QD Research EngineAI-Synthesised

深度对冲：当神经网络取代布莱克-斯科尔斯

模型与框架
2026-03-09 · 15 min

神经网络可以直接从市场数据中学习最优对冲策略，考虑了经典布莱克-斯科尔斯理论忽略的交易成本和厚尾分布。

Deep LearningDerivativesHedgingReinforcement LearningOptionsTransaction Costs
来源: Buehler et al. (2019), Quantitative Finance ↗

散户投资者的实际应用

虽然散户投资者很少需要对冲衍生品组合，但深度对冲的影响向下游传导。做市商更好的对冲意味着更窄的期权价差和更有效的定价。在评估期权策略或结构化产品时，请理解其背后的定价和风险管理越来越由AI驱动。

编辑注释

随着AI改变金融的每个角落，深度对冲是神经网络明确改进经典理论的最清晰案例之一。随着期权交易量创历史新高、做市商越来越算法化，从公式驱动到学习驱动的对冲策略转变正在加速。

所有人都忽视的假设

问一个金融专业的学生如何对冲期权，答案几乎脱口而出：Delta对冲。计算布莱克-斯科尔斯Delta值，相应地买入或卖出一定数量的标的资产，持续调整，期权的风险便化为乌有。这是金融理论中最优雅的结论之一，也是实践中被违反得最为频繁的结论之一。

问题不在于Delta对冲在理论上有误，而在于理论所要求的条件在真实市场中从未被满足。布莱克-斯科尔斯模型假设无交易成本的连续交易、恒定的波动率以及对数正态分布的收益率。然而真实市场在每笔交易中都收取买卖价差，波动率呈现聚集效应和跳跃特征，并产生模型系统性低估的肥尾收益率。全球每一个期权交易台都深知这一点。他们通过各种临时性调整来弥补——Gamma头皮交易、波动率曲面拟合、离散再平衡规则——但模型与现实之间的根本鸿沟始终存在。

如果我们不从理想化的数学模型出发再修补其缺陷，而是从实际市场环境出发——包含所有摩擦、肥尾和交易成本——让算法直接学习最优对冲策略，会怎样？这就是深度对冲的核心前提，也是机器学习在量化金融领域最具意义的应用之一。

深度对冲究竟是什么

深度对冲由Buehler、Gonon、Mancini和Wood在2019年发表于Quantitative Finance的论文"Deep Hedging"(Buehler et al., 2019)中首次提出。该方法用神经网络取代经典衍生品定价中的解析对冲公式，直接从数据中学习对冲。

其设置看似简单。你持有一个衍生品头寸——比如一个欧式看涨期权——以及一组可用于对冲的交易工具（通常是标的资产，可能还包括其他流动性较好的衍生品）。在到期前的每个时间步，神经网络观察当前市场状态——标的资产价格、剩余期限、当前组合持仓，以及隐含波动率等潜在特征——并输出对冲操作：决定持有每种工具的数量。

网络通过模拟进行训练。生成数千条反映真实市场动态的价格路径——包括交易成本、离散交易间隔、跳跃、随机波动率和流动性约束。对于每条路径，网络逐步执行其对冲策略。到期时，将对冲后组合的收益与衍生品的收益进行比较，计算对冲误差。然后优化网络参数以最小化该对冲误差的风险度量——不是均方误差，而是反映对冲者实际风险偏好的度量，如条件风险价值（CVaR）或熵风险度量。

这是核心创新：深度对冲不对标的资产动态做任何特定模型假设。它不需要波动率恒定、收益率服从正态分布或交易连续进行。它在实际面临的市场环境中——包括经典理论通过假设消除的所有摩擦——学习最优对冲策略。

为什么重要：交易成本问题

要理解深度对冲为何不仅仅是学术上的好奇心，需要考虑交易成本问题。在布莱克-斯科尔斯框架下，最优对冲要求连续再平衡——在每个瞬间调整Delta头寸。在实践中，每次再平衡交易都会产生成本：买卖价差、市场冲击、经纪佣金。

这产生了一个根本性的两难。再平衡过于频繁，交易成本吞噬利润；过于稀疏，对冲误差增大。经典理论对这一权衡的指导十分有限，因为在无摩擦的布莱克-斯科尔斯世界中，这一权衡本身并不存在。

从业者们开发了各种启发式方法：按固定时间间隔（每日、每小时）再平衡、当Delta变动超过阈值时再平衡（带宽对冲），或使用Vega对冲来降低对波动率变化的敏感度。这些启发式方法效果尚可，但归根结底只是经验法则，无法保证其最优性。

深度对冲自然地解决了这个问题。由于交易成本被内嵌到训练模拟中，神经网络自动学习在对冲精度与交易成本之间取得平衡。它能判断何时再平衡值得付出成本，何时容忍更大的对冲误差更为合理。它可以发现人类不会设计的策略——例如，对盈亏采取非对称处理的再平衡规则，或在期权接近平值时更积极对冲、深度实值或虚值时减少对冲力度的策略。

超越布莱克-斯科尔斯：不完全市场

交易成本问题固然重要，但深度对冲最深刻的意义在于不完全市场。如果每个衍生品都可以通过交易标的资产完美复制，那么市场就是完全的。在完全市场中，每个衍生品都有唯一正确的价格和唯一正确的对冲。布莱克-斯科尔斯框架正是建立在这个世界中。

真实市场是不完全的。你无法仅用标的股票完美对冲波动率互换。长期工具流动性不足时，你无法完美对冲长期奇异期权。当各成分之间的相关性存在但并不完美时，你无法完美对冲篮子期权。在上证50ETF期权或沪深300期权市场中，这种不完全性同样普遍存在。

