مشین لرننگ درجہ بندوں سے وی اے آر پر مبنی دُم کے خطرے کی ہیجنگ

خلاصہ

یہ مقالہ تیزی کی منڈی کی حالتوں میں شرکت برقرار رکھتے ہوئے پورٹ فولیو کو دُم کے نقصانات سے بچانے کی متحرک اسٹریٹیجی بیان کرتا ہے۔ یہ ویلیو ایٹ رسک کی زیادہ سے زیادہ ہدف سطح مقرر کرتا ہے اور اس امکان کا تخمینہ لگانے کے لیے درجہ بند استعمال کرتا ہے کہ خطرے کی یہ حد پار ہو جائے گی۔ پھر تخمینہ شدہ حد سے تجاوز کے امکانات کو دُم کے واقعات کی ہیجنگ کے لیے بنائے گئے ٹریڈنگ سگنلز میں بدلا جاتا ہے۔

مصنفین پیرامیٹرک اور نان پیرامیٹرک کمزور درجہ بندوں کا شماریاتی پیمانوں اور ٹریڈنگ اسٹریٹیجی کی کارکردگی دونوں سے موازنہ کرتے ہیں، پھر انہیں ایک اینسمبل میٹا اسٹریٹیجی میں یکجا کرتے ہیں۔ ان کے مطابق اینسمبل انفرادی طریقوں کے مقابلے میں عمومی اطلاق اور ٹریڈنگ کارکردگی بہتر کرتا ہے۔ دستاویز اثاثے، ڈیٹا کی مدت، درجہ بندوں کے عین ڈیزائن یا کارکردگی کے تفصیلی اعداد نہیں بتاتی، اس لیے صرف اس خلاصے سے شواہد کی مضبوطی اور قابلِ انتقال ہونے کا جائزہ نہیں لیا جا سکتا۔ وی اے آر کی حد کا کنٹرول بھی پورٹ فولیو کے خطرے کا صرف ایک پہلو بیان کرتا ہے؛ اسٹریٹیجی کا رویہ منتخب حد، امکان کے تخمینوں اور ہیج کے نفاذ پر منحصر ہے۔

اہم خیالات

• اسٹریٹیجی تیزی کی منڈیوں میں شرکت برقرار رکھنے کی کوشش کے ساتھ ویلیو ایٹ رسک کی پہلے سے مقررہ زیادہ سے زیادہ حد ہدف بناتی ہے۔
• درجہ بند خطرے کی حد پار ہونے کے امکان کا تخمینہ لگاتے ہیں، اور ان کے تخمینے ہیج سگنلز چلاتے ہیں۔
• مطالعہ پیرامیٹرک اور نان پیرامیٹرک کمزور درجہ بندوں کا شماریاتی اور ٹریڈنگ پیمانوں سے موازنہ کرتا ہے۔
• ایک اینسمبل درجہ بندوں کے نتائج کو یکجا کرتا ہے اور عمومی اطلاق و ٹریڈنگ کارکردگی بہتر کرنے کی اطلاع دیتا ہے۔
• دستاویز میں تجربے کی اتنی تفصیل نہیں کہ نتائج براہِ راست دوسری منڈیوں یا حالات پر لاگو کیے جا سکیں۔

ٹیگز

# 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.

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۔