גידור סיכון זנב לפי VaR באמצעות מסווגי למידת מכונה
סיכום
המאמר מתאר אסטרטגיה דינמית להגנה על תיק מפני הפסדי זנב תוך שמירה על השתתפות במשטרי שוק עולה. היא קובעת רמת יעד מרבית של Value-at-Risk ומשתמשת במסווגים לאמידת ההסתברות לחריגה מסף הסיכון הזה. לאחר מכן ההסתברויות המשוערות לחריגה מומרות לאותות מסחר שנועדו לגדר אירועי זנב.
המחברים משווים מסווגים חלשים פרמטריים ולא־פרמטריים באמצעות מדדים סטטיסטיים וביצועי אסטרטגיית מסחר, ואז משלבים אותם באסטרטגיית־על מסוג אנסמבל. הם מדווחים שהאנסמבל משפר את יכולת ההכללה ואת ביצועי המסחר ביחס לגישות הבודדות. המסמך אינו מפרט את הנכסים, תקופת הנתונים, המבנים המדויקים של המסווגים או נתוני ביצועים מפורטים, ולכן אי אפשר להעריך מסיכום זה לבדו את עוצמת הראיות ואת יכולת העברתן. בקרת סף VaR מתארת רק היבט אחד של סיכון התיק; התנהגות האסטרטגיה תלויה בסף שנבחר, באומדני ההסתברות ובאופן יישום הגידור.
רעיונות מרכזיים
- האסטרטגיה מכוונת לערך מרבי מוגדר מראש של Value-at-Risk, תוך שאיפה לשמור על השתתפות בשווקים עולים.
- מסווגים אומדים את ההסתברות לחריגה מסף הסיכון, והאומדנים שלהם מניעים אותות גידור.
- המחקר משווה מסווגים חלשים פרמטריים ולא־פרמטריים באמצעות מדדים סטטיסטיים ומדדי מסחר.
- אנסמבל משלב פלטים של מסווגים, ולפי הדיווח משפר יכולת הכללה וביצועי מסחר.
- המסמך משמיט פרטי ניסוי רבים, ולכן ייתכן שהתוצאות לא יעברו ישירות לשווקים או למסגרות אחרות.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.