Hedging opzioni su Bitcoin è complesso: i metodi classici come Black-Scholes assumono ribilanciamenti gratuiti e continui, impossibili in mercato. Il deep hedging addestra reti neurali per gestire queste frictioni, ma finora si basava su dati simulati. Questo studio usa dati reali Deribit 2020-2024. Confronta Black-Scholes, Leland e Whalley-Wilmott con LSTM e reti feedforward. Tutti con costo transazionale 5 bps. Su 11.546 episodi, Whalley-Wilmott riduce costi di $1.79/episodio vs Black-Scholes, ribilanciando 8x meno. I modelli deep non superano i classici su nessuna metrica. Addirittura con penalità altalenante, continuano a operare ogni ora. L'edge di Whalley-Wilmott dipende dal regime di mercato. Probabili cause: piccolo dataset e assenza di meccanismi per 'stare fermi'.
Hedging dinamico su Bitcoin: le reti neurali non vincono contro i metodi classici?
Lo studio analizza 11.546 episodi di hedging su opzioni Bitcoin da Deribit (set 2023-dic 2024). I modelli deep includono LSTM e reti feedforward con loss CVaR e penalità operativa. Whalley-Wilmott utilizza no-trade bands per ridurre transazioni. Black-Scholes delta ribilancia ogni ora. Leland aggiusta per costi. Tutti sottoposti a 5 bps costo transazionale. Whalley-Wilmott ottiene P&L migliori e minore tail-risk, significativi solo parzialmente. I modelli deep mostrano overfitting: addestramento su 5 anni dati, ma validazione su periodo calmo riduce edge. Architetture testate mancano meccanismi espliciti per inibire trading. Soluzione proposta: integrare bande di inattività o early-stopping nei modelli. Future ricerche potrebbero testare reinforcement learning con reward strutturati per frustrale costi.
Chiedi all'AI
Nei prossimi 3-5 anni vedremo probabilmente modelli ibridi che combinano le 'bande di inattività' dei metodi classici con la flessibilità del deep learning, e approcci di reinforcement learning con reward strutturati per penalizzare il trading eccessivo, riducendo i costi per chi copre posizioni su crypto.
Fonti
