Robust Utility Optimization via a GAN Approach
Florian Krach, Josef Teichmann, Hanna Wutte
稳健的公用事业优化使投资者能够以结构化的方式处理市场不确定性,目标是最大化最坏的情况。 在这项工作中,我们提出了一种生成对抗网络(GAN)方法,以(大约)解决一般和现实设置中强大的实用程序优化问题。 特别是,我们通过神经网络(NN)对投资者和市场进行建模,并在迷你最大零和游戏中训练它们。 这种方法适用于任何连续的实用功能和具有交易成本的现实市场设置,其中只能使用可观察的市场信息。 一项大型实证研究表明,我们的方法具有多功能的可用性。 每当有最优的参考策略可用时,我们的方法与它和(许多)设置执行,而没有已知的最优策略,我们的方法优于所有其他参考策略。 此外,我们可以从我们的研究中得出结论,经过训练的路径依赖策略不会超过马尔可维。 最后,我们发现,我们在交易成本下学习最佳(非)稳健投资的生成方法为理想化设置的众所周知的渐近策略提供了普遍适用的替代方案。
Robust utility optimization enables an investor to deal with market uncertainty in a structured way, with the goal of maximizing the worst-case outcome. In this work, we propose a generative adversarial network (GAN) approach to (approximately) solve robust utility optimization problems in general and realistic settings. In particular, we model both the investor and the market by neural networks (NN) and train them in a mini-max zero-sum game. This approach is applicable for any continuous utili...