کثیر اثاثہ پورٹ فولیوز کے انتہائی نقصان کے منظرناموں کے لیے ٹیل-GAN

خلاصہ

ٹیل-GAN ڈیٹا پر مبنی منظرنامہ ساز ہے، جسے کثیر جہتی کثیر اثاثہ پورٹ فولیوز کے لیے قیمتوں کی حقیقت پسندانہ مشترکہ حرکیات کی نقل بنانے کے واسطے تیار کیا گیا ہے؛ اس میں تقسیم کے انتہائی سرے کے نقصانات پر زور ہے۔ یہ ویلیو ایٹ رسک اور ایکسپیکٹڈ شارٹ فال کی مشترکہ ایلیسیٹیبلٹی استعمال کرکے جنریٹو ایڈورسریئل نیٹ ورک کو تربیت دیتا ہے تاکہ خطرے کی ان خصوصیات کو برقرار رکھا جا سکے۔ اس کا مطلوبہ استعمال نقلی مارکیٹ منظرناموں میں ساکن اور متحرک، دونوں قسم کی ٹریڈنگ اسٹریٹیجیوں کا جائزہ لینا ہے۔

مقالہ مصنوعی اور مارکیٹ ڈیٹا پر عددی تجربات رپورٹ کرتا ہے۔ اس کے مطابق یہ طریقہ اسٹریٹیجیوں کے وسیع طبقے کے لیے انتہائی نقصان کے خطرے کو سمیٹتا ہے اور تربیتی مثالوں سے آگے بھی عام ہوتا ہے۔ ان پٹ ڈیٹا پر پرنسپل کمپوننٹ اینالیسس سے بڑے جہتی ٹائم سیریز کے لیے توسیع پذیری بہتر ہونے کی بھی اطلاع ہے۔ فراہم کردہ وضاحت اثاثوں، جائزے کے پیمانوں یا تقابلی نتائج کی تفصیل نہیں دیتی، اس لیے اس خلاصے سے دعووں کا آزادانہ جائزہ ممکن نہیں۔ منظرناموں کا معیار ان پٹ ڈیٹا کے نمائندہ ہونے سے منسلک ہے اور یہ یقینی نہیں بناتا کہ مستقبل کے انتہائی واقعات نقلی واقعات سے میل کھائیں گے۔

اہم خیالات

• ٹیل-GAN کثیر اثاثہ قیمتوں کی مشترکہ حرکیات کے منظرنامے بناتا ہے، جس میں پورٹ فولیو کے انتہائی نقصانات پر توجہ ہے۔
• ماڈل تربیتی اہداف کے طور پر ویلیو ایٹ رسک اور ایکسپیکٹڈ شارٹ فال کی مشترکہ ایلیسیٹیبلٹی استعمال کرتا ہے۔
• فریم ورک کا مقصد ساکن اور متحرک ٹریڈنگ اسٹریٹیجیوں کا جائزہ لینا ہے۔
• مصنوعی اور مارکیٹ ڈیٹا پر تجربات میں انتہائی نقصان کے خطرے کو سمیٹنے اور اسٹریٹیجیوں میں عمومیت کی اطلاع ہے۔
• بڑے جہتی ٹائم سیریز تک توسیع پذیری بہتر بنانے کے لیے پرنسپل کمپوننٹ اینالیسس استعمال کیا گیا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