Tail-GAN mô phỏng kịch bản rủi ro đuôi cho nhiều tài sản

Tóm tắt

Tail-GAN là bộ tạo kịch bản dựa trên dữ liệu, được thiết kế để mô phỏng động thái giá chung thực tế cho danh mục nhiều tài sản có số chiều cao, tập trung vào các khoản lỗ ở phần đuôi của phân phối. Phương pháp sử dụng tính khả định đồng thời của Value-at-Risk và Expected Shortfall để huấn luyện mạng đối sinh tạo sinh nhằm bảo toàn các đặc tính rủi ro này. Mục đích sử dụng bao gồm đánh giá cả chiến lược giao dịch tĩnh và động trong các kịch bản thị trường mô phỏng.

Bài nghiên cứu báo cáo các thử nghiệm số trên dữ liệu tổng hợp và dữ liệu thị trường. Bài cho biết phương pháp nắm bắt rủi ro đuôi cho nhiều loại chiến lược và khái quát được ra ngoài các ví dụ huấn luyện. Phân tích thành phần chính áp dụng cho dữ liệu đầu vào cũng được báo cáo là giúp cải thiện khả năng mở rộng cho chuỗi thời gian nhiều chiều. Mô tả được cung cấp không nêu cụ thể tài sản, thước đo đánh giá hay kết quả so sánh, nên không thể đánh giá độc lập các khẳng định từ phần tóm tắt này. Chất lượng kịch bản vẫn phụ thuộc vào mức độ đại diện của dữ liệu đầu vào và không đảm bảo rằng các sự kiện đuôi trong tương lai sẽ khớp với mô phỏng.

Ý chính

• Tail-GAN tạo các kịch bản chung cho động thái giá nhiều tài sản, tập trung vào khoản lỗ đuôi của danh mục.
• Mô hình dùng khả năng xác định đồng thời Value-at-Risk và Expected Shortfall làm mục tiêu huấn luyện.
• Khuôn khổ được thiết kế để đánh giá chiến lược giao dịch tĩnh và động.
• Thử nghiệm trên dữ liệu tổng hợp và dữ liệu thị trường báo cáo khả năng nắm bắt rủi ro đuôi và khái quát giữa các chiến lược.
• Phân tích thành phần chính được dùng để cải thiện khả năng mở rộng cho chuỗi thời gian nhiều chiều.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.