Absicherung von Extremrisiken mit VaR und Machine Learning

Zusammenfassung

Diese Arbeit beschreibt eine dynamische Strategie, die ein Portfolio vor Extremverlusten schützen und zugleich die Teilnahme an Haussephasen ermöglichen soll. Sie legt einen maximalen Zielwert für den Value at Risk fest und verwendet Klassifikatoren, um die Wahrscheinlichkeit einer Überschreitung dieser Risikoschwelle zu schätzen. Die geschätzten Überschreitungswahrscheinlichkeiten werden anschließend in Handelssignale umgewandelt, die Extremereignisse absichern sollen.

Die Autoren vergleichen parametrische und nichtparametrische schwache Klassifikatoren anhand statistischer Maße und der Performance der Handelsstrategie. Anschließend kombinieren sie die Klassifikatoren in einer Meta-Strategie aus mehreren Modellen. Ihren Angaben zufolge verbessert diese Kombination die Verallgemeinerungsfähigkeit und die Handelsperformance gegenüber den einzelnen Ansätzen. Das Dokument nennt weder die Vermögenswerte und den Datenzeitraum noch die genauen Klassifikatoren oder detaillierte Performancezahlen. Daher lässt sich anhand dieser Zusammenfassung allein weder die Aussagekraft noch die Übertragbarkeit der Evidenz beurteilen. Die Steuerung einer VaR-Schwelle bildet zudem nur einen Aspekt des Portfoliorisikos ab; das Verhalten der Strategie hängt von der gewählten Schwelle, den Wahrscheinlichkeitsschätzungen und der Umsetzung der Absicherung ab.

Kernaussagen

• Die Strategie zielt auf einen vorab festgelegten maximalen Value at Risk und soll zugleich die Teilnahme an Haussephasen erhalten.
• Klassifikatoren schätzen die Wahrscheinlichkeit einer Überschreitung der Risikoschwelle; ihre Schätzungen liefern Absicherungssignale.
• Die Studie vergleicht parametrische und nichtparametrische schwache Klassifikatoren anhand statistischer und handelsbezogener Kennzahlen.
• Eine Kombination aus mehreren Modellen führt Klassifikatorausgaben zusammen und soll die Verallgemeinerungsfähigkeit und Handelsperformance verbessern.
• Das Dokument enthält zu wenige Angaben zum Versuchsaufbau, um eine direkte Übertragung der Ergebnisse auf andere Märkte oder Umgebungen beurteilen zu können.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.