본문으로 건너뛰기
라이브러리 문서 전체

다중 자산 꼬리 위험 시나리오 생성을 위한 Tail-GAN

기사 arXiv papers · 저자: Rama Cont et al.
원문 읽기

요약

Tail-GAN은 고차원 다중 자산 포트폴리오의 현실적인 결합 가격 동학을 모의 생성하는 데이터 기반 시나리오 생성기로, 분포 꼬리의 손실에 초점을 둡니다. 위험 측정 특성을 보존하도록 생성적 적대 신경망을 훈련하는 데 VaR와 기대손실의 결합 엘리시터빌리티를 활용합니다. 시뮬레이션한 시장 시나리오에서 정적·동적 트레이딩 전략을 평가하는 데 사용하도록 설계됐습니다.

논문은 합성 데이터와 시장 데이터에서 수치 실험을 수행했다고 보고합니다. 이 접근법은 다양한 전략의 꼬리 위험을 포착하고 훈련 예시를 넘어 일반화한다고 설명합니다. 입력 데이터에 적용한 주성분 분석은 고차원 시계열의 확장성도 높였다고 보고합니다. 제공된 설명에는 자산, 평가 지표, 비교 결과의 세부 사항이 없어 이 요약만으로 주장을 독립적으로 평가할 수 없습니다. 시나리오의 품질은 입력 데이터의 대표성에 좌우되며, 미래의 꼬리 사건이 시뮬레이션과 일치한다고 보장하지 않습니다.

핵심 아이디어

  • Tail-GAN은 포트폴리오 꼬리 손실에 초점을 두고 다중 자산 가격 동학의 결합 시나리오를 생성합니다.
  • 모델은 VaR와 기대손실의 결합 엘리시터빌리티를 훈련 목표로 사용합니다.
  • 이 프레임워크는 정적·동적 트레이딩 전략을 평가하도록 설계됐습니다.
  • 합성 데이터와 시장 데이터 실험에서 전략 전반의 꼬리 위험 포착과 일반화가 보고됩니다.
  • 주성분 분석을 사용해 고차원 시계열로 확장할 수 있도록 합니다.

태그

멀티에셋머신러닝리스크 관리포트폴리오 구성통계
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.