التحوط من مخاطر الذيل باستخدام القيمة المعرضة للخطر والتعلم الآلي

الملخص

تصف هذه الورقة استراتيجية ديناميكية لحماية المحفظة من خسائر الذيل مع الحفاظ على المشاركة في أنظمة السوق الصاعدة. وتحدد مستوى مستهدفًا أقصى للقيمة المعرضة للخطر، وتستخدم مصنفات لتقدير احتمال تجاوز عتبة المخاطر هذه. ثم تحول احتمالات التجاوز المقدرة إلى إشارات تداول تهدف إلى التحوط من أحداث الذيل.

يقارن المؤلفون بين مصنفات ضعيفة معلمية وغير معلمية باستخدام مقاييس إحصائية وأداء استراتيجية التداول، ثم يجمعون المصنفات في استراتيجية فوقية تجميعية. ويذكرون أن التجميع يحسن التعميم وأداء التداول مقارنة بالأساليب الفردية. ولا تحدد الوثيقة الأصول أو الفترة الزمنية للبيانات أو التصاميم الدقيقة للمصنفات أو أرقام الأداء التفصيلية، لذا لا يمكن تقييم قوة الأدلة وقابليتها للتعميم من هذا الملخص وحده. كما أن التحكم بعتبة القيمة المعرضة للخطر لا يصف سوى جانب واحد من مخاطر المحفظة؛ إذ يعتمد سلوك الاستراتيجية على العتبة المختارة وتقديرات الاحتمال وكيفية تنفيذ التحوط.

الأفكار الرئيسية

• تستهدف الاستراتيجية حدًا أقصى محددًا مسبقًا للقيمة المعرضة للخطر مع السعي إلى الحفاظ على المشاركة في الأسواق الصاعدة.
• تقدر المصنفات احتمال تجاوز عتبة المخاطر، وتستند إشارات التحوط إلى تقديراتها.
• تقارن الدراسة بين مصنفات ضعيفة معلمية وغير معلمية باستخدام مقاييس إحصائية وتداولية.
• يجمع نموذج تجميعي مخرجات المصنفات، ويُذكر أنه يحسن التعميم وأداء التداول.
• لا تتضمن الوثيقة تفاصيل تجريبية كافية لتقييم مدى قابلية نقل النتائج مباشرة إلى أسواق أو سياقات أخرى.

الوسوم

# Tail-risk protection: Machine Learning meets modern Econometrics


# Tail-risk protection: Machine Learning meets modern Econometrics









Tail risk protection is in the focus of the financial industry and requires solid mathematical and statistical tools, especially when a trading strategy is derived. Recent hype driven by machine learning (ML) mechanisms has raised the necessity to display and understand the functionality of ML tools. In this paper, we present a dynamic tail risk protection strategy that targets a maximum predefined level of risk measured by Value-At-Risk while controlling for participation in bull market regimes. We propose different weak classifiers, parametric and non-parametric, that estimate the exceedance probability of the risk level from which we derive trading signals in order to hedge tail events. We then compare the different approaches both with statistical and trading strategy performance, finally we propose an ensemble classifier that produces a meta tail risk protection strategy improving both generalization and trading performance.

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.