Le deep learning face aux dérivés financiers

Accéder à la publication

L'approche du deep learning : une stratégie de couverture pertinente 

Plus récemment, les banques ont cherché à automatiser la couverture de leurs dérivés financiers. Cette automatisation s’appuie sur l’application d’algorithmes et de modèles de deep learning comme les réseaux de neurones. Ces réseaux prennent en entrée des données de marché (prix d’instruments, spreads bid-ask, contraintes de liquidité, etc.) et renvoient en sortie une stratégie de couverture optimale.

Cette approche connue sous le nom de deep hedging est une méthode robuste basée sur les données et qui ne repose plus sur une modélisation a priori. Elle est capable de prendre en compte les frictions du marché comme les coûts de transaction, les contraintes de trading ainsi que d’autres informations qualitatives sans utiliser les sensibilités des dérivés, aussi connues sous le nom de grecques. La capacité de l'algorithme à inclure ces nouveaux éléments constitue une approche flexible et innovante et permet d'affiner la stratégie de couverture.

Dans cette étude, nous détaillons les principaux outils théoriques pour comprendre l’approche du deep hedging et présentons des exemples d'applications dans différents cadres (Black-Scholes, Heston et un test sur données réelles).

Principaux avantages de l'algorithme de deep hedging

• Indépendance aux grecques : construction d’une stratégie de couverture sans calcul des grecques en particulier pour des modèles complexes et un portefeuille de dérivés exotiques et/ou illiquides.
• Modélisation des contraintes de marché : capacité à prendre en compte les frictions du marché telles que les coûts de transaction et les contraintes de trading. 
• Choix de l'aversion au risque : possibilité de privilégier les pertes globales par rapport aux pertes extrêmes et vice-versa.
• Diversité des informations en entrée : prise en compte de presque autant de facteurs de risque que possible et, en cas d'indépendance totale du modèle, toute information quantitative ou qualitative.
• Indépendance du modèle en théorie : détermination d’une stratégie de couverture sans avoir recours à un modèle de valorisation.

Pour en savoir plus sur le deep learning, téléchargez l’étude ci-dessous : 

Télécharger l'étude