コンテンツへスキップ
ライブラリの全資料

機械学習分類器を用いたVaRベースのテールリスクヘッジ

記事 arXiv papers · 著者: Bruno Spilak et al.
原文を読む

サマリー

この論文は、強気相場への参加を維持しながら、ポートフォリオをテール損失から守る動的戦略を説明しています。バリュー・アット・リスクの上限目標を設定し、分類器を使ってこのリスク閾値を超える確率を推定します。推定した超過確率を、テール事象をヘッジするための売買シグナルに変換します。

著者らは、統計指標とトレード戦略の運用成績の両方を用いて、パラメトリックおよびノンパラメトリックの弱分類器を比較し、その後、分類器をアンサンブルのメタ戦略にまとめています。アンサンブルは個別の方法より汎化性能と取引成績を改善したと報告しています。対象資産、データ期間、個々の分類器の設計、詳細な運用成績は示されていないため、この要約だけでは証拠の強さや適用可能性を評価できません。VaR閾値の管理はポートフォリオリスクの一側面にすぎず、戦略の挙動は選択した閾値、確率推定、ヘッジの実装方法に左右されます。

主なアイデア

  • 強気相場への参加を維持しながら、あらかじめ定めたバリュー・アット・リスク上限を目標とします。
  • 分類器がリスク閾値の超過確率を推定し、その推定値をヘッジシグナルに使います。
  • 統計指標と取引指標を用いて、パラメトリックとノンパラメトリックの弱分類器を比較しています。
  • 分類器の出力を統合するアンサンブルは、汎化性能と取引成績を改善したと報告されています。
  • 実験の詳細が十分に示されておらず、他市場や他の状況に結果を直接適用できるかは不明です。

タグ

機械学習リスク管理統計バックテスト
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。