Couverture du risque de queue par la VaR et des classificateurs d’apprentissage automatique

Résumé

Cet article décrit une stratégie dynamique visant à protéger un portefeuille contre les pertes extrêmes tout en conservant une exposition aux marchés haussiers. Elle fixe un niveau maximal cible de valeur à risque et utilise des classificateurs pour estimer la probabilité de dépassement de ce seuil de risque. Les probabilités de dépassement estimées sont ensuite converties en signaux de trading destinés à couvrir les événements de queue.

Les auteurs comparent des classificateurs faibles paramétriques et non paramétriques au moyen de mesures statistiques et de la performance de stratégies de trading, puis combinent les classificateurs dans une méta-stratégie d’ensemble. Ils rapportent que l’ensemble améliore la généralisation et la performance de trading par rapport aux approches individuelles. Le document ne précise ni les actifs, ni la période des données, ni les conceptions exactes des classificateurs, ni les chiffres détaillés de performance ; la solidité et la transférabilité des résultats ne peuvent donc pas être évaluées à partir de ce seul résumé. Le contrôle d’un seuil de VaR ne décrit par ailleurs qu’un aspect du risque de portefeuille ; le comportement de la stratégie dépend du seuil choisi, des estimations de probabilité et de la mise en œuvre de la couverture.

Idées clés

• La stratégie vise une valeur à risque maximale prédéfinie tout en cherchant à préserver l’exposition aux marchés haussiers.
• Des classificateurs estiment la probabilité de franchir le seuil de risque, et leurs estimations déterminent les signaux de couverture.
• L’étude compare des classificateurs faibles paramétriques et non paramétriques au moyen de mesures statistiques et de trading.
• Un ensemble combine les résultats des classificateurs et améliorerait la généralisation et la performance de trading.
• Le document omet assez de détails expérimentaux pour que les résultats ne soient pas directement transposables à d’autres marchés ou contextes.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.