在不完全市场中，不存在唯一"正确"的对冲。最优策略取决于对冲者的风险偏好——能容忍多少剩余风险，最排斥哪类风险。深度对冲通过风险度量的选择自然地处理了这一问题。用CVaR训练，得到专注于降低尾部风险——极端情景下大额损失——的策略。用均值-方差训练，得到最小化平均对冲误差的策略。同样的神经网络架构，以不同的目标函数训练，产生定性上截然不同的对冲策略，分别适配不同的风险偏好。

这种灵活性是经典对冲理论根本无法提供的。Delta对冲只给出一个答案。深度对冲给出一族答案，每一个对不同的风险偏好都是最优的。

架构与训练

深度对冲使用的神经网络通常采用循环架构——长短期记忆（LSTM）网络，或在每个时间步应用的简单前馈网络。每一步的输入包括当前标的资产价格（或其对数收益率）、剩余期限、当前组合持仓，以及可能从波动率曲面推导出的特征。

训练采用强化学习技术：网络学习一个策略（作为状态函数的对冲操作），以优化累积回报（最小化最终对冲损益的风险度量）。然而，与一般强化学习问题不同，深度对冲受益于已知的回报结构——到期时衍生品的收益——这使得训练比典型的强化学习应用更加稳定且样本效率更高。

一个关键的设计选择是训练所用的模拟模型。训练路径必须足够真实，以捕捉网络在实践中将面临的市场动态。常用的模型包括：

  • Heston模型：具有均值回复方差的随机波动率模型
  • SABR模型：随机Alpha-Beta-Rho模型，广泛应用于利率衍生品
  • 跳跃扩散模型：捕捉突发价格变动
  • GAN生成路径：使用在历史数据上训练的生成对抗网络产生逼真的合成路径

模拟模型的选择引入了一种微妙的模型依赖性。深度对冲在对冲策略并非由闭式公式推导这一意义上是无模型的，但训练数据仍然由某个模型生成。如果训练模型不能很好地代表真实市场动态，学习到的策略可能表现不佳。这是一个活跃的研究领域，近期工作聚焦于分布鲁棒的深度对冲——训练在一系列可能的市场动态范围内（而非单一假设模型下）都表现良好的策略。

实际应用

期权交易台

最直接的应用场景是银行和做市商的期权交易台。这些交易台持有跨越多个标的资产、行权价和到期日的大型复杂期权组合。经典对冲需要使用不同模型分别计算和管理整个账簿的希腊值（Delta、Gamma、Vega、Theta）。深度对冲可以为整个组合学习统一的对冲策略，自然地考虑跨资产相关性、交易成本和交易台的特定风险限额。

奇异衍生品

对于奇异衍生品——障碍期权、亚式期权、自动赎回产品——经典对冲公式要么不存在，要么需要严重的近似。深度对冲可以直接从模拟的收益中学习有效策略，无需闭式解。

风险管理

在对冲之外，该框架对风险度量也具有重要启示。深度对冲策略下的对冲损益分布，比大多数风险系统中使用的标准希腊值近似方法，提供了更为真实的剩余风险图景。

局限与挑战

深度对冲虽然强大，但也面临重大的实际挑战。

计算成本。 训练深度对冲模型需要模拟数千条价格路径并在这些路径上优化神经网络。对于复杂组合，计算量可能很大，尽管GPU计算的进步使其日益可行。

可解释性。 神经网络的对冲决策是不透明的。当模型在特定情景下决定降低对冲比例时，原因并不直观。这种可解释性的缺乏对于希望理解对冲为何如此构建的风险管理人员和监管机构来说可能令人不安。针对深度对冲的可解释AI研究正在解决这一问题，但仍是一个开放性挑战。

模拟保真度。 策略的质量取决于训练模拟的质量。如果模拟未能捕捉真实市场动态的重要特征——流动性枯竭、相关性体制转变、市场微观结构效应——学习到的策略可能恰恰在最关键的时刻失效。

监管接受度。 金融监管机构对黑箱模型持谨慎态度。虽然深度对冲在回测和模拟中展现了令人鼓舞的结果，但在许多司法管辖区，获得生产环境的监管批准仍然是一道障碍。

更大的图景

深度对冲代表了量化金融中一个更宏观的趋势：从模型驱动向数据驱动方法的转变。经典量化金融从优雅的数学模型——布莱克-斯科尔斯、CAPM、Fama-French模型——出发，解析地推导最优策略。深度对冲及相关的机器学习方法从相反方向入手：定义目标，提供真实数据，让算法自行发现策略。

这并不意味着经典模型已经过时。布莱克-斯科尔斯作为报价惯例、风险沟通语言和一阶近似仍然不可或缺。但在存在真实摩擦的真实市场中进行对冲时，数据驱动方法正变得越来越有竞争力。问题不在于神经网络是否会在对冲领域取代布莱克-斯科尔斯，而在于整合将以多快的速度发生，以及监管框架将如何适应。

对于个人投资者，直接影响有限——很少有个人交易衍生品组合。但间接影响是显著的。做市商更好的对冲意味着更窄的价差和更高效的上证50ETF期权、沪深300期权等市场。更精确的风险管理意味着更低的系统性风险。而这一从现实出发而非从理想化假设出发的思维框架，其应用远超衍生品领域，从最优执行到投资组合构建，都有广泛的应用前景。

本文仅供教育目的，不构成金融投资建议。过去的业绩不保证未来的结果。

相关

本分析由 Buehler et al. (2019), Quantitative Finance 经 QD Research Engine — Quant Decoded 的自动化研究平台 — 综合分析，并经编辑团队审核确保准确性。 了解我们的方法论.

参考文献

仅供教育。