非平稳市场中的深度对冲对抗训练

arXiv:2610.07162v1 公告类型：新 摘要：深度对冲从历史或模拟的市场轨迹中学习交易策略，然而在非平稳性条件下，这些训练路径可能无法代表未来的市场状况。我们提出了 WRAP（Wasserstein-Reweighting Adversarial Perturbation），这是一种源自双预算分布鲁棒优化（DRO） formulation、能够感知漂移的对抗训练框架。该 formulation 以加权经验参考分布为基础，其固定基准权重经过选择，以平衡抽样不确定性与时间漂移。在这一参考分布周围，歧义集通过允许对手在 \(\phi\)-散度约束下对观测轨迹重新加权，并在最优传输（OT）约束下扰动轨迹，从而应对两种互补的分布失配形式。我们推导出一个联合一阶展开，其中名义期望损失之上的一阶增量分解为两部分：其一是由各轨迹间对冲损失的离散程度决定的重新加权贡献；其二是由损失对路径扰动的敏感性决定的传输贡献。该展开得到了一种显式的有限维对抗攻击，以易于处理的一阶近似替代分布内层上确界。在平稳和非平稳的 Heston dynamics 以及广义仿射扩散（GAD）上的实验表明，重新加权与传输能够带来互补收益，而联合对抗训练在非平稳条件下取得了最大幅度的提升。