Bridging Stochastic Control and Deep Hedging: Structural Priors for No-Transaction Band Networks

1. Probleemstelling

Het artikel onderzoekt het probleem van het hedgen en prijzen van Europese call-opties in een markt met proportionele transactiekosten.

• Context: Het klassieke Black-Scholes-model veronderstelt continue herbalancering zonder kosten. In de praktijk leiden transactiekosten (zoals bid-ask spreads) ertoe dat continue herbalancering niet optimaal is.
• Uitdaging: De optimale strategie onder transactiekosten wordt gekenmerkt door een No-Transaction Band (NTB): een gebied in de toestandsruimte waar het rationeel is om niets te doen omdat de kosten van herbalancering de utility-verlies van een suboptimale positie overstijgen.
• Doel: Het artikel wil de theoretische stochastische besturing (stochastic control) benadering verbinden met moderne Deep Learning-methoden (Deep Hedging) om zowel de theoretische inzichten te benutten als de schaalbaarheid van neurale netwerken te behouden.

2. Methodologie

De auteurs gebruiken een tweeledige aanpak:

A. Stochastische Besturing (Theoretisch Kader)

• Model: Ze gebruiken een CARA-utilityfunctie ($u(x) = 1 - e^{-\gamma x}$) en een geometrische Brownse beweging voor de onderliggende activa.
• HJBQVI: Het optimalisatieprobleem wordt geformuleerd als een Hamilton-Jacobi-Bellman Quasi-Variational Inequality (HJBQVI).
• Dimensiereductie: Door de specifieke eigenschappen van de CARA-utility (translatie-invariantie) kunnen ze de waarde functie factoriseren. Dit reduceert het probleem van een 4-dimensionale PDE (tijd, prijs, aantal aandelen, cash) naar een 3-dimensionaal probleem (tijd, prijs, aantal aandelen), wat numeriek oplosbaar maakt via dynamische programmering op een binomiale boom.
• Asymptotische Analyse: Ze gebruiken de Whalley-Wilmott (WW) benadering voor kleine transactiekosten. Dit levert een expliciete formule op voor de half-breedte van de NTB:
  $$h_{WW} = \left( \frac{3\lambda S \Gamma_{BS}^2}{2\gamma} \right)^{1/3}$$
  Hieruit blijkt dat de breedte schaalt met $\lambda^{1/3}$ en afhangt van de Gamma ($\Gamma_{BS}$) en risicovrijheid ($\gamma$).

B. Deep Hedging (Neurale Netwerken)

De auteurs vergelijken drie architecturen voor het leren van hedging-strategieën:

1. MLP Baseline: Een standaard feedforward netwerk dat de nieuwe hedgepositie direct voorspelt op basis van marktfactoren en de vorige positie.
2. NTBN-$\Delta$ (No-Transaction Band Network): Een architectuur die de NTB-structuur expliciet encodeert. Het netwerk voorspelt de onder- en bovengrenzen van de band rondom de Black-Scholes Delta ($\Delta_{BS}$). De hedge wordt alleen aangepast als de huidige positie buiten deze band valt (via een "clamp"-operatie).
3. WW-NTBN (Whalley-Wilmott NTBN): Een verbeterde versie van NTBN-$\Delta$ met twee structurele priors:
   • Analytische Startwaarde: De initiële breedte van de band wordt niet geleerd van nul, maar gestart op de analytische Whalley-Wilmott waarde ($h_{WW}$). Het netwerk leert alleen een residuele correctie.
   • Differentieerbare Soft Clamp: In plaats van een harde "clamp" (die gradiënten verdwijnt als de positie buiten de band ligt), gebruiken ze een zachte, differentieerbare clamp (gebaseerd op de tanh-functie). Dit lost het probleem van verdwijnende gradiënten op en versnelt het trainen.

3. Belangrijkste Bijdragen

• Unificatie van Theorie en Deep Learning: Het artikel biedt een zelfstandige afleiding van de optimale strategie en koppelt deze expliciet aan de architectuurkeuzes in Deep Hedging.
• Formalisatie van Delta-centring: Ze formaliseren het inzicht dat de NTB centraal moet liggen rond de Black-Scholes Delta, wat de basis vormt voor de NTBN-$\Delta$ architectuur.
• WW-NTBN Architectuur: De introductie van de WW-geleide architectuur die analytische kennis (schaalgedrag met transactiekosten en risicovrijheid) inbedt in het netwerk. Dit resulteert in snellere convergentie en betere generalisatie.
• Analyse van Bull Call Spreads: Ze tonen aan dat onder transactiekosten de prijs van een portefeuille niet lineair is (de som van de individuele prijzen). Het gezamenlijk hedgen van een spread leidt tot bredere NTB's (door gamma-cancellatie) en lagere transactiekosten dan het apart hedgen van de benen ("naive" aanpak).

4. Numerieke Resultaten

De auteurs voeren uitgebreide experimenten uit over verschillende niveaus van transactiekosten ($\lambda$):

• Convergentie: WW-NTBN convergeert aanzienlijk sneller dan de MLP en NTBN-$\Delta$, vooral bij lage tot gemiddelde transactiekosten, dankzij de juiste initiële schaling.
• Nauwkeurigheid van de Band: WW-NTBN leert NTB-grenzen die het dichtst bij de analytische oplossing van de stochastische besturing liggen.
• Prijzen en Spreiding:
  • Alle modellen tonen stijgende prijzen bij hogere transactiekosten.
  • Er ontstaat een bid-ask spread in de indifferentie-prijzen (verkoper vraagt meer dan koper betaalt). WW-NTBN produceert een smaller en realistischer spread dan de stochastische besturing (die conservatiever is door discretisatiefouten).
• Bull Call Spread: De resultaten bevestigen dat gezamenlijk hedgen goedkoper is dan apart hedgen. De "naive" aanpak (aparte bands) leidt tot een lege intersectie van de bands nabij het geld, wat bijna continue herbalancering en hoge kosten veroorzaakt. De gezamenlijke aanpak behoudt een brede band en minimaliseert kosten.
• Risico: WW-NTBN presteert het beste op het gebied van Conditional Value at Risk (CVaR), wat aangeeft dat de strategie beter is in het beperken van extreme verliezen door overmatig handelen.

5. Betekenis en Conclusie

Het artikel demonstreert dat het inbedden van structurele priors uit de wiskundige financiën (specifiek de Whalley-Wilmott asymptotiek) in neurale netwerken de prestaties van Deep Hedging aanzienlijk verbetert.

• Trade-off: WW-NTBN offert een deel van de "model-agnostische" aard van Deep Learning op (door aan te nemen dat de onderliggende asset log-normaal verdeeld is voor de berekening van $\Delta$ en $\Gamma$) om in ruil daarvoor snellere convergentie, betere generalisatie en hogere nauwkeurigheid te bereiken.
• Toekomstperspectief: De methode biedt een brug tussen rigoureuze stochastische besturing en flexibele deep learning, wat waardevol is voor het handelen in complexe derivatenportefeuilles waar traditionele PDE-methoden te rekenintensief worden. De auteurs suggereren dat deze aanpak ook kan worden uitgebreid naar stochastische volatiliteit en jump-diffusie modellen.

Kortom, het paper bewijst dat "hybride" modellen, die theoretische inzichten gebruiken om de architectuur van neurale netwerken te sturen, superieur zijn aan zowel pure numerieke methoden als pure datagedreven benaderingen zonder structuur.