Tradable Itô Signatures: A Model-Free, Interpretable Framework for Dynamic Hedging
Xin Guo, Binnan Wang, Ruixun Zhang
q-fin.CP, q-fin.MF, stat.ML
2026-07-15
伯克利与北大证明离散Itô签名分量可用标的和现金自融资复制，非线性期权对冲变成线性组合。SPX期权上核加权版本对路径依赖合约优势更明显。
动态对冲要在离散交易网格上，用标的和现金去逼近一份非线性、常常还路径依赖的期权收益。经典Black-Scholes delta在几何布朗运动和欧式期权上漂亮，换到奇异合约或真实市场就绑在模型假设上。深度对冲用神经网络直接学仓位，灵活，但仓位怎么来的说不清，小样本也不稳，还要估未来条件期望或做很重的非线性训练。
路径签名把价格轨迹变成一组迭代积分特征，线性组合就能逼近路径上的连续泛函。麻烦在于：逼近理论写得最顺的是Stratonovich签名或rough path，交易真正需要的是非预期的Itô积分。现有签名对冲往往先做Hoff超前-滞后变换，再估期望未来签名，状态维数指数涨，还多一层估计误差。
核心观察是：在离散网格上，每一个非常值的Itô签名分量，都恰好是某个适应、自融资策略的终端盈亏，只用标的和现金。只含时间坐标的分量对应现金头寸。高阶策略的仓位是低阶策略已经实现的盈亏，递归搭上去，不引入辅助衍生品。
对冲因此收成三步。用OLS或Lasso把期权收益拟合成截断Itô签名的线性组合。再按定理把每个分量换成对应的自融资基策略。最后用同一组系数把这些基策略加总。拟合系数就是交易权重，中间没有「特征空间到交易规则」的翻译层。
理论侧补了Itô签名一直缺的逼近。离散签名在Lp意义下收敛到连续Itô签名。对一类可通过确定性变换把扩散矩阵归一成单位阵的扩散，有限阶Itô展开能一致逼近路径连续泛函。再叠上高维回归的有限样本界，得到样本外均方对冲误差的分解：离散化、逼近、估计三项。
经验部分用签名核给历史路径加权，让估计更依赖与当前轨迹相近的历史，用来对付金融数据的非平稳。
仿真在风险中性GBM上跑欧式看涨、看跌、几何平均亚式看涨、浮动执行价回望看跌，日频再平衡250次，训练集从2^6到2^15，测试1万条路径，10个种子。小样本时Itô签名对冲稳定优于Stratonovich签名基准；神经网络在数据很少时明显更差，样本足够大时才可能追上或略好。计算量差几个数量级：欧式看涨、样本2^8时，Itô签名平均0.12秒，Stratonovich 69.43秒，神经网络1,286.73秒；样本2^15时分别是19.18、6,998.05和39,007.69秒。
真实数据用2011到2025年S&P 500周期权，测试集436,135张。到期误差×10^{-3}：Black-Scholes总体均值6.007，未加权Itô签名5.744，相对BS胜率73.3%；签名核加权降到5.445，胜率83.9%；神经网络8.836，胜率26.1%。短到期和虚值桶上核加权优势更大。
路径依赖合约没有闭式delta，用蒙特卡洛对冲当对照。核加权Itô签名在四种奇异合约上都是最低均值误差。回望看涨：蒙特卡洛26.66，未加权Itô 19.55，核加权12.90，神经网络38.25。未加权Itô在亚式上会差过蒙特卡洛，核加权才翻过来，说明路径相似加权在非平稳滚动估计里不是装饰。
这是把「可解释机器学习」说到交易层的一次落地：特征本身就是可交易的基策略，系数就是仓位。不必估条件期望，也不必养一个黑盒对冲网络。对需要反复滚动重估、样本短、又要能向风险部门解释仓位来源的场景，线性Itô基比深度对冲更像能上桌的工具。它是方法上的换底座，不是把对冲误差打到零。
逼近定理依赖扩散可逆、行场保守等条件，多维局部波动里不是每家模型都满足。未加权Itô签名在真实亚式合约上均值误差高于蒙特卡洛，核函数和滚动窗口成了性能的关键旋钮，论文没有给出这些旋钮的选择理论。奇异合约是在真实指数路径上合成的，不是OTC成交记录。高频、多标的组合对冲、签名阶数的自适应选择都还没做。仿真对照的是一篇深度对冲和一种Stratonovich流程，不代表全部对冲文献。