सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

मल्टी-एसेट टेल-रिस्क परिदृश्य सिमुलेशन के लिए Tail-GAN

लेख arXiv papers · लेखक: Rama Cont et al.
मूल स्रोत पढ़ें

सारांश

Tail-GAN डेटा-आधारित परिदृश्य जनरेटर है, जिसे उच्च-आयामी मल्टी-एसेट पोर्टफ़ोलियो के लिए यथार्थपरक संयुक्त मूल्य-गतिशीलता का सिमुलेशन करने के लिए बनाया गया है; इसमें वितरण के टेल में होने वाले नुकसान पर ज़ोर है। जोखिम में मूल्य (Value-at-Risk) और अपेक्षित शॉर्टफ़ॉल की संयुक्त इलिसिटेबिलिटी का उपयोग करके यह इन जोखिम विशेषताओं को सुरक्षित रखने के लिए जनरेटिव एडवर्सेरियल नेटवर्क को प्रशिक्षित करता है। इसके लक्षित उपयोगों में सिमुलेटेड बाज़ार परिदृश्यों के अंतर्गत स्थिर और गतिशील, दोनों तरह की ट्रेडिंग रणनीतियों का मूल्यांकन शामिल है।

शोधपत्र सिंथेटिक और बाज़ार डेटा पर संख्यात्मक प्रयोगों की जानकारी देता है। इसके अनुसार, यह तरीका रणनीतियों के व्यापक वर्ग के टेल जोखिम को पकड़ता है और प्रशिक्षण उदाहरणों से आगे भी सामान्यीकृत होता है। इनपुट डेटा पर लागू प्रधान घटक विश्लेषण से बड़े-आयामी समय-श्रृंखलाओं के लिए विस्तार-क्षमता में सुधार होने की बात भी बताई गई है। दिए गए विवरण में एसेट, मूल्यांकन माप या तुलनात्मक परिणाम विस्तार से नहीं हैं, इसलिए इन दावों का स्वतंत्र आकलन इस सारांश से संभव नहीं है। परिदृश्यों की गुणवत्ता इनपुट डेटा की प्रतिनिधित्वशीलता पर निर्भर रहती है और इससे यह सुनिश्चित नहीं होता कि भविष्य की टेल घटनाएँ सिमुलेशन जैसी होंगी।

मुख्य विचार

  • Tail-GAN मल्टी-एसेट मूल्य-गतिशीलता के संयुक्त परिदृश्य बनाता है और पोर्टफ़ोलियो के टेल नुकसान पर ध्यान देता है।
  • मॉडल प्रशिक्षण लक्ष्य के रूप में जोखिम में मूल्य और अपेक्षित शॉर्टफ़ॉल की संयुक्त इलिसिटेबिलिटी का उपयोग करता है।
  • यह ढाँचा स्थिर और गतिशील ट्रेडिंग रणनीतियों का आकलन करने के लिए बनाया गया है।
  • सिंथेटिक और बाज़ार डेटा के प्रयोगों में टेल-जोखिम पहचान और रणनीतियों के बीच सामान्यीकरण की सूचना दी गई है।
  • बड़े-आयामी समय-श्रृंखलाओं तक विस्तार-क्षमता सुधारने के लिए प्रधान घटक विश्लेषण का उपयोग किया गया है।

टैग

बहु-एसेटमशीन लर्निंगजोखिम प्रबंधनपोर्टफोलियो निर्माणसांख्यिकी
पूरा पाठ
# Tail-GAN: Learning to Simulate Tail Risk Scenarios


# Tail-GAN: Learning to Simulate Tail Risk Scenarios









The estimation of loss distributions for dynamic portfolios requires the simulation of scenarios representing realistic joint dynamics of their components. We propose a novel data-driven approach for simulating realistic, high-dimensional multi-asset scenarios, focusing on accurately representing tail risk for a class of static and dynamic trading strategies. We exploit the joint elicitability property of Value-at-Risk (VaR) and Expected Shortfall (ES) to design a Generative Adversarial Network (GAN) that learns to simulate price scenarios preserving these tail risk features. We demonstrate the performance of our algorithm on synthetic and market data sets through detailed numerical experiments. In contrast to previously proposed data-driven scenario generators, our proposed method correctly captures tail risk for a broad class of trading strategies and demonstrates strong generalization capabilities. In addition, combining our method with principal component analysis of the input data enhances its scalability to large-dimensional multi-asset time series, setting our framework apart from the univariate settings commonly considered in the literature.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।