We present SAiFE_gym, a Python module that provides a collection of simulation environments for studying trading problems in constant product markets (CPMs) with concentrated liquidity (CL). These markets give liquidity providers (LPs) granular control over how their capital is allocated and enable them to adjust their range of liquidity provision dynamically based on market conditions, which in turn determines how they earn fees. We decompose the microstructure of CPMs with CL into interactive components that allow researchers and practitioners to capture various economic settings. We employ a vectorized approach to optimize our environments, making them scalable for high-dimensional reinforcement learning (RL) workflows, suitable for learning dynamic liquidity provision strategies. We demonstrate the benefits of our environments by evaluating the performance of RL agents in CPMs with CL under various market conditions.
This paper proposes a novel approach for Asset-Liability Management (ALM) by employing continuous-time Reinforcement Learning (RL) with a linear-quadratic (LQ) formulation that incorporates both interim and terminal objectives. We develop a model-free, policy gradient-based soft actor-critic algorithm tailored to ALM for dynamically synchronizing assets and liabilities. To ensure an effective balance between exploration and exploitation with minimal tuning, we introduce adaptive exploration for the actor and scheduled exploration for the critic. Our empirical study evaluates this approach against two enhanced traditional financial strategies, a model-based continuous-time RL method, and three state-of-the-art RL algorithms. Evaluated across 200 randomized market scenarios, our method achieves higher average rewards than all alternative strategies, with rapid initial gains and sustained superior performance. The outperformance stems not from complex neural networks or improved parameter estimation, but from directly learning the optimal ALM strategy without learning the environment.
본 논문은 정적 차익거래(static arbitrage)가 없으며 모든 행사가격과 만기에 대해 매끄러운 SANOS 옵션 표면을 생성하는 최초의 시장 모델(market model)인 DYSANOS를 제시합니다. 본 모델은 향후 수년간의 일별 기초자산 가격과 옵션 가격의 전체 경로를 생성하도록 설계되었습니다. 저자들은 다소 단순할 수 있지만 견고하고 유용한 기준선(baseline)으로서 AR(1) 형태의 모델을 제시합니다. 모델 설정, 데이터 파이프라인 및 학습을 논의하고 시장 재구성, 안정성, 꼬리 위험(tail behavior) 특성을 조사합니다. 2022년 1월 3일부터 2025년 8월 29일까지의 Option Metrics IvyDB S&P Index 표면 891개에 대한 모델 성능을 실증합니다. 또한 위험중립밀도(risk-neutral density)를 수치적으로 구성하는 방법을 제시합니다. 그 일환으로 주어진 측도 하에서 조건부 평균이 0인지 확인하는 새로운 검정법을 개발합니다. 100,000개의 시뮬레이션 경로에 대해 48개 옵션과 기초자산으로 구성된 거래 유니버스가 수치적으로 동적 차익거래가 없음을 보여줍니다.
본 연구는 투자자에게 포트폴리오를 추천하여 그들의 부(wealth)에 대한 기대 효용을 최대화하는 포트폴리오 선택(portfolio choice) 문제를 다룬다. 본 연구의 목표는 오라클(oracle) 투자자의 기대 효용과 데이터로부터 선택된 포트폴리오가 달성하는 기대 효용 간의 차이인 기대 효용 후회(expected utility regret) 측면에서 점근적으로 최적인 포트폴리오 선택 규칙을 구성하는 것이다. 우리는 포트폴리오 클래스(class)를 선택하고 그 가중치를 동시에 추정하는 기대 효용 후회(Expected Utility Regret, EUR) 규칙을 제안한다. 정규(regular) 파라메트릭(parametric) 수익률 모델에서, 단일 EUR 규칙은 베이즈(Bayes) 기준을 정의하는 사전 분포(prior distribution)를 사용하지 않고도 미니맥스(minimax) 하한과 베이즈 하한을 선도 상수(leading constant)까지 포함하여 모두 달성한다. 이어서 평균-분산(mean-variance) 포트폴리오와 리스크 패리티(risk-parity) 포트폴리오를 이 프레임워크의 특수한 경우로 도출한다. 매끄럽고(smooth) 증가하며 오목(concave)한 효용 함수 하에서, 기대 초과 수익률(expected excess return)이 충분히 빠르게 0에 접근할 때 EUR 규칙과 표본 평균-분산 포트폴리오는 동일한 선도 기대 후회(leading expected regret)를 달성한다. 수익률을 변동성(volatility)으로 나눈 값의 결합분포(joint distribution)가 자산의 순서에 의존하지 않을 때, EUR 규칙과 리스크 패리티 포트폴리오는 일치한다.
