Phòng hộ rủi ro đuôi theo VaR bằng bộ phân loại học máy

Tóm tắt

Bài nghiên cứu mô tả một chiến lược linh hoạt để bảo vệ danh mục trước các khoản lỗ ở đuôi phân phối, đồng thời duy trì mức độ tham gia trong các chế độ thị trường giá lên. Chiến lược đặt mức Value-at-Risk mục tiêu tối đa và dùng các bộ phân loại để ước lượng xác suất vượt ngưỡng rủi ro này. Sau đó, xác suất vượt ngưỡng ước tính được chuyển thành tín hiệu giao dịch nhằm phòng hộ các biến cố ở đuôi.

Các tác giả so sánh các bộ phân loại yếu có tham số và phi tham số bằng cả thước đo thống kê lẫn hiệu suất chiến lược giao dịch, rồi kết hợp các bộ phân loại thành một siêu chiến lược tổ hợp. Họ báo cáo rằng tổ hợp cải thiện khả năng khái quát hóa và hiệu suất giao dịch so với từng phương pháp riêng lẻ. Tài liệu không nêu tài sản, giai đoạn dữ liệu, thiết kế bộ phân loại cụ thể hoặc số liệu hiệu suất chi tiết, nên chỉ riêng bản tóm tắt này chưa đủ để đánh giá sức mạnh và khả năng áp dụng rộng của bằng chứng. Kiểm soát ngưỡng VaR cũng chỉ mô tả một khía cạnh của rủi ro danh mục; hành vi chiến lược phụ thuộc vào ngưỡng được chọn, các ước lượng xác suất và cách triển khai phòng hộ.

Ý chính

• Chiến lược đặt mục tiêu Value-at-Risk tối đa xác định trước, đồng thời tìm cách duy trì mức tham gia trong thị trường giá lên.
• Các bộ phân loại ước lượng xác suất vượt ngưỡng rủi ro, và các ước lượng đó tạo tín hiệu phòng hộ.
• Nghiên cứu so sánh các bộ phân loại yếu có tham số và phi tham số bằng thước đo thống kê và giao dịch.
• Tổ hợp kết hợp đầu ra của các bộ phân loại và được báo cáo là cải thiện khả năng khái quát hóa cùng hiệu suất giao dịch.
• Tài liệu thiếu đủ chi tiết thực nghiệm để kết luận rằng kết quả sẽ áp dụng trực tiếp cho thị trường hoặc bối cảnh khác.

Thẻ

# 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.

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.