基于双预算分布鲁棒优化的深度对冲对抗训练
原始标题 / Adversarial Training for Deep Hedging in Nonstationary Markets
该工作提出 WRAP 框架，用重加权与路径扰动两类对抗约束应对深度对冲训练中的市场非平稳性，其新意在于将 DRO 内层上确界转化为可计算的一阶攻击，为训练策略提供更稳健的扰动方式。
01 摘要
深度对冲依赖历史或模拟路径学习交易策略，但在非平稳市场中这些路径未必代表未来。作者基于双预算分布鲁棒优化提出 WRAP，同时允许按 φ-散度对轨迹重加权和按最优传输约束扰动路径，并给出一阶展开与显式有限维对抗攻击。实验在平稳与非平稳 Heston 及广义仿射扩散下显示，重加权与传输具有互补收益，联合对抗训练在非平稳条件下提升最大。
02 关键点
- WRAP 源自双预算 DRO，以加权经验参考分布平衡采样不确定性与时间漂移。
- 模糊集同时包含 φ-散度重加权和最优传输路径扰动两类分布误设。
- 一阶展开将名义期望损失增量分解为重加权项与传输项，并导出可处理的有限维对抗攻击。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG · ARXIV Q-FIN