跳至正文
返回文库全部文档

基于VaR的尾部风险对冲与机器学习分类器

文章 arXiv papers · 作者: Bruno Spilak et al.
阅读原文

总结

这篇论文介绍一种动态策略，旨在保护投资组合免受尾部损失，同时保留参与牛市行情的机会。该策略设定风险价值的最高目标水平，并使用分类器估计风险超过该阈值的概率。随后，估计出的超阈概率被转化为交易信号，用于对冲尾部事件。

作者使用统计指标和交易策略表现，比较参数化与非参数化弱分类器，再将分类器组合成集成元策略。作者报告称，与单独方法相比，集成方法提高了泛化能力和交易表现。文档未说明资产、数据期间、具体分类器设计或详细绩效数据，因此仅凭该摘要无法评估证据的力度和可迁移性。VaR阈值控制也只描述了投资组合风险的一个方面；策略表现取决于所选阈值、概率估计以及对冲的实施方式。

核心观点

  • 该策略设定预先确定的最高风险价值，同时力求保留参与牛市的机会。
  • 分类器估计突破风险阈值的概率，估计结果用于生成对冲信号。
  • 研究使用统计指标和交易指标比较参数化与非参数化弱分类器。
  • 集成方法组合分类器输出，据报告可提升泛化能力和交易表现。
  • 文档缺少足够的实验细节，因此结果未必能直接推广到其他市场或情境。

标签

机器学习风险管理统计学回测
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。