Newest papers

SOTA: Stock Options Trading Agents Guided by Option-Implied Return Distributions

Yizhen Xie, Mengyang Liu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.10407 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Khi thị trường tùy chọn tăng trưởng và AI tiến bộ, các hệ thống đại lý cho giao dịch tùy chọn đang nhận được sự chú ý ngày càng tăng. Các đại lý dựa trên mô hình ngôn ngữ có thể suy nghĩ về thông tin ngữ cảnh như tin tức, nhưng giao dịch tùy chọn trình bày một vấn đề quyết định đặc biệt khó khăn: một cổ phiếu duy nhất có thể có hàng ngàn hợp đồng, và đại lý phải quyết định cả hai hợp đồng để giao dịch và cách kết hợp chúng. Các phương pháp tiếp cận hiện có thường rút ra sự phức tạp này bằng cách hạn chế chính sách thành một cấu trúc chiến lược cố định, chẳng hạn như một straddle, hạn chế khả năng chuyển đổi chiến lược khi điều kiện thị trường thay đổi. Chúng tôi trình bày SOTA (Stock Options Trading Agents), một khuôn khổ giao dịch đại lý để lựa chọn lựa chọn chiến lược có cấu trúc. SOTA trích xuất vũ

Machine translation (Meta M2M100); the English original follows.

Abstract

As option markets grow and AI advances, agentic systems for option trading are gaining increasing attention. Language-model-based agents can reason over contextual information such as news, but option trading presents a particularly challenging decision problem: a single stock can have thousands of contracts, and the agent must decide both which contracts to trade and how to combine them. Existing approaches often sidestep this complexity by restricting the policy to a fixed strategy structure, such as a straddle, limiting their ability to switch strategies as market conditions change. We present SOTA (Stock Options Trading Agents), an agentic trading framework for structured option-strategy selection. SOTA abstracts the large option universe into strategy-level decisions while deterministic resolvers handle portfolio implementation. We develop SOTA by post-training Qwen3.8-27B with supervised fine-tuning followed by reinforcement learning. SOTA is evaluated on options on nine large-cap U.S. equities and SPY against rule-based and machine-learning strategy selectors in the same trading environment. Over a six-month out-of-sample period, SOTA earns an 18.3% total return with a Sharpe ratio of 1.60 and a maximum drawdown of 8.96%. We also document an asymmetric role of news: news improves frontier-teacher trajectories, but retaining news during reinforcement learning reduces out-of-sample return from 18.3% to -2.7%.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Reinforcement learning, Portfolio, Trading strategy, Sharpe ratio, Economics, Limiting

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange