Proteção contra risco de cauda baseada em VaR e classificadores de aprendizado de máquina

Resumo

Este artigo descreve uma estratégia dinâmica para proteger uma carteira contra perdas de cauda, mantendo a participação em regimes de alta do mercado. A estratégia define um nível máximo desejado de Value-at-Risk e usa classificadores para estimar a probabilidade de esse limite de risco ser excedido. As probabilidades estimadas de excedência são então convertidas em sinais de trading destinados a proteger contra eventos de cauda.

Os autores comparam classificadores fracos paramétricos e não paramétricos usando medidas estatísticas e o desempenho das estratégias de trading e, em seguida, combinam os classificadores em uma metastratégia de ensemble. Eles relatam que o ensemble melhora a generalização e o desempenho de trading em relação às abordagens individuais. O documento não especifica os ativos, o período dos dados, os desenhos exatos dos classificadores nem números detalhados de desempenho, portanto este resumo não permite avaliar a força e a portabilidade das evidências. O controle do limite de VaR também descreve apenas um aspecto do risco da carteira; o comportamento da estratégia depende do limite escolhido, das estimativas de probabilidade e de como a proteção é implementada.

Ideias principais

• A estratégia visa um Value-at-Risk máximo predefinido e busca manter a participação em mercados de alta.
• Classificadores estimam a probabilidade de ultrapassar o limite de risco, e essas estimativas orientam os sinais de proteção.
• O estudo compara classificadores fracos paramétricos e não paramétricos usando medidas estatísticas e de trading.
• Um ensemble combina as saídas dos classificadores e, segundo o relato, melhora a generalização e o desempenho de trading.
• O documento omite detalhes experimentais suficientes para que os resultados talvez não se apliquem diretamente a outros mercados ou contextos.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.