VaR 꼬리 위험 보호와 머신러닝

기사 arXiv papers · 저자: Bruno Spilak et al.

요약

이 논문은 강세장 국면에 계속 참여하면서 포트폴리오를 꼬리 손실로부터 보호하는 동적 전략을 설명합니다. 최대 목표 위험가치 수준을 설정하고 분류기를 이용해 이 위험 임계치를 초과할 확률을 추정합니다. 추정된 초과 확률은 꼬리 사건을 헤지하기 위한 매매 신호로 변환됩니다.

저자들은 통계 지표와 매매 전략 성과를 모두 사용해 모수적·비모수적 약한 분류기를 비교한 다음, 분류기를 앙상블 메타 전략으로 결합합니다. 개별 접근법보다 앙상블의 일반화 성능과 매매 성과가 개선됐다고 보고합니다. 문서에는 자산, 데이터 기간, 정확한 분류기 설계 또는 상세 성과 수치가 명시되지 않아 이 요약만으로는 근거의 강도와 적용 범위를 평가할 수 없습니다. VaR 임계치 통제는 포트폴리오 위험의 한 측면만 설명하며, 전략의 움직임은 선택한 임계치와 확률 추정치, 헤지 구현 방식에 따라 달라집니다.

핵심 아이디어

이 전략은 강세장 참여를 유지하면서 사전에 정한 최대 위험가치를 목표로 합니다.
분류기가 위험 임계치를 넘을 확률을 추정하고, 이 추정치가 헤지 신호를 만듭니다.
연구는 통계 지표와 매매 지표를 사용해 모수적·비모수적 약한 분류기를 비교합니다.
앙상블은 분류기 출력을 결합하며 일반화 성능과 매매 성과를 개선한다고 보고됩니다.
문서에는 실험 세부 정보가 충분하지 않아 결과가 다른 시장이나 환경에 그대로 적용되지 않을 수 있습니다.

# 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.

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

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

머신러닝 분류기를 이용한 VaR 기반 꼬리 위험 헤지

요약

핵심 아이디어

태그