सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

VaR और मशीन लर्निंग क्लासिफ़ायर से टेल-रिस्क हेजिंग

लेख arXiv papers · लेखक: Bruno Spilak et al.
मूल स्रोत पढ़ें

सारांश

यह शोधपत्र तेज़ी वाले बाज़ार चरणों में भागीदारी बनाए रखते हुए पोर्टफोलियो को टेल लॉस से बचाने की एक गतिशील रणनीति बताता है। यह वैल्यू-एट-रिस्क का अधिकतम लक्ष्य स्तर तय करता है और इस जोखिम सीमा के पार जाने की संभावना का अनुमान लगाने के लिए क्लासिफ़ायर उपयोग करता है। सीमा पार होने की अनुमानित संभावनाओं को फिर टेल घटनाओं से बचाव के लिए ट्रेडिंग संकेतों में बदला जाता है।

लेखक सांख्यिकीय मापों और ट्रेडिंग रणनीति के प्रदर्शन, दोनों के आधार पर पैरामीट्रिक और गैर-पैरामीट्रिक कमज़ोर क्लासिफ़ायर की तुलना करते हैं, फिर उन्हें एक एन्सेम्बल मेटा-रणनीति में जोड़ते हैं। वे बताते हैं कि अलग-अलग तरीकों की तुलना में एन्सेम्बल सामान्यीकरण क्षमता और ट्रेडिंग प्रदर्शन बेहतर करता है। दस्तावेज़ में एसेट, डेटा अवधि, क्लासिफ़ायर की सटीक संरचना या विस्तृत प्रदर्शन आँकड़े नहीं दिए गए हैं, इसलिए इस सारांश से प्रमाण की मज़बूती और हस्तांतरणीयता का आकलन नहीं किया जा सकता। VaR सीमा का नियंत्रण पोर्टफोलियो जोखिम का केवल एक पहलू बताता है; रणनीति का व्यवहार चुनी गई सीमा, संभावना अनुमानों और हेज लागू करने के तरीके पर निर्भर करता है।

मुख्य विचार

  • रणनीति तेज़ी वाले बाज़ारों में भागीदारी बनाए रखने का प्रयास करते हुए पूर्वनिर्धारित अधिकतम वैल्यू-एट-रिस्क लक्ष्य रखती है।
  • क्लासिफ़ायर जोखिम सीमा पार होने की संभावना का अनुमान लगाते हैं और ये अनुमान हेज संकेतों को दिशा देते हैं।
  • अध्ययन सांख्यिकीय और ट्रेडिंग मापों से पैरामीट्रिक तथा गैर-पैरामीट्रिक कमज़ोर क्लासिफ़ायर की तुलना करता है।
  • एन्सेम्बल क्लासिफ़ायर के परिणाम जोड़ता है और इससे सामान्यीकरण तथा ट्रेडिंग प्रदर्शन बेहतर होने की रिपोर्ट है।
  • दस्तावेज़ में प्रयोग का पर्याप्त विवरण नहीं है, इसलिए परिणाम अन्य बाज़ारों या परिस्थितियों में सीधे लागू नहीं हो सकते।

टैग

मशीन लर्निंगजोखिम प्रबंधनसांख्यिकीबैकटेस्टिंग
पूरा पाठ
# 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.

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।