Shuhan Liu, Daniel Kuhn
Il paper propone WRAP (Wasserstein-Reweighting Adversarial Perturbation), un framework di addestramento avversario consapevole del drift derivato da una formulazione DRO a due budget. Questo approccio bilancia l'incertezza campionaria e il drift temporale attraverso pesi fissati su una distribuzione empirica ponderata, permettendo a un adversario di perturbare le traiettorie osservate sotto vincoli di divergenza phi-OT e trasporto ottimo. L'espansione al primo ordine ottenuta permette di sostituire l'interno supremo distribuzionale con un'approssimazione trattabile che scompone il rischio in contributi legati alla dispersione delle perdite e alla sensibilità alle perturbazioni dei percorsi.
- WRAP deriva da una formulazione di ottimizzazione robusta distribuzionale (DRO) a due budget per gestire la non-stazionarietà.
- L'insieme ambiguo permette perturbazioni sia tramite reweighting soggetto a vincoli di divergenza phi che attraverso trasporto ottimo (OT).
- La decomposizione al primo ordine separa il contributo della dispersione delle perdite da quello della sensibilità alle perturbazioni dei percorsi.
- Gli esperimenti su dinamiche Heston e GAD mostrano benefici complementari, con l'addestramento avversario congiunto che offre i maggiori guadagni in mercati non stazionari.
- Il metodo fornisce un attacco adversario esplicito di dimensione finita per sostituire complessi supremi distribuzionali.
Perché conta. Sebbene il paper si concentri su deep hedging finanziario, le tecniche di robustezza avversaria e gestione del drift temporale sono trasferibili allo sviluppo di agenti AI locali che operano in ambienti dinamici o non stazionari. La capacità di bilanciare incertezza campionaria e deriva dei dati è cruciale per garantire la stabilità delle inferenze quando i modelli vengono sottoposti a distribuzioni future diverse da quelle di addestramento.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.