利用受限玻尔兹曼机对信用组合损失进行通用逼近
计算金融
2023-04-26 v3 概率论
摘要
我们提出一种基于受限玻尔兹曼机(RBMs)的新组合信用风险模型,该随机神经网络能够对损失分布进行通用逼近。我们在一个包含 1012 家美国公司违约概率的实证数据集上检验该模型,并表明在若干信用风险管理任务中,它优于常用的参数化因子 copula 模型——例如高斯或 t 因子 copula 模型。特别地,该模型对经验损失分布的拟合更优,且风险度量估计更精确。我们引入一种重要性抽样过程,使得风险度量能够在高置信水平下以计算高效的方式估计,相较于当前 copula 模型可用的蒙特卡洛技术有实质性改进。此外,该模型提取的统计因子可用底层组合板块结构进行解释,并为从业者提供管理集中度风险的量化工具。最后,我们展示如何通过各种宏观经济压力测试情景(如 FRB 多德-弗兰克法案压力测试所规定者)下的压力风险度量(例如压力 VaR)估计,将该模型用于压力测试。
引用
@article{arxiv.2202.11060,
title = {Universal approximation of credit portfolio losses using Restricted Boltzmann Machines},
author = {Giuseppe Genovese and Ashkan Nikeghbali and Nicola Serra and Gabriele Visentin},
journal= {arXiv preprint arXiv:2202.11060},
year = {2023}
}
备注
39 pages, 27 figures; changed dataset, added new results, updated affiliation