Deep Hedging: Ketika Neural Network Menggantikan Black-Scholes

Asumsi yang Diabaikan Semua Orang

Tanyakan kepada mahasiswa keuangan bagaimana cara melakukan hedging pada opsi, dan jawabannya datang seketika: delta hedging. Hitung delta Black-Scholes, beli atau jual sejumlah saham aset dasar yang sesuai, sesuaikan secara terus-menerus, dan risiko opsi menghilang. Ini adalah salah satu hasil paling elegan dalam teori keuangan — dan sekaligus salah satu yang paling sering dilanggar dalam praktik.

Masalahnya bukan bahwa delta hedging salah secara teori. Masalahnya adalah teori tersebut menuntut kondisi yang tidak pernah dipenuhi pasar nyata. Black-Scholes mengasumsikan perdagangan berkelanjutan tanpa biaya transaksi, volatilitas konstan, dan return yang terdistribusi log-normal. Pasar nyata membebankan bid-ask spread pada setiap transaksi, menunjukkan volatilitas yang mengelompok dan melompat, serta menghasilkan return berekor tebal yang secara sistematis diremehkan oleh model. Setiap meja opsi di dunia mengetahui hal ini. Mereka mengompensasi dengan penyesuaian ad hoc — gamma scalping, fitting volatility surface, aturan rebalancing diskret — tetapi kesenjangan fundamental antara model dan realitas tetap ada.

Bagaimana jika, alih-alih memulai dari model matematis ideal lalu menambal kekurangannya, Anda memulai dari lingkungan pasar yang sebenarnya — dengan semua friksi, ekor tebal, dan biaya transaksinya — dan membiarkan algoritma mempelajari strategi hedging optimal secara langsung? Itulah premis deep hedging, dan ini merupakan salah satu penerapan machine learning yang paling signifikan dalam keuangan kuantitatif.

Apa Itu Deep Hedging Sebenarnya

Deep hedging, diperkenalkan oleh Buehler, Gonon, Mancini, dan Wood dalam paper mereka tahun 2019 berjudul "Deep Hedging" yang diterbitkan di Quantitative Finance (Buehler et al., 2019), menggantikan formula hedging analitis dari pricing derivatif klasik dengan neural network yang belajar melakukan hedging langsung dari data.

Pengaturannya tampak sederhana. Anda memiliki posisi derivatif — misalnya, opsi call Eropa — dan seperangkat instrumen yang dapat diperdagangkan untuk hedging (biasanya aset dasar dan mungkin derivatif likuid lainnya). Pada setiap langkah waktu sebelum jatuh tempo, neural network mengamati kondisi pasar saat ini — harga aset dasar, waktu hingga jatuh tempo, kepemilikan portofolio saat ini, dan mungkin fitur lain seperti implied volatility — lalu menghasilkan aksi hedging: berapa banyak setiap instrumen yang harus dipegang.

Network dilatih melalui simulasi. Anda menghasilkan ribuan jalur harga yang mencerminkan dinamika pasar realistis — termasuk biaya transaksi, interval perdagangan diskret, lompatan harga, volatilitas stokastik, dan kendala likuiditas. Untuk setiap jalur, network mengeksekusi strategi hedging-nya langkah demi langkah. Pada saat jatuh tempo, payoff portofolio yang di-hedge dibandingkan dengan payoff derivatif dan hedging error dihitung. Parameter network kemudian dioptimasi untuk meminimalkan ukuran risiko dari hedging error tersebut — bukan mean squared error, melainkan ukuran yang mencerminkan preferensi risiko aktual si hedger, seperti Conditional Value-at-Risk (CVaR) atau entropic risk measure.

Inilah inovasi kuncinya: deep hedging tidak mengasumsikan model tertentu untuk dinamika aset dasar. Ia tidak memerlukan volatilitas konstan, return terdistribusi normal, atau perdagangan berkelanjutan. Ia mempelajari strategi hedging terbaik berdasarkan lingkungan pasar aktual yang dihadapinya, termasuk semua friksi yang diasumsikan tidak ada oleh teori klasik.

