利用损失风险函数增强 Transformer 中的风险评估
机器学习
2024-11-06 v1 计算与语言
风险管理
统计金融
摘要
在金融领域，精确的风险评估工具对于决策至关重要。最近的研究挑战了传统网络损失函数如均方误差（MSE）足够充分的观点，尤其是在可能导致市场动荡期间重大损失的极端风险条件下。Transformer 和基于 Transformer 的模型现在因其 在时间序列相关预测中的出色表现而被广泛用于金融预测。然而，这些模型通常对极端风险缺乏敏感性，并且经常低估重大金融损失。为了解决这个问题，我们引入了一种新的损失函数——损失风险（Loss-at-Risk），它将风险价值（VaR）和条件风险价值（CVaR）融入 Transformer 模型。这种集成使 Transformer 模型能够识别潜在的极端损失，并进一步提高其处理高风险金融决策的能力。此外，我们在一系列高波动性金融数据集上进行了实验，以证明我们的损失风险函数在不损害决策准确性或效率的情况下改善了 Transformer 的风险预测和管理能力。结果表明，在训练过程中集成风险感知指标增强了 Transformer 的风险评估能力，同时保留了其在多样化场景中进行决策和推理的核心优势。
引用
@article{arxiv.2411.02558,
title = {Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions},
author = {Jinghan Zhang and Henry Xie and Xinhao Zhang and Kunpeng Liu},
journal= {arXiv preprint arXiv:2411.02558},
year = {2024}
}
备注
Accepted by ICKG 2024