Cours · № 10 · Quantitatif
Deep Hedging & Machine Learning
Extraire des signaux de la surface d'options via ML et optimiser le hedging
La formule de couverture des manuels (Black-Scholes) suppose un monde sans frais de transaction, où l'on peut ajuster son hedge en continu. Le monde réel a des coûts, des sauts, des heures de fermeture. Le deep hedging entraîne un réseau de neurones à couvrir un portefeuille d'options dans ces conditions réelles, en simulant des millions de scénarios. Le résultat bat le hedge théorique dès que les frictions comptent. C'est la direction que prennent les desks — et comprendre l'idée t'aide à saisir pourquoi un « bon » hedge n'est pas celui des manuels.
Les formules
Score de features (z-scores 252 j)
Cinq features normalisées en z-score (VRP, GEX, skew RR, flow, Hurst) sont combinées en un score. Entraîné 2018–2022, testé 2023–2024 pour prédire le rendement ES à 5 jours.
Le deep hedging
Au lieu du delta-hedge BSM, un réseau de neurones apprend la politique de couverture qui minimise le risque sous coûts de transaction. Buehler et al. 2019 : réduction du CVaR de 15–25 % vs delta BSM sur les mêmes positions.
Honnêteté sur l'edge
En out-of-sample honnête (2023–2024) : Sharpe ~0,5–0,8 selon les coûts. Pas de miracle, mais un edge réel et reproductible. La classification de régime (Random Forest) atteint 45–55 % d'accuracy sur 4 classes (vs 25 % baseline).
Stratégies d'application
Stratégie 1 — Surface Features Linear Strategy
| Setup | Score = somme pondérée des 5 features. Chaque lundi : recalculer. |
|---|---|
| Allocation | Score > 0,5 → long ES 50 % ; < −0,5 → short 30 % ; sinon flat. |
| Edge | Out-of-sample 2023–2024 : Sharpe 0,5–0,8 selon coûts de transaction. |
Stratégie 2 — Deep Hedging pour short straddle
| Principe | Réseau de neurones apprenant la couverture optimale sous coûts. |
|---|---|
| Edge | Buehler 2019 : −15–25 % de CVaR vs delta-hedge BSM. |
Stratégie 3 — Regime Classification (Random Forest)
| Features | GEX, quantile VRP, Hurst, skew z-score, corrélation KCJ. |
|---|---|
| Edge | Accuracy 45–55 % (4 classes) → Sharpe 0,7–1,0 selon les années. |