Evaluating Deep Hedging under Endogenous Liquidity and Distribution Shift

This thesis evaluates whether neural Deep Hedging strategies trained in an agent-based market with endogenous liquidity can reduce tail risk and retain their performance under distribution shift and historical transfer. The simulator combines fundamentalists, chartists, and noise traders with persistent stress, liquidity-sensitive price impact, and controlled market regimes. Neural policies are compared with a Black–Scholes delta-hedging benchmark under common option contracts, transaction costs, accounting rules, and chronological information constraints. Raw market-state features improve tail-risk performance on the development sample and on fresh in-distribution paths, but the advantage does not persist consistently under out-of-distribution stress. A prototype-based latent-regime representation improves some regime-level results but does not establish an aggregate OOD advantage. A ten-seed confirmation and a transfer test on historical SPY paths support the same conclusion: Black–Scholes remains more robust overall. The thesis therefore identifies both the conditional value of market-state information and the limits of neural hedging under distribution shift, seed sensitivity, and simulation-to-real transfer.

Questa tesi valuta se strategie neurali di Deep Hedging, addestrate in un mercato agent-based con liquidità endogena, siano in grado di ridurre il rischio di coda e mantenere la propria performance in presenza di distribution shift e nel trasferimento a dati storici. Il simulatore combina agenti fondamentalisti, chartisti e noise trader con stress persistente, price impact sensibile alla liquidità e regimi di mercato controllati. Le strategie neurali vengono confrontate con un benchmark di delta hedging Black–Scholes utilizzando gli stessi contratti di opzione, costi di transazione, regole contabili e vincoli informativi cronologici. Le feature di stato di mercato in forma raw migliorano la performance sul rischio di coda nel campione di sviluppo e su nuovi percorsi in-distribution, ma tale vantaggio non si mantiene in modo consistente sotto stress out-of-distribution. Una rappresentazione latent-regime basata su prototipi migliora alcuni risultati a livello di singolo regime, ma non dimostra un vantaggio aggregato in OOD. Una conferma su dieci seed e un test di trasferimento su percorsi storici SPY portano alla stessa conclusione: nel complesso, Black–Scholes risulta più robusto. La tesi identifica quindi sia il valore condizionale dell’informazione sullo stato di mercato sia i limiti del Deep Hedging neurale in presenza di distribution shift, sensibilità ai seed e trasferimento dalla simulazione ai dati reali.