등각 예측(Conformal prediction)은 예측에 불확실성을 더하는 보다 형식적이고 엄밀한 접근 방식으로 주목받아 왔다. 이 단신의 유일한 목적은 대부분의 등각 예측 응용 분야에서 사용되는 기법인 잔차 풀링(residual pooling)의 경우, 엄밀함이 양날의 검으로 작용한다는 점을 지적하는 것이다. 무조건적인 커버리지(coverage) 보장이 제공된다는 점은 의심의 여지가 없으나, 본 논문에서는 그 반대의 보장 또한 존재함을 최초로 명확히 밝힌다. 즉, 이후 데이터의 양이나 튜닝을 아무리 늘려도 줄일 수 없는 로그 점수 후회(logarithmic-score regret)의 영구적인 갬빗(gambit)이 존재한다는 것이다. 우리는 이러한 희생의 정확한 크기를 제시하며, 잔차 풀링을 사용하는 주체가 설정한 승률(odds)에 맞서 베팅하는 오라클 적대자(oracle adversary)의 성장률이라는 금융적 관점에서의 해석을 제공한다.
본 논문은 Itô 시그니처 변환을 이용한 동적 헤징을 위한 해석 가능한 머신러닝 프레임워크를 제안한다. Itô 시그니처 변환은 자산 가격 경로를 시계열 위 비선형 함수를 보편적으로 표현하는 선형 특징 집합으로 바꾼다. 우리는 이산화된 각 Itô 시그니처 성분이 기초 자산과 현금만을 사용하는 단순한 자기금융(self-financing) 전략으로 완벽히 복제될 수 있음을 보이며, 이를 통해 Itô 시그니처 성분을 거래 가능하고 투명한 헤징 기저로 만든다. 이를 통해 비선형 파생상품 payoff를 시그니처 항들의 선형 결합으로 근사하고, 해당하는 거래 전략의 결합을 통해 헤징할 수 있다. 또한 Itô 시그니처에 대한 새로운 근사 결과를 확립하고, 표본 내(in-sample) 및 표본 외(out-of-sample) 헤징 오차에 대한 이론적 상한을 도출한다. 제안 방법은 계산적으로 효율적이고 구현이 쉬우며, 미래 조건부 기대값의 추정을 피하므로 실무 적용에 유리하다. 시뮬레이션에서 본 방법은 신경망 벤치마크보다 훨씬 낮은 계산 비용으로 강한 표본 효율(sample efficiency)을 보인다. S&P 500 지수 옵션에 대한 실증 연구에서는 바닐라 및 경로 의존(path-dependent) 계약 전반에 걸쳐 견고하게 수행되며, 시그니처-커널 가중 버전은 유사한 과거 시장 경로에 추정을 국소화(localize)함으로써 추가 이득을 제공한다. 종합하면, 본 논문은 Itô 시그니처를 동적 헤징을 위한 실용적이고 투명하며 모델에 구애받지 않는(model-agnostic) 구현 프레임워크로 규명한다.
