Хеджирование хвостового риска по VaR с классификаторами машинного обучения

Сводка

В работе описана динамическая стратегия защиты портфеля от хвостовых убытков с сохранением участия в бычьих рыночных режимах. Она задаёт максимальный целевой уровень стоимости под риском и использует классификаторы для оценки вероятности превышения этого порога риска. Затем оценённые вероятности превышения преобразуются в торговые сигналы, предназначенные для хеджирования хвостовых событий.

Авторы сравнивают параметрические и непараметрические слабые классификаторы по статистическим показателям и эффективности торговой стратегии, а затем объединяют классификаторы в ансамблевую метастратегию. Согласно их сообщению, ансамбль улучшает обобщающую способность и результаты торговли относительно отдельных подходов. В документе не указаны активы, период данных, конкретная конструкция классификаторов или подробные показатели эффективности, поэтому по этой сводке нельзя оценить убедительность и переносимость результатов. Контроль порога стоимости под риском описывает лишь один аспект риска портфеля; поведение стратегии зависит от выбранного порога, оценок вероятности и реализации хеджа.

Ключевые идеи

• Стратегия нацелена на заранее заданный максимальный уровень стоимости под риском и стремится сохранить участие в бычьих рынках.
• Классификаторы оценивают вероятность превышения порога риска, а полученные оценки задают сигналы для хеджирования.
• В исследовании параметрические и непараметрические слабые классификаторы сравниваются по статистическим и торговым показателям.
• Ансамбль объединяет выходы классификаторов; сообщается, что он улучшает обобщающую способность и результаты торговли.
• В документе недостаточно подробностей экспериментов, чтобы напрямую переносить результаты на другие рынки или условия.

Теги

# 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.

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.