論文の概要: Scenario generation for market risk models using generative neural networks

• arxiv url: http://arxiv.org/abs/2109.10072v1
• Date: Tue, 21 Sep 2021 10:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:06:41.059290
• Title: Scenario generation for market risk models using generative neural networks
• Title（参考訳）: 生成ニューラルネットワークを用いた市場リスクモデルのシナリオ生成
• Authors: Solveig Flaig and Gero Junike
• Abstract要約: 本稿では、GAN(Generative Adversarial Network)の既存のアプローチを内部モデル全体に拡張する方法を示す。 このアプローチを検証するため、我々は新しいパフォーマンス対策を開発し、一貫性のあるデータ駆動フレームワークを提供する。 GANをベースとしたESGの結果は,欧州の規制当局が承認した内部モデルと類似していることが実証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this research, we show how to expand existing approaches of generative adversarial networks (GANs) being used as economic scenario generators (ESG) to a whole internal model - with enough risk factors to model the full band-width of investments for an insurance company and for a one year horizon as required in Solvency 2. For validation of this approach as well as for optimisation of the GAN architecture, we develop new performance measures and provide a consistent, data-driven framework. Finally, we demonstrate that the results of a GAN-based ESG are similar to regulatory approved internal models in Europe. Therefore, GAN-based models can be seen as an assumption-free data-driven alternative way of market risk modelling.
• Abstract（参考訳）: 本研究では, 経済シナリオジェネレータ(esg)として使用されているgans(generative adversarial network)の既存アプローチを, 保険会社の投資の全体範囲をモデル化する十分なリスクファクターと, ソルバレンシー2で必要とされる1年間を想定して, 内部モデル全体に拡張する方法を示す。 このアプローチの検証とGANアーキテクチャの最適化のために,我々は新しいパフォーマンス対策を開発し,一貫性のあるデータ駆動型フレームワークを提供する。 最後に、GANベースのESGの結果が、ヨーロッパの規制当局が承認した内部モデルと類似していることを示す。 したがって、GANベースのモデルは、仮定のないデータ駆動型市場リスクモデリングの代替方法と見なすことができる。

関連論文リスト

• Risk Management with Feature-Enriched Generative Adversarial Networks (FE-GAN) [7.08506873242564]
  本稿では,金融リスク管理におけるFeature-Enriched Generative Adversarial Networks(FE-GAN)の適用について検討する。 FE-GANは、先行データから追加の入力シーケンスを組み込んで既存のGANアーキテクチャを強化し、モデル性能を向上させる。 The Wasserstein Generative Adversarial Network (WGAN) とTail Generative Adversarial Network (Tail-GAN) の2つの特殊なGANモデルをFE-GANフレームワークで評価した。
  論文  参考訳（メタデータ） (2024-11-23T10:46:52Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• C-RAG: Certified Generation Risks for Retrieval-Augmented Language Models [57.10361282229501]
  RAGモデルの生成リスクを認証する最初のフレームワークであるC-RAGを提案する。 具体的には、RAGモデルに対して共形リスク分析を行い、生成リスクの上限以上の信頼度を認定する。 検索モデルと変圧器の品質が非自明な場合, RAG は単一の LLM よりも低い共形生成リスクを達成できることを示す。
  論文  参考訳（メタデータ） (2024-02-05T16:46:16Z)
• Deep Generative Modeling for Financial Time Series with Application in VaR: A Comparative Review [22.52651841623703]
  ヒストリカル・シミュレーション(HS)は、翌日にリスクファクターの予測分布が戻ると、ヒストリカル・ウィンドウにおける日々のリターンの実証的な分布を利用する。 HS, GARCH および CWGAN モデルは, 歴史的USD 収率曲線データと GARCH および CIR プロセスからシミュレーションした追加データの両方で試験される。 研究によると、トップパフォーマンスモデルはHS、GARCH、CWGANモデルである。
  論文  参考訳（メタデータ） (2024-01-18T20:35:32Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Generative Visual Prompt: Unifying Distributional Control of Pre-Trained Generative Models [77.47505141269035]
  Generative Visual Prompt (PromptGen) は、事前訓練された生成モデルの分散制御のためのフレームワークである。 PromptGenはエネルギーベースモデル(EBM)を近似し、フィードフォワード方式で画像をサンプリングする。 コードはhttps://github.com/ChenWu98/Generative-Visual-Prompt.comで入手できる。
  論文  参考訳（メタデータ） (2022-09-14T22:55:18Z)
• A Hybrid Approach on Conditional GAN for Portfolio Analysis [4.913248451323163]
  市場不確実性や今後のトレンドをモデル化しながら、歴史的データの内部トレンドを学習する深層生成モデルに基づく条件付きGANのハイブリッドアプローチを提案する。 提案したHybridCGANモデルとHybridACGANモデルは,既存のMarkowitz,CGAN,ACGANアプローチと比較して,ポートフォリオ割り当てが優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-13T00:58:42Z)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)
• Estimating risks of option books using neural-SDE market models [6.319314191226118]
  我々は、仲裁自由なニューラル-SDE市場モデルを用いて、単一基盤上の複数のヨーロッパオプションのジョイントダイナミクスの現実的なシナリオを生成する。 提案モデルでは,オプションポートフォリオのバリュー・アット・リスク(VaR)を評価する上で,計算効率が高く,精度も高く,カバー性能も向上し,従来のフィルタによるシミュレーション手法よりもプロサイクル性も低いことを示す。
  論文  参考訳（メタデータ） (2022-02-15T02:39:42Z)
• Deep Hedging, Generative Adversarial Networks, and Beyond [2.253930064459394]
  本稿では,ディープラーニングと人工知能の金融応用,特にヘッジへの応用について紹介する。 本稿では,単純なバニラ欧州コールオプションを複製した直接ポリシー検索強化エージェントの枠組みを示し,モデルフリーデルタヘッジにエージェントを使用する。 我々は、このRLベースのヘッジフレームワークが、従来のモデルに固有の問題に対処し、実践的にヘッジを実行するためのより効率的な方法であると信じている。
  論文  参考訳（メタデータ） (2021-03-05T19:41:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。