Quantum Deep Hedging

Potential von quantengestützten Machine Learning-Verfahren als Hedging-Strategie

Die Schlüsseltechnologie des maschinellen Lernens bzw. der künstlichen Intelligenz (KI) konnte in den letzten Jahren eine spürbare Revolution erfahren und hat sich zu einem wichtigen strategischen, wirtschaftlichen und industriellen Erfolgsfaktor entwickelt. Dabei nimmt die Anwendung von KI-Methodiken zur Klassifizierung, der Anomalieerkennung oder auch der Regressionsanalyse beispielsweise in Hinblick auf Strategien zur Portfoliooptimierung im Finanzsektor eine zunehmend größere Bedeutung ein. In diesem Kontext stellen wir unsere Analysen und deren Ergebnisse zum Ansatz des sogenannten „Quantum Deep Hedging“ vor, welcher das Hedging von Finanzinstrumenten basierend auf tiefen neuronalen Netzen (Deep Neural Networks – DNN) mit „Reinforcement Learning“-Techniken und Anteilen von Quanten-Neuronalen-Netzen beschreibt.

Hedging
Hedging bezeichnet allgemein die Strategie des Absicherns oder der Reduzierung bzw. Minimierung von Risiken, welche durch nachteilige Preisveränderungen im Rahmen des Handels von Finanzinstrumenten entstehen können. Gängige standardisierte Hedging-Verfahren umfassen unter anderem Delta- bzw. Gamma-Hedging sowie Monte-Carlo-Simulations-basierte Ansätze. Die Entwicklung einer erfolgreichen Hedging-Strategie ist höchst anspruchsvoll. Neben der natürlichen Dynamik des Markts mit vielfältigen Korrelationen zwischen verschiedenen Instrumenten tragen Einflüsse durch Nebenbedingungen wie Liquidität, Limitierung von Kapital sowie Transaktionskosten wesentlich zur Komplexität des Problems bei.

Reinforcement Learning
Systeme des maschinellen Lernens können grundsätzlich nach bestimmten Kriterien wie dem Typ der Supervision klassifiziert werden. Neben dem überwachten beziehungsweise unüberwachten Lernen (supervised/unsupervised learning) stellt das sogenannte „Reinforcement Learning“ eine eigene Methodik dar, bei der das lernende System (auch „Agent“ genannt) mit seiner Umgebung interagiert und gemäß bestimmter Regelwerke Handlungen vornimmt, für die es entweder eine positive oder negative Belohnung (oder Strafe) erhält. Das Regelwerk wird dabei entsprechend der Lernschritte aktualisiert, bis eine optimale Strategie gefunden wurde. Das Ziel für den Agenten besteht darin ein Verhalten zu erlernen, welches seine erwarteten Belohnungen maximiert.

Deep Hedging
Beim „Deep Hedging“ werden Handelsentscheidungen innerhalb der Hedging-Strategie durch ein tiefes neuronales Netzwerk modelliert, wobei unterschiedliche zusätzliche Faktoren wie vergangene Handelsentscheidungen, Liquiditätseinschränkungen oder Nachrichtenauswertungen als „Features“ in das Gesamtmodell integriert werden können. Im Zuge der Kalibrierung eines stochastischen Preismodells, das als Input für das neuronale Netz fungiert, kann entweder die Methode der impliziten Volatilitäten oder auch ein klassischer Zeitreihenansatz unter Verwendung von historischen Werteentwicklungen verwendet werden. Das Ziel des Lernprozesses des neuronalen Netzwerkes besteht darin, eine definierte mathematische Zielfunktion innerhalb der Formulierung eines mathematischen Optimierungsproblems zu minimieren. Im hier betrachteten Fall verwendeten wir hierfür den 10%-Expected Shortfall als Risikomaß. […]

Den gesamten Artikel können Sie oben herunterladen.

Der Artikel ist im Jahrbuch des Frankfurter Institut für Risikomanagement und Regulierung (FIRM) 2024 erschienen.