論文の概要: Risk factor aggregation and stress testing

• arxiv url: http://arxiv.org/abs/2310.04511v1
• Date: Fri, 6 Oct 2023 18:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 17:57:40.992980
• Title: Risk factor aggregation and stress testing
• Title（参考訳）: リスクファクター集約とストレステスト
• Authors: Natalie Packham
• Abstract要約: ストレステスト(英語: Stress testing)とは、金融またはマクロ経済の悪いシナリオをポートフォリオに適用することを指す。 我々は,PCAやオートエンコーダといった教師なし学習から次元還元技術を適用することで,リスク要因の範囲を広げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stress testing refers to the application of adverse financial or macroeconomic scenarios to a portfolio. For this purpose, financial or macroeconomic risk factors are linked with asset returns, typically via a factor model. We expand the range of risk factors by adapting dimension-reduction techniques from unsupervised learning, namely PCA and autoencoders. This results in aggregated risk factors, encompassing a global factor, factors representing broad geographical regions, and factors specific to cyclical and defensive industries. As the adapted PCA and autoencoders provide an interpretation of the latent factors, this methodology is also valuable in other areas where dimension-reduction and explainability are crucial.
• Abstract（参考訳）: ストレステスト(英: stress testing)とは、金融やマクロ経済のシナリオをポートフォリオに適用することを指す。 この目的のために、金融またはマクロ経済のリスクファクターは、通常、ファクターモデルを介して、資産リターンと関連付けられる。 我々は,PCAやオートエンコーダといった教師なし学習から次元還元技術を適用することで,リスク要因の範囲を広げる。 その結果、グローバルな要因、広い地理的地域を表す要因、循環的・防衛的な産業に特有の要因を集約したリスク要因が生まれる。 適応型PCAとオートエンコーダは潜在因子の解釈を提供するため、この手法は次元の縮小と説明可能性が重要である他の分野でも有用である。

関連論文リスト

• 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)
• Formalized Identification Of Key Factors In Safety-Relevant Failure Scenarios [0.0]
  本稿では、安全関連障害シナリオにおける重要な要因を系統的に同定する、データに基づくアプローチを提案する。 このアプローチでは、障害データベースの情報に基づいて影響要因を導出する。 本研究は、障害データベースの情報を用いて、安全関連障害シナリオの重要な要因を特定するための堅牢な方法を示す。
  論文  参考訳（メタデータ） (2024-02-28T09:28:36Z)
• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• On the Societal Impact of Open Foundation Models [93.67389739906561]
  ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。 オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
  論文  参考訳（メタデータ） (2024-02-27T16:49:53Z)
• RiskQ: Risk-sensitive Multi-Agent Reinforcement Learning Value Factorization [49.26510528455664]
  本稿では,リスクに敏感な個人・グローバル・マックス(RIGM)の原則を,個人・グローバル・マックス(IGM)と分散IGM(DIGM)の原則の一般化として紹介する。 RiskQは広範な実験によって有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-03T07:18:36Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Deep Partial Least Squares for Empirical Asset Pricing [0.4511923587827302]
  我々は、deep partial least squares (DPLS) を用いて、個々の株式リターンに対する資産価格モデルの推定を行う。 新たな貢献は、非線形因子構造を解決し、経験的資産価格におけるディープラーニングの現在のパラダイムを前進させることである。
  論文  参考訳（メタデータ） (2022-06-20T21:30:39Z)
• A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
  我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。 我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。 今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
  論文  参考訳（メタデータ） (2022-05-12T02:20:34Z)
• Risk budget portfolios with convex Non-negative Matrix Factorization [0.0]
  凸非負行列因子化(NMF)を用いたリスクファクタの予算化に基づくポートフォリオ割当手法を提案する。 我々は、暗号通貨と伝統的資産の2つの長期的グローバルポートフォリオを対象とするボラティリティの文脈で、我々の手法を評価する。
  論文  参考訳（メタデータ） (2022-04-06T12:02:15Z)
• Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation [8.617532047238461]
  ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。 提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
  論文  参考訳（メタデータ） (2021-07-12T05:30:50Z)

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。