금융 감성 분류기는 일반적으로 사람이 작성한 라벨을 기준으로 평가되지만, 뛰어난 언어적 성능이 경제적으로 유용한 수익률 예측 가능성을 반드시 의미하는 것은 아닙니다. 본 연구는 두 가지 실험을 통해 이러한 질문들을 분리하여 검증합니다. 첫째, 5개의 금융 텍스트 데이터셋으로부터 통합된 3개 클래스 벤치마크를 구축하고, TF-IDF Naive Bayes, 기성 FinBERT 및 Financial-RoBERTa 인코더, 제로샷(zero-shot) Qwen2.5-7B, 그리고 QLoRA로 적응된 Qwen2.5-7B, LLaMA3-8B, Mistral-7B 모델을 비교합니다. Mistral-7B는 가장 높은 테스트 정확도(0.8840)와 매크로 F1(0.8771)을 달성했으며, QLoRA는 Qwen2.5의 매크로 F1을 0.7274에서 0.8615로 향상시켰습니다. 역빈도 클래스 가중 손실(inverse-frequency class-weighted loss)은 Qwen2.5를 개선하지 못했습니다. 둘째, 고정된 S&P 100 유니버스에 대해 10,637개의 고유 헤드라인과 13,115개의 헤드라인-주식 관측치를 포함하는 시간적으로 분리된 2019년 Benzinga 표본에서 경제적 유효성을 평가합니다. 모델 확률은 연속적인 감성 점수로 변환되어 주식 및 시그널 일자별로 집계된 후 1일, 2일, 3일, 5일 기간에 걸친 다음 거래일 수익률과 정렬됩니다. 7개의 다운스트림 모델 모두 1일 기간에서 양수이지만 작은 평균 순위 정보 계수(rank information coefficient)를 산출하며, 가장 큰 값은 FinBERT의 0.0143입니다. 28개의 모델-기간 테스트 중 뉴이-웨스트(Newey-West) 추론 및 위발견율(FDR) 보정 후에도 유의미하게 남는 테스트는 없습니다. 포트폴리오 결과 역시 가장 우수한 성능을 보인 분류기들의 확고한 우위를 입증하지 못했습니다. 이러한 연구 결과는 QLoRA가 금융 감성 적응에 효과적임을 보여주는 동시에, 분류 정확도와 거래 가능한 횡단면 시그널 간의 명확한 격차를 보여줍니다.
금융 감성 추출은 주로 뉴스 텍스트와 수익률(return) 라벨만을 대상으로 한 지도학습 기반 추출에 의존해 왔으며, 10-K 공시 자료—그리고 위험 공시가 아마도 가장 잘 부합하는 목표인 변동성(volatility)은—비교적 탐구되지 않은 상태로 남아 있다. 우리는 지도학습 기반 어휘 학습(lexicon-learning) 접근법을 10-K 공시와 그 Item 1A 위험 요인 섹션에 확장하여, 섹터(sector), 포트폴리오(portfolio), 개별 기업(individual firm)의 세 가지 집계(aggregation) 수준에서 수익률 및 변동성 라벨 모두에 대해 감성 점수를 학습(training)한다. 2006–2023년 Nasdaq-100 기술주 94개 구성 기업의 1,383건 공시를 대상으로, 우리는 산출된 12개 감성 지표를 분류(classification) 정확도, 실현된 시장 결과와의 상관관계, 질적 어휘 내용 측면에서 평가한다. 전체 공시 텍스트는 두 목표 모두에 대해 섹터 및 포트폴리오 수준에서 더 정확한 감성을 산출하지만, 개별 기업 수준에서는 이 결과가 역전되어 더 좁은 범위의 Item 1A 섹션이 더 나은 성능을 보인다—우리는 이 현상을 각 집계 수준에서 이용 가능한 독립적 학습 신호의 양과 문서 볼륨(document volume) 간의 상호작용으로 설명한다. Loughran-McDonald 사전 기준선(baseline)은 검증한 모든 수준에서 가격과 일관되게 강한 음의 상관관계를 보여, 규제 공시 텍스트에 대한 지도학습 접근법의 가치를 뒷받침한다. 이러한 발견과 이에 따른 설계 선택은 후속의 대규모 다중 출처 시스템의 기반이 되는 감성 생성 방법론을 확립한다.
