X Hedging: An Explainable Artificial Intelligence Hedging Framework

Vi utvikler et rammeverk for sikring (eng: hedging) av finansielle opsjoner. Rammeverket bruker nye metoder innen kunstig intelligens, er mulig å forklare, og tilpasselig til ulike markedsmodeller, markedsfriksjoner, og sikringsinstrument. Temaet som omhandler prising og sikring av finansielle opsjoner er omfattende studert i litteraturen. Nyere metoder bruker nevrale netts ferdigheter som omhandler å forbinde ikke-lineære forhold til å lage generelle og allsidige metoder. Dette kommer dog på bekostning av forklarbarheten (eng: explainability) til metoden. Vi foreslår et rammeverk for sikring som bruker gradientforsterkede beslutningstrær (eng: gradient boosted decision trees) til å øke forklarbarheten til de nyeste rammeverkene, uten reduksjon av ytelsen. X Hedging er validert i eksperimenter mot den velkjente opsjonsprisings- og sikringsmodellen av Black og Scholes [1973], og den nylige Deep Hedging-modellen utviklet av Bühler et al. [2019], hvor vi oppnår samme ytelse. Vi eksemplifiserer hvordan metoden til Shapley [1953] oppnår global forklaring for X Hedging og “black-box" sikringsmodeller som Deep Hedging. Deretter oppdager vi at den deriverte av det underliggende aktivumet påvirker det endelige resultatet sammen med størrelsen på den underliggende aktivumets verdi. Til slutt viser vi at X Hedging overholder de nylig foreslåtte retningslinjene og forskriftene knyttet til forklarbar kunstig intelligens (eng: Explainable Artificial Intelligence) gjennom lokal forklaring, noe som fremhever den praktiske anvendeligheten av sikringsrammeverket i bransjen