Deep kernel hedging：深度核对冲框架

研究提出深度核对冲框架，将深度学习与核方法的结构性归纳偏置结合，对冲函数被限制在由神经网络嵌入参数化核的再生核希尔伯特空间中。该框架在凸损失下最小化正则化经验风险，并通过截断时间增广签名特征纳入路径依赖信息，同时给出联合对冲问题的广义表示定理。为降低大核矩阵计算成本，作者开发可扩展的随机傅里叶特征近似并建立收敛保证，数值结果显示在低数据情形下对冲表现具有竞争力且稳健。