論文の概要: Portfolio Stress Testing and Value at Risk (VaR) Incorporating Current Market Conditions
- arxiv url: http://arxiv.org/abs/2409.18970v1
- Date: Thu, 12 Sep 2024 03:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 05:22:52.757375
- Title: Portfolio Stress Testing and Value at Risk (VaR) Incorporating Current Market Conditions
- Title（参考訳）: リスク・アット・アット・リスク(VaR)に現況市場条件を取り入れたポートフォリオストレステスト
- Authors: Krishan Mohan Nagpal,
- Abstract要約: 本稿では,VaRのストレスシナリオ設計と推定に市場条件を組み込む手法を提案する。
提案手法は、ある期間の歴史が市場状況と「より類似している」場合、市場変化の歴史的観察をより重くする歴史データに基づく。
- 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: Value at Risk (VaR) and stress testing are two of the most widely used approaches in portfolio risk management to estimate potential market value losses under adverse market moves. VaR quantifies potential loss in value over a specified horizon (such as one day or ten days) at a desired confidence level (such as 95'th percentile). In scenario design and stress testing, the goal is to construct extreme market scenarios such as those involving severe recession or a specific event of concern (such as a rapid increase in rates or a geopolitical event), and quantify potential impact of such scenarios on the portfolio. The goal of this paper is to propose an approach for incorporating prevailing market conditions in stress scenario design and estimation of VaR so that they provide more accurate and realistic insights about portfolio risk over the near term. The proposed approach is based on historical data where historical observations of market changes are given more weight if a certain period in history is "more similar" to the prevailing market conditions. Clusters of market conditions are identified using a Machine Learning approach called Variational Inference (VI) where for each cluster future changes in portfolio value are similar. VI based algorithm uses optimization techniques to obtain analytical approximations of the posterior probability density of cluster assignments (market regimes) and probabilities of different outcomes for changes in portfolio value. Covid related volatile period around the year 2020 is used to illustrate the performance of the proposed approach and in particular show how VaR and stress scenarios adapt quickly to changing market conditions. Another advantage of the proposed approach is that classification of market conditions into clusters can provide useful insights about portfolio performance under different market conditions.
- Abstract（参考訳）: リスク・アット・リスク(VaR)とストレス・テスト(Scress testing)は、ポートフォリオリスク管理において、悪い市場の動きによる潜在的な市場価値損失を見積もるために最も広く使われているアプローチの1つである。
VaRは、指定された地平線(例えば1日や10日)上の所望の信頼レベル(例えば95%)における価値の潜在的な損失を定量化する。
シナリオ設計とストレステストでは、厳しい不況や特定の関心事(急激な増加や地政学的な出来事など)に関わるような極端な市場シナリオを構築し、ポートフォリオにおけるそのようなシナリオの潜在的影響を定量化する。
本研究の目的は,VaRのストレスシナリオ設計と評価に市場条件を組み込むことによって,短期的にポートフォリオリスクに関するより正確かつ現実的な洞察を提供するアプローチを提案することである。
提案手法は、ある期間の歴史が市場状況と「より類似している」場合、市場変化の歴史的観察をより重くする歴史データに基づく。
マーケット条件のクラスタは、変動推論(VI)と呼ばれる機械学習アプローチを使用して識別される。
VIに基づくアルゴリズムは最適化手法を用いて、クラスタ割り当て(マーケットレシエーション)の後方確率密度の解析的近似と、ポートフォリオ値の変化に対する異なる結果の確率を求める。
2020年ごろの詳細な変動期間は、提案手法の性能、特にVaRとストレスシナリオが市場状況の変化に迅速に適応しているかを示すために使用される。
提案手法のもう1つの利点は、市場条件をクラスタに分類することで、異なる市場条件下でのポートフォリオパフォーマンスに関する有用な洞察を得ることができることである。
関連論文リスト
- Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - 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) - Price Interpretability of Prediction Markets: A Convergence Analysis [6.623653707600985]
指数的ユーティリティベース市場におけるエージェント信念の幾何学的平均に制限価格が収束することを示す。
また、制限価格は、エージェントの信念、リスクパラメータ、富をカプセル化する方程式の体系によって特徴づけられることを示す。
論文 参考訳（メタデータ） (2022-05-18T13:15:11Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Measuring Financial Time Series Similarity With a View to Identifying
Profitable Stock Market Opportunities [12.101446195463591]
歴史的価格データのみを用いて株式市場のリターンを予測するケースベースの推論手法について述べる。
この研究の重要な貢献は、歴史的価格データを比較するための新しい類似度指標の開発である。
論文 参考訳（メタデータ） (2021-07-07T17:26:32Z) - Predicting Risk-adjusted Returns using an Asset Independent
Regime-switching Model [0.0]
隠れマルコフモデルに基づくリスク調整されたリターン予測のために,アセットクラスに依存しないレギュラースイッチングモデルを構築した。
約20年間の日次金融市場の変化を分析し,リスク調整リターン予測の指標について検討した。
論文 参考訳（メタデータ） (2021-07-07T10:23:59Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳（メタデータ） (2020-10-04T21:29:29Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z) - Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文 参考訳（メタデータ） (2020-02-24T17:19:54Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。