Cobertura del riesgo de cola basada en VaR con clasificadores de aprendizaje automático

Resumen

Este artículo describe una estrategia dinámica para proteger una cartera frente a pérdidas de cola y mantener al mismo tiempo la participación en mercados alcistas. Fija un nivel máximo objetivo de valor en riesgo y utiliza clasificadores para estimar la probabilidad de superar ese umbral de riesgo. Después, convierte las probabilidades estimadas de superación en señales de trading destinadas a cubrir eventos de cola.

Los autores comparan clasificadores débiles paramétricos y no paramétricos mediante medidas estadísticas y el rendimiento de las estrategias de trading, y luego combinan los clasificadores en una metastrategia de conjunto. Afirman que el conjunto mejora la generalización y el rendimiento de trading frente a los métodos individuales. El documento no especifica los activos, el periodo de datos, el diseño exacto de los clasificadores ni cifras detalladas de rendimiento, por lo que este resumen no permite evaluar la solidez ni la portabilidad de la evidencia. El control de un umbral de VaR también describe solo un aspecto del riesgo de cartera; el comportamiento de la estrategia depende del umbral elegido, de las estimaciones de probabilidad y de cómo se implemente la cobertura.

Ideas clave

• La estrategia establece un valor en riesgo máximo predefinido y busca mantener la participación en mercados alcistas.
• Los clasificadores estiman la probabilidad de superar el umbral de riesgo y sus estimaciones generan señales de cobertura.
• El estudio compara clasificadores débiles paramétricos y no paramétricos mediante medidas estadísticas y de trading.
• Un conjunto combina las salidas de los clasificadores y, según se afirma, mejora la generalización y el rendimiento de trading.
• El documento omite suficientes detalles experimentales como para que los resultados no puedan trasladarse directamente a otros mercados o contextos.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.