예측 모델은 예측 변수들을 조건부 평균 추정값으로 압축하며, 그 추정값이 생략한 체계적 구조는 예측 오차의 2차 모멘트에 잔존한다. 정확도 비교는 이 구조를 측정하지 않으며, 분산 기반 추출은 특정 의사결정이 부담하는 구조의 일부를 복원하지 못한다. 본 논문에서는 고정된 예측기의 잔차로부터 누락된 구조를 복원하는 분포적으로 강건한(distributionally robust) 프레임워크를 제안한다. 표준화된 잔차 단면(residual cross-section)에 대한 2층(two-layer) 모멘트 모호성 집합(moment ambiguity set)에서 의사결정을 강건하게 만들며, 발견 통계량은 공분산 강제(covariance forcing), 즉 의사결정의 잔차 위험 중 그 노출에 수직인 성분이다. 강제량은 수축(shrinkage)과 공분산의 등방성 팽창(isotropic inflation)에 불변임을 증명하여, 복원된 방향이 정규화가 아닌 잔차 자체의 속성임을 보인다. 이로써 복원이 실측값(ground truth)이 되는 의미에서의 타당성을 확보한다. 이는 2006년부터 2025년까지의 미국 국채 월별 무이표채(zero-coupon) 수익률 데이터로 확인되며, 복원된 요인은 111개의 거시경제, 국채 수급, 금융 지표 패널에 대한 요인 조정 강건 선택(factor-adjusted robust selection)을 통해 명명된다. 선형 요인 증강 동적 Nelson-Siegel 벤치마크의 잔차로부터 해당 요인은 선행 경기순환 요인으로 명명되며, Conference Board 선행지수에 고정되고 블록 순열 검정(block-permutation test)으로 인증된다. 보다 정확한 비선형 랜덤 포레스트 벤치마크의 잔차로부터도 동일한 절차가 인증 없이 동일한 실물활동(real-activity) 계열을 선택한다. 중립화 검정(neutralization test)이 추가 증거를 완성한다. 복원된 요인을 배포된 듀레이션 포지션에서 제거하면 변동성은 사실상 변하지 않고 꼬리 위험은 악화되므로, 해당 요인은 포지션이 실질적으로 부담하는 체계적 위험이다.
딥러닝의 통계적 유연성과 고정수익(fixed-income) 모델링의 차익거래 무결성 사이의 충돌을 해소하기 위해, Student-t 조건부 변분 오토인코더(CVAEsT+LS)로 수익률 곡선 다양체를 추출하고 무차익거래 PDE로 제약된 신경 확률 미분방정식(Neural SDE)으로 잠재 동역학을 모델링하는 2단계 프레임워크를 제안한다. USD, GBP, JPY 국채 데이터에서 6.58 bps의 샘플 외 예측 오차를 달성하며 고전적 HJM 모델 대비 극단적 거시경제 국면에서의 제로 하한 위반 문제를 성공적으로 극복함을 실증한다.
우리는 함수형 입력 신경망(FNN)에 대한 범용 근사 정리를 미분 가능 사상으로 일반화하며, 이 과정에서 도함수의 근사도 포함한다. FNN은 가능하면 무한 차원의 가중 다양체로부터 입력을 받아 실수값 은닉층(hidden layer)으로 매핑하고, 그곳에서 비선형 스칼라 활성화 함수(activation function)를 적용한 뒤 선형 판독 연산을 통해 출력을 바나흐 공간(Banach space)으로 반환한다. 가중 Nachbin 정리를 증명함으로써, 우리는 미분 가능 사상에 대한 범용 근사 정리를 확립하며, 이는 컴팩트 집합에 대한 통상적인 정식화를 넘어 도함수의 근사까지 포함한다. 이를 통해 수평 도함수 및 수직 도함수를 포함한 비예측 범함수(non-anticipative functional)에 대한 근사 결과를 도출한다. 추가 응용으로서, 시그니처(signature)의 선형 함수가 방향 도함수를 포함한 경로 공간 범함수를 근사할 수 있음을 보인다.
주식을 회사명 대신 시가총액 순위로 색인화하는 순위 공간(rank space) 표현이 종목 공간(name space)에 비해 더 안정적인 시장 구조와 강화된 평균 회귀(mean-reversion) 특성을 제공함을 보였으며, 이를 기반으로 DNN이 2007~2022년간 연평균 수익률 35.68%, Sharpe ratio 3.28을 달성하는 통계적 차익거래(statistical arbitrage) 전략을 구현하였다.