Tail-GAN：学习模拟尾部风险情景
摘要：使用传统模型无法准确估计动态投资组合的损失分布，因此需要模拟能够真实反映其组成部分联合动态的场景，并特别关注尾风险场景的模拟。我们提出了一种新颖的数据驱动方法，利用生成对抗网络（GAN）结构，并充分利用了收益风险值（VaR）和预期损失（ES）的联合可引导特性。我们的方法能够学习模拟价格场景，以保持基准交易策略的尾风险特征，包括一致的统计数据，如VaR和ES。 我们证明了我们的生成器在广泛的风险度量类别中具有通用逼近定理。此外，我们还展示了GAN的训练可以被构建为一个极大极小博弈，从而提供了更有效的训练方法。我们的数值实验表明，与其他数据驱动场景生成器相比，我们的提出的场景模拟方法能够准确捕捉静态和动态投资组合的尾风险。
作者：Rama Cont, Mihai Cucuringu, Renyuan Xu, Chao Zhang
论文ID：2203.01664
分类：Risk Management
分类简称：q-fin.RM
提交时间：2023-03-28