Mengapa Ini Penting: Masalah Biaya Transaksi

Untuk memahami mengapa deep hedging lebih dari sekadar keingintahuan akademis, pertimbangkan masalah biaya transaksi. Dalam kerangka Black-Scholes, hedge optimal memerlukan rebalancing berkelanjutan — menyesuaikan posisi delta setiap saat. Dalam praktik, setiap transaksi rebalancing menimbulkan biaya: bid-ask spread, dampak pasar, biaya broker.

Ini menciptakan dilema fundamental. Rebalancing terlalu sering membuat biaya transaksi menggerus keuntungan. Rebalancing terlalu jarang membuat hedging error membesar. Teori klasik memberikan panduan terbatas tentang trade-off ini karena trade-off itu sendiri tidak ada di dunia Black-Scholes yang bebas friksi.

Para praktisi telah mengembangkan berbagai heuristik: rebalancing pada interval waktu tetap (harian, per jam), rebalancing ketika delta bergerak melampaui ambang batas (bandwidth hedging), atau menggunakan vega hedging untuk mengurangi sensitivitas terhadap perubahan volatilitas. Heuristik-heuristik ini bekerja cukup baik, tetapi mereka persis seperti namanya — heuristik. Tidak ada jaminan bahwa mereka optimal.

Deep hedging menyelesaikan masalah ini secara natural. Karena biaya transaksi sudah tertanam dalam simulasi pelatihan, neural network secara otomatis belajar menyeimbangkan akurasi hedging dengan biaya perdagangan. Ia belajar kapan rebalancing sepadan dengan biayanya dan kapan lebih baik menoleransi hedging error yang lebih besar. Ia dapat menemukan strategi yang tidak akan dirancang manusia — misalnya, aturan rebalancing asimetris yang memperlakukan keuntungan dan kerugian secara berbeda, atau strategi yang melakukan hedging lebih agresif ketika opsi mendekati at-the-money dan kurang agresif ketika deep in atau out of the money.

Melampaui Black-Scholes: Pasar Tidak Lengkap

Masalah biaya transaksi memang penting, tetapi implikasi terdalam deep hedging berkaitan dengan pasar tidak lengkap. Sebuah pasar disebut lengkap jika setiap derivatif dapat direplikasi secara sempurna melalui perdagangan aset dasar. Di pasar lengkap, ada satu harga yang benar untuk setiap derivatif dan satu hedge yang benar. Kerangka Black-Scholes hidup di dunia ini.

Pasar nyata tidak lengkap. Anda tidak dapat melakukan hedging sempurna pada volatility swap hanya menggunakan saham yang mendasarinya. Anda tidak dapat melakukan hedging sempurna pada opsi eksotis berjangka panjang ketika likuiditas instrumen berjangka panjang buruk. Anda tidak dapat melakukan hedging sempurna pada basket option ketika komponen individualnya memiliki korelasi yang terkait tetapi tidak sempurna.

Di pasar tidak lengkap, tidak ada hedge "benar" yang tunggal. Strategi optimal bergantung pada preferensi risiko si hedger — berapa banyak risiko residual yang bersedia mereka toleransi dan jenis risiko apa yang paling tidak mereka sukai. Deep hedging menangani ini secara natural melalui pilihan ukuran risikonya. Latih dengan CVaR dan Anda mendapatkan strategi yang fokus mengurangi tail risk — kerugian besar dalam skenario ekstrem. Latih dengan mean-variance dan Anda mendapatkan strategi yang meminimalkan rata-rata hedging error. Arsitektur neural network yang sama, dilatih dengan fungsi objektif berbeda, menghasilkan strategi hedging yang secara kualitatif berbeda yang disesuaikan untuk selera risiko yang berbeda.

Fleksibilitas ini adalah sesuatu yang teori hedging klasik tidak dapat tawarkan. Delta hedging memberi Anda satu jawaban. Deep hedging memberi Anda sekelompok jawaban, masing-masing optimal untuk preferensi risiko yang berbeda.

