論文の概要: Extending the application of dynamic Bayesian networks in calculating market risk: Standard and stressed expected shortfall

• arxiv url: http://arxiv.org/abs/2512.12334v1
• Date: Sat, 13 Dec 2025 13:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.221514
• Title: Extending the application of dynamic Bayesian networks in calculating market risk: Standard and stressed expected shortfall
• Title（参考訳）: 市場リスク計算における動的ベイズネットワークの適用拡大--標準化と期待不足-
• Authors: Eden Gross, Ryan Kruger, Francois Toerien,
• Abstract要約: 動的ベイズネットワーク(DBN)の適用範囲を10日97.5%のESとストレスESの見積に拡張する。 バックテストでは、全てのモデルが統計的に正確なESとSESの予測を2.5%のレベルで生成できないことが示されている。 DBNは過去のシミュレーションモデルと同等に機能するが、その尾の予測への寄与は、1日ごとの予測に割り当てられる小さな重みによって制限される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last five years, expected shortfall (ES) and stressed ES (SES) have become key required regulatory measures of market risk in the banking sector, especially following events such as the global financial crisis. Thus, finding ways to optimize their estimation is of great importance. We extend the application of dynamic Bayesian networks (DBNs) to the estimation of 10-day 97.5% ES and stressed ES, building on prior work applying DBNs to value at risk. Using the S&P 500 index as a proxy for the equities trading desk of a US bank, we compare the performance of three DBN structure-learning algorithms with several traditional market risk models, using either the normal or the skewed Student's t return distributions. Backtesting shows that all models fail to produce statistically accurate ES and SES forecasts at the 2.5% level, reflecting the difficulty of modeling extreme tail behavior. For ES, the EGARCH(1,1) model (normal) produces the most accurate forecasts, while, for SES, the GARCH(1,1) model (normal) performs best. All distribution-dependent models deteriorate substantially when using the skewed Student's t distribution. The DBNs perform comparably to the historical simulation model, but their contribution to tail prediction is limited by the small weight assigned to their one-day-ahead forecasts within the return distribution. Future research should examine weighting schemes that enhance the influence of forward-looking DBN forecasts on tail risk estimation.
• Abstract（参考訳）: 過去5年間で、期待不足(ES)とストレス(SES)は、特に世界的な金融危機のような出来事に続き、銀行セクターにおける市場リスクの規制の鍵となっている。 したがって、それらの見積もりを最適化する方法を見つけることは非常に重要である。 動的ベイズネットワーク(DBN)の適用範囲を10日間の 97.5% ES の見積に拡張し,リスク評価に DBN を適用した先行作業に基づいて,ES を強調した。 米国銀行の株式トレーディングデスクのプロキシとしてS&P 500指数を用いて、3つのDBN構造学習アルゴリズムの性能を、正規または歪んだ学生のt戻り分布を用いて、いくつかの伝統的な市場リスクモデルと比較する。 バックテストでは、全てのモデルが統計学的に正確なESとSESの予測を2.5%で生成することができず、極端な尾の挙動をモデル化することが困難であることを反映している。 ES では EGARCH(1,1) モデル (正規) が最も正確な予測を生成するが、SES では GARCH(1,1) モデル (正規) が最適である。 全ての分布依存モデルは、歪んだ学生のt分布を使用すると著しく低下する。 DBNは過去のシミュレーションモデルと同等に動作するが、リターン分布内の1日ごとの予測に割り当てられる小さな重みによって尾の予測への寄与が制限される。 今後は, 前向きDBN予測がテールリスク推定に与える影響を高める重み付け方式を検討する必要がある。

関連論文リスト

• Forecasting Probability Distributions of Financial Returns with Deep Neural Networks [0.0]
  CNNとLong Short-Term Memoryは3つの確率分布のパラメータを予測するために用いられる。 モデルは6つの主要な株式指標(S&P 500、BOVESPA、DAX、WIG、Nikkei 225、KOSPI)でテストされる。 その結果、ディープラーニングモデルは正確な分布予測を提供し、従来のGARCHモデルと競合してバリュー・アット・リスク推定を行うことがわかった。
  論文  参考訳（メタデータ） (2025-08-26T10:48:16Z)
• Predicting Stock Market Crash with Bayesian Generalised Pareto Regression [0.0]
  極端に負のリターンはまれではあるが、経済的に大きな混乱を引き起こす。 本稿では,インド株式市場の極端な損失を予測するため,ベイジアン一般化パレート回帰モデルを開発する。
  論文  参考訳（メタデータ） (2025-06-21T02:36:05Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Uncertainty-Aware Lookahead Factor Models for Quantitative Investing [25.556824322478935]
  最初にシミュレーションを通して、将来の基本に基づいて計算された要因によって株式を選択することができれば、ポートフォリオは標準因子モデルよりもはるかに優れていることを示します。 本稿では、これらの予測された未来基本を従来の要因にプラグインするルックアヘッドファクターモデルを提案する。 振り返り分析では、業界レベルのポートフォリオシミュレータを活用し、年次リターンとシャープ比の同時改善を示す。
  論文  参考訳（メタデータ） (2020-07-07T00:18:40Z)

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。