本文提出了一种结合迁移学习和深度强化学习的智能化期权对冲方法,即迁移学习深度对冲(transfer learning deep hedging,TLDH)算法,并将其应用于中国的股指期权交易市场。通过结合BSM模拟环境的预训练模型和真实交易数据环境微调训练,TLDH算法更好地解决了不完全市场的期权对冲问题。实证结果表明,TLDH算法在我国股指期权市场中的样本外对冲组合夏普比率和尾部风险,均优于其他期权深度对冲算法,并显著优于经典的基于BSM模型的Delta对冲策略。TLDH的对冲效果优势在不同的投资者风险厌恶水平和不同的交易费率环境下均表现出稳健性。本文进一步发现,TLDH相对传统期权对冲方法的优势来源于其能够根据所处的市场环境动态调整策略,例如在交易成本较高时,TLDH智能策略能够主动有选择地降低对冲持仓和调仓幅度,从而在保证对冲效果的同时降低对冲成本。