Arsitektur dan Pelatihan

Neural network yang digunakan dalam deep hedging biasanya berarsitektur recurrent — baik Long Short-Term Memory (LSTM) network atau feedforward network yang lebih sederhana yang diterapkan pada setiap langkah waktu. Input pada setiap langkah mencakup harga aset dasar saat ini (atau log-return-nya), waktu hingga jatuh tempo, kepemilikan portofolio saat ini, dan mungkin fitur yang diturunkan dari volatility surface.

Pelatihan menggunakan teknik dari reinforcement learning: network mempelajari kebijakan (aksi hedging sebagai fungsi dari state) yang mengoptimalkan reward kumulatif (meminimalkan ukuran risiko dari P&L hedging akhir). Namun, berbeda dengan masalah reinforcement learning umum, deep hedging diuntungkan oleh struktur reward yang diketahui — payoff derivatif pada saat jatuh tempo — yang membuat pelatihan lebih stabil dan sample-efficient dibandingkan aplikasi RL pada umumnya.

Pilihan desain kritis adalah model simulasi yang digunakan untuk pelatihan. Jalur pelatihan harus cukup realistis untuk menangkap dinamika pasar yang akan dihadapi network dalam praktik. Pilihan umum meliputi:

• Model Heston: volatilitas stokastik dengan varians mean-reverting
• Model SABR: stochastic alpha-beta-rho, populer untuk derivatif suku bunga
• Model jump-diffusion: menangkap pergerakan harga mendadak
• Jalur yang dihasilkan GAN: menggunakan generative adversarial network yang dilatih pada data historis untuk menghasilkan jalur sintetis yang realistis

Pilihan model simulasi memperkenalkan bentuk ketergantungan model yang halus. Deep hedging bersifat model-free dalam arti bahwa strategi hedging tidak diturunkan dari formula bentuk tertutup, tetapi data pelatihan tetap dihasilkan dari suatu model. Jika model pelatihan kurang merepresentasikan dinamika pasar nyata, strategi yang dipelajari mungkin berkinerja buruk. Ini adalah area penelitian aktif, dengan karya terbaru berfokus pada deep hedging yang distributionally robust — melatih strategi yang berkinerja baik di berbagai kemungkinan dinamika pasar, bukan satu model yang diasumsikan saja.

Penerapan Praktis

Meja Opsi

Penerapan paling langsung ada di meja opsi bank dan market maker. Meja-meja ini memegang portofolio opsi yang besar dan kompleks di berbagai aset dasar, strike, dan jatuh tempo. Dalam konteks Indonesia, meja perdagangan yang menangani produk derivatif di Bursa Efek Indonesia (IDX) — termasuk kontrak berjangka dan opsi yang terkait Indeks Harga Saham Gabungan (IHSG) — harus mengelola strategi hedging lintas berbagai kontrak sesuai ketentuan Otoritas Jasa Keuangan (OJK). Hedging klasik memerlukan penghitungan dan pengelolaan Greek (delta, gamma, vega, theta) di seluruh buku, sering menggunakan model berbeda untuk produk berbeda. Deep hedging dapat mempelajari strategi hedging terpadu untuk seluruh portofolio, secara natural memperhitungkan korelasi lintas aset, biaya transaksi, dan batas risiko spesifik meja tersebut.

Derivatif Eksotis

Untuk derivatif eksotis — barrier option, Asian option, autocallable — formula hedging klasik tidak tersedia atau memerlukan aproksimasi berat. Deep hedging dapat mempelajari strategi efektif untuk produk-produk ini langsung dari payoff simulasi, tanpa memerlukan solusi bentuk tertutup.

Manajemen Risiko

Di luar hedging, kerangka kerja ini memiliki implikasi untuk pengukuran risiko. Distribusi P&L hedging di bawah strategi deep hedging memberikan gambaran risiko residual yang lebih realistis dibandingkan aproksimasi berbasis Greek standar yang digunakan di sebagian besar sistem risiko.

Keterbatasan dan Tantangan

Deep hedging memang powerful tetapi tidak tanpa tantangan praktis yang signifikan.

Biaya komputasi. Melatih model deep hedging memerlukan simulasi ribuan jalur harga dan optimasi neural network di atas jalur-jalur tersebut. Untuk portofolio kompleks, ini bisa sangat intensif secara komputasi, meskipun kemajuan dalam komputasi GPU telah membuatnya semakin praktis.

Interpretabilitas. Keputusan hedging neural network bersifat tidak transparan. Ketika model memutuskan untuk under-hedge dalam skenario tertentu, tidak langsung jelas mengapa. Kurangnya interpretabilitas ini bisa membuat risk manager dan regulator tidak nyaman yang ingin memahami mengapa sebuah hedge dibangun dengan cara tertentu. Karya terbaru tentang explainable AI untuk deep hedging bertujuan mengatasi hal ini, tetapi tetap menjadi tantangan terbuka.

Kesetiaan simulasi. Strategi hanya sebaik simulasi pelatihannya. Jika simulasi tidak menangkap fitur penting dari dinamika pasar nyata — kekeringan likuiditas, perubahan rezim korelasi, efek mikrostruktur pasar — strategi yang dipelajari mungkin gagal tepat pada saat paling dibutuhkan.

Penerimaan regulasi. Regulator keuangan berhati-hati terhadap model black-box. Meskipun deep hedging menunjukkan hasil menjanjikan dalam backtest dan simulasi, mendapatkan persetujuan regulasi untuk penggunaan produksi tetap menjadi hambatan di banyak yurisdiksi.

Gambaran Besar

Deep hedging merepresentasikan tren yang lebih luas dalam keuangan kuantitatif: pergeseran dari pendekatan berbasis model ke pendekatan berbasis data. Keuangan kuantitatif klasik dimulai dengan model matematis yang elegan — Black-Scholes, CAPM, model Fama-French — dan menurunkan strategi optimal secara analitis. Deep hedging dan pendekatan machine learning terkait memulai dari arah sebaliknya: definisikan tujuan, sediakan data realistis, dan biarkan algoritma menemukan strateginya.

Ini bukan berarti model klasik sudah usang. Black-Scholes tetap sangat berharga sebagai konvensi kuotasi, bahasa komunikasi risiko, dan aproksimasi pertama. Tetapi untuk hedging aktual di pasar nyata dengan friksi nyata, pendekatan berbasis data semakin kompetitif. Pertanyaannya bukan apakah neural network akan menggantikan Black-Scholes untuk hedging, melainkan seberapa cepat integrasi akan terjadi dan bagaimana kerangka regulasi akan beradaptasi.

Bagi investor ritel, implikasi langsungnya terbatas — hanya sedikit individu yang memperdagangkan portofolio derivatif. Tetapi efek tidak langsungnya signifikan. Hedging yang lebih baik oleh market maker berarti spread yang lebih ketat dan pasar opsi yang lebih efisien. Manajemen risiko yang lebih akurat berarti risiko sistemik yang lebih rendah. Dan kerangka intelektual ini — memulai dari realitas alih-alih asumsi ideal — memiliki penerapan yang jauh melampaui derivatif, dari eksekusi optimal hingga konstruksi portofolio.

Artikel ini hanya untuk tujuan edukasi dan bukan merupakan nasihat keuangan. Kinerja masa lalu tidak menjamin hasil di masa depan.

Referensi

• Buehler, H., Gonon, L., Teichmann, J., & Wood, B. (2019). Deep Hedging. Quantitative Finance, 19(8), 1271-1291. https://doi.org/10.1080/14697688.2019.1571683

• Black, F., & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637-654. https://doi.org/10.1086/260062

• Cao, J., Chen, J., Hull, J., & Poulos, Z. (2021). Deep Hedging of Derivatives Using Reinforcement Learning. Journal of Financial Data Science, 3(1), 10-27. https://doi.org/10.3905/jfds.2020.1.052

• Horvath, B., Teichmann, J., & Zuric, Z. (2021). Deep Hedging under Rough Volatility. Quantitative Finance, 21(2), 235-247. https://doi.org/10.1080/14697688.2020.1817974