پوشش ریسک دنباله‌ای مبتنی بر VaR با طبقه‌بندهای یادگیری ماشین
خلاصه
این مقاله راهبردی پویا برای محافظت از پرتفوی در برابر زیان‌های دنباله‌ای و در عین حال حفظ مشارکت در رژیم‌های بازار صعودی توصیف می‌کند. این روش سطح هدف حداکثری ارزش در معرض ریسک را تعیین می‌کند و از طبقه‌بندها برای برآورد احتمال فراتررفتن از این آستانه ریسک استفاده می‌کند. سپس احتمال‌های برآوردشده عبور از آستانه به سیگنال‌های معاملاتی تبدیل می‌شوند که برای پوشش رویدادهای دنباله‌ای در نظر گرفته شده‌اند.
نویسندگان طبقه‌بندهای ضعیف پارامتری و ناپارامتری را با معیارهای آماری و عملکرد راهبرد معاملاتی مقایسه می‌کنند و سپس طبقه‌بندها را در یک فراراهبرد گروهی ترکیب می‌کنند. آن‌ها گزارش می‌کنند که این مجموعه، در مقایسه با رویکردهای منفرد، تعمیم‌پذیری و عملکرد معاملاتی را بهبود می‌دهد. سند دارایی‌ها، دوره داده، طراحی دقیق طبقه‌بندها یا ارقام مفصل عملکرد را مشخص نمی‌کند؛ بنابراین از روی این خلاصه به‌تنهایی نمی‌توان قدرت و قابلیت انتقال شواهد را ارزیابی کرد. کنترل آستانه VaR نیز فقط یکی از جنبه‌های ریسک پرتفوی را توصیف می‌کند؛ رفتار راهبرد به آستانه انتخاب‌شده، برآوردهای احتمال و نحوه اجرای پوشش بستگی دارد.
ایده‌های کلیدی
- راهبرد یک حداکثر از پیش تعیین‌شده برای ارزش در معرض ریسک هدف می‌گیرد و می‌کوشد مشارکت در بازارهای صعودی را حفظ کند.
- طبقه‌بندها احتمال عبور از آستانه ریسک را برآورد می‌کنند و برآوردهایشان سیگنال‌های پوشش را هدایت می‌کند.
- این پژوهش طبقه‌بندهای ضعیف پارامتری و ناپارامتری را با معیارهای آماری و معاملاتی مقایسه می‌کند.
- مجموعه‌ای از طبقه‌بندها خروجی‌ها را ترکیب می‌کند و گزارش شده است که تعمیم‌پذیری و عملکرد معاملاتی را بهبود می‌دهد.
- سند جزئیات آزمایشی کافی ندارد و ممکن است نتایج مستقیماً به بازارها یا شرایط دیگر تعمیم‌پذیر نباشند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.