Tail-GAN لمحاكاة سيناريوهات مخاطر الذيل متعددة الأصول
الملخص
Tail-GAN مولّد سيناريوهات قائم على البيانات، صُمم لمحاكاة ديناميكيات الأسعار المشتركة الواقعية للمحافظ متعددة الأصول وعالية الأبعاد، مع التركيز على الخسائر في ذيل التوزيع. ويستخدم قابلية الاستنباط المشتركة لمقياس القيمة المعرضة للخطر والخسارة المتوقعة لتدريب شبكة خصومية توليدية تحافظ على خصائص المخاطر هذه. ويشمل الاستخدام المقصود تقييم استراتيجيات التداول الثابتة والديناميكية في ظل سيناريوهات سوق محاكاة.
تعرض الورقة تجارب عددية على بيانات اصطناعية وبيانات السوق. وتذكر أن المنهج يلتقط مخاطر الذيل لمجموعة واسعة من الاستراتيجيات ويعمم خارج أمثلة التدريب. كما تفيد بأن تطبيق تحليل المكونات الرئيسية على بيانات الإدخال يحسن قابلية التوسع للسلاسل الزمنية عالية الأبعاد. ولا يحدد الوصف المقدم الأصول أو مقاييس التقييم أو النتائج المقارنة بالتفصيل، لذلك لا يمكن التحقق من الادعاءات بصورة مستقلة استنادًا إلى هذا الملخص. وتظل جودة السيناريوهات مرتبطة بمدى تمثيل بيانات الإدخال، ولا تضمن أن تطابق أحداث الذيل المستقبلية الأحداث المحاكاة.
الأفكار الرئيسية
- يولّد Tail-GAN سيناريوهات مشتركة لديناميكيات أسعار أصول متعددة، مع التركيز على خسائر الذيل في المحافظ.
- يستخدم النموذج قابلية الاستنباط المشتركة للقيمة المعرضة للخطر والخسارة المتوقعة كأهداف للتدريب.
- يهدف الإطار إلى تقييم استراتيجيات التداول الثابتة والديناميكية.
- تفيد التجارب على بيانات اصطناعية وبيانات السوق بالتقاط مخاطر الذيل والتعميم عبر الاستراتيجيات.
- يُستخدم تحليل المكونات الرئيسية لتحسين قابلية التوسع إلى سلاسل زمنية عالية الأبعاد.
الوسوم
النص الكامل
# Tail-GAN: Learning to Simulate Tail Risk Scenarios # Tail-GAN: Learning to Simulate Tail Risk Scenarios The estimation of loss distributions for dynamic portfolios requires the simulation of scenarios representing realistic joint dynamics of their components. We propose a novel data-driven approach for simulating realistic, high-dimensional multi-asset scenarios, focusing on accurately representing tail risk for a class of static and dynamic trading strategies. We exploit the joint elicitability property of Value-at-Risk (VaR) and Expected Shortfall (ES) to design a Generative Adversarial Network (GAN) that learns to simulate price scenarios preserving these tail risk features. We demonstrate the performance of our algorithm on synthetic and market data sets through detailed numerical experiments. In contrast to previously proposed data-driven scenario generators, our proposed method correctly captures tail risk for a broad class of trading strategies and demonstrates strong generalization capabilities. In addition, combining our method with principal component analysis of the input data enhances its scalability to large-dimensional multi-asset time series, setting our framework apart from the univariate settings commonly considered in the literature.
يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0
أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.