Tail-GAN для моделирования сценариев хвостового риска портфеля

Сводка

Tail-GAN — генератор сценариев на основе данных, предназначенный для моделирования реалистичной совместной динамики цен в многомерных портфелях из нескольких активов с акцентом на убытки в хвосте распределения. Для обучения генеративной состязательной сети с сохранением этих характеристик риска используется совместная элицируемость Value-at-Risk и Expected Shortfall. Подход предназначен, в частности, для оценки статических и динамических торговых стратегий в смоделированных рыночных сценариях.

В статье описаны численные эксперименты на синтетических и рыночных данных. По утверждению авторов, подход учитывает хвостовой риск для широкого класса стратегий и обобщается за пределы обучающих примеров. Также сообщается, что применение анализа главных компонент к входным данным повышает масштабируемость для временных рядов большой размерности. В представленном описании не указаны активы, метрики оценки или подробные результаты сравнения, поэтому эти утверждения нельзя независимо проверить по краткому изложению. Качество сценариев по-прежнему зависит от того, насколько входные данные репрезентативны, и не гарантирует, что будущие хвостовые события будут соответствовать смоделированным.

Ключевые идеи

• Tail-GAN генерирует совместные сценарии динамики цен нескольких активов, уделяя особое внимание хвостовым убыткам портфеля.
• Модель использует совместную элицируемость Value-at-Risk и Expected Shortfall в качестве целевых показателей при обучении.
• Подход предназначен для оценки статических и динамических торговых стратегий.
• Эксперименты на синтетических и рыночных данных указывают на учёт хвостового риска и обобщение результатов на разные стратегии.
• Анализ главных компонент применяется для повышения масштабируемости при работе с временными рядами большой размерности.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.