ANÁLISE EDITORIAL / 2026-10-05 — 2026-10-11
Saída de opção aprendida, não só entrada
RL para timing de saída em straddles, agente de opções guiado por distribuição implícita e colusão algorítmica entre LLMs heterogêneos.
MLP-Initialized Reinforcement Learning for Exit Timing in SPX Short-Straddle Portfolios foca num problema geralmente ignorado pela literatura de estratégias de opções: quando sair, não só quando entrar — um MLP treinado em rótulos ex-post de saída ótima inicializa o RL que decide a saída em produção. SOTA usa a distribuição implícita de retorno do próprio mercado de opções para guiar um agente de linguagem que precisa escolher entre milhares de contratos possíveis. Who Leads and Who Collects mostra que colusão algorítmica de preço sobrevive mesmo entre quatro modelos de linguagem heterogêneos, de provedores diferentes, sem comunicação.
EVOLUÇÃO
A W40 tratava de colusão aprendida em execução ótima; esta semana a colusão se estende a LLMs heterogêneos e o foco técnico passa da entrada para a saída da posição.
O QUE FAZER COM ISSO
Estratégias de opções baseadas em RL deveriam tratar o timing de saída como uma decisão própria, com seu próprio treino, não como simetria da entrada.
q-fin.TR entra por completo nesta edição, via API oficial do arXiv. Abstracts dos papers citados foram lidos; os demais papers carregados no grafo não têm abstract.