AI hedging agenti: pametnija matematika ili samo još jedan backtest?

Nova arXiv studija pokušava prebaciti hedging opcija iz klasične financijske logike u reinforcement learning. Na papiru, RLOP i QLBS izgledaju kao pametniji način da se umjesto čistog repliciranja portfelja izravno optimizira shortfall rizik. Ali financije nisu mjesto gdje lijep model automatski pobjeđuje. Pravi test je može li sustav preživjeti volatilnost, likvidnost i promjene režima.

Ono što je ovdje novo nije sama ideja da AI pomaže u hedgingu, nego način na koji autori pokušavaju preokrenuti problem. Umjesto da gledaju samo srednju vrijednost i varijancu, fokusiraju se na gubitke koji stvarno bole. To je logično, ali i opasno: ako model izgleda dobro samo na likvidnim instrumentima poput SPY-ja i XOP-a, onda zapravo nije dokazao ništa o najgorim tržišnim scenarijima.

To je glavna razlika između akademske elegancije i tržišne uporabe. Citadel i Two Sigma mogu sami graditi slične sustave, a ako ovaj rad nešto vrijedi, mora pokazati da radi bolje od onoga što već imaju. U financijama nitko ne kupuje samo ideju. Kupuje stabilnost nakon troška, nakon šoka i nakon dana kada tržište prestane biti uredno.

Zato je priča ovdje oprezna, ne euforična. Ovi modeli možda jesu pametniji od starijih pristupa, ali još nisu dokazali da mogu izdržati prljavi dio realnosti. A to je, nažalost ili na sreću, jedini dio koji tržište stvarno plaća.

Ako ovo ikada postane pravi proizvod, korisnici će biti institucionalni igrači kojima je bitno svako malo poboljšanje u basis pointima. Retail traderi od toga neće imati puno koristi, osim ako se rezultat ne pokaže stabilnim kroz više tržišnih režima. To znači da je adoption stvarno pitanje, ne samo tehničko.

Najpošteniji rezime je jednostavan: backtest nije tržište. Ako model preživi loše dane, onda može imati budućnost. Ako ne, ostaje još jedan uredan grafikon i još jedna akademska obavijest da je netko “poboljšao” hedging.