AI Autonoma per la Copertura di Opzioni: Stabilità Finanziaria tramite Reinforcement Learning

Un nuovo studio esplora l'impiego di agenti AI autonomi nei mercati dei derivati per colmare il divario tra la calibrazione statica dei modelli e i risultati di copertura reali. La ricerca introduce due framework di reinforcement learning: un approccio di Replication Learning of Option Pricing (RLOP) e un'estensione adattiva di Q-learner in Black-Scholes (QLBS).

L'obiettivo principale è la minimizzazione della probabilità di perdite, allineando gli obiettivi di apprendimento con una copertura sensibile al rischio al ribasso. I modelli sono stati valutati utilizzando opzioni SPY e XOP quotate, analizzando le distribuzioni dei risultati della copertura delta, la probabilità di perdite e le misure di rischio di coda, come l'Expected Shortfall.

I risultati empirici indicano che RLOP riduce la frequenza di perdite nella maggior parte degli scenari e mostra i miglioramenti più evidenti nella gestione del rischio di coda in situazioni di stress. Sebbene l'adattamento della volatilità implicita favorisca spesso i modelli parametrici, questi ultimi si dimostrano meno efficaci nel prevedere le performance di copertura al netto dei costi. Questo framework RL, attento alle frizioni del mercato, supporta un approccio pratico alla gestione autonoma del rischio derivati, man mano che i sistemi di trading potenziati dall'AI si diffondono.