Tail risk forecasting using Bayesian realized EGARCH models
本文建立了一个贝叶斯框架的实现指数广义自回归条件异方差(realized EGARCH)模型,该模型可以将多个已实现波动率测度用于收益率序列的建模。通过采用标准化的Student-t和标准化的偏态Student-t分布的回报方程,实现EGEST-T模型的扩展。不同类型的实现措施,如子采样实现方差,子采样实现范围,实现核,被认为是在文件中。贝叶斯马尔可夫链蒙特卡罗(MCMC)估计在老化期采用稳健自适应Metropolis算法(RAM),在采样期采用标准随机游走Metropolis算法。贝叶斯估计比最大似然估计在模拟研究中显示出更有利的结果。我们测试了建议的模型与几个指标,预测一步前的风险价值(VaR)和预期损失(ES)超过1000天。严格的尾部风险预测评估表明,实现EGESTO模型采用标准化的偏态Student-t分布,并纳入子采样实现的范围是有利的,相比一系列的模型。
2020-08-24 q-fin.CP q-fin.RM
Robust Bayesian Dynamic Programming for On-policy Risk-sensitive Reinforcement Learning
Peking University(北京大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出了一种鲁棒贝叶斯动态规划框架,用于风险敏感强化学习,结合了对转移不确定性的鲁棒性,并通过实验验证了其在风险敏感性和鲁棒性方面的优势。
2025-12-31 cs.LG q-fin.RM
A Unified Bayesian Framework for Pricing Catastrophe Bond Derivatives
巨灾(CAT)债券市场是不完整的,因此在工具定价中存在不确定性。因此,已经提出了各种定价方法,但没有一种方法在统一的资产定价框架内以足够灵活和统计上可靠的方式处理灾难发生和利率的不确定性。因此,很少有人知道经验的预期风险溢价的巨灾债券。本文的主要贡献是提出了一个统一的贝叶斯巨灾债券定价框架的基础上的不确定性量化的巨灾和利率。我们的框架允许复杂的信念,巨灾风险捕捉不同的和常见的模式,在巨灾的发生,并结合随机利率,产生一个统一的资产定价方法与信息预期风险溢价。具体而言,使用修改后的集体风险模型-狄利克雷先验层次贝叶斯集体风险模型(DP-HBCRM)框架-我们通过基于模型的聚类方法建模巨灾风险。在贝叶斯方法下,利率风险被建模为CIR过程。由于铸造CAT定价模型到我们的框架,我们评估的价格和预期的风险溢价的各种CAT债券合同对应的集群的巨灾风险配置文件。数值实验表明,这些集群揭示如何CAT债券价格和预期风险溢价与索赔频率和损失的严重程度。
2022-05-09 q-fin.PR q-fin.RM stat.CO
Bayesian Realized-GARCH Models for Financial Tail Risk Forecasting Incorporating Two-sided Weibull Distribution
实现的GARCH框架扩展到纳入双边威布尔分布,在金融时间序列的波动性和尾部风险预测的目的。此外,已实现的范围,作为已实现的差异或每日回报的竞争对手,在已实现的GARCH框架中使用。此外,子采样和缩放方法应用于实现的范围和实现的方差,以帮助处理固有的微结构噪声和低效率。本文提出了一种自适应贝叶斯马尔可夫链蒙特卡罗方法,并通过仿真研究将其应用于估计和预测,评估了其性能,并与极大似然法进行了比较。与一系列著名的参数Gestival、双侧威布尔分布Gestival和实现GARCH模型相比,7个市场指数收益率序列和2个单个资产的尾部风险预测结果明显倾向于包含双侧威布尔分布的实现GARCH模型,尤其是使用子采样实现方差和子采样实现极差的模型,包括全球金融危机在内的六年时间里。
2017-07-11 q-fin.RM
Standard and stressed value at risk forecasting using dynamic Bayesian networks
University of the Witwatersrand(威特沃特斯兰德大学);University of Cape Town(开普敦大学)
本文利用动态贝叶斯网络预测VaR和SVaR,发现其性能与传统模型相当,但为未来整合因果推理的研究提供了基础。
2025-12-05 q-fin.RM
Risk Margin Quantile Function Via Parametric and Non-Parametric Bayesian Quantile Regression
我们开发了分位数回归模型,以获得风险边际和评估资本在非寿险应用。通过利用整个范围的条件分位数函数,特别是较高的分位数水平,我们详细介绍了分位数回归是如何能够提供一个准确的估计的风险保证金和概述的基础上的历史波动性的一般保险公司的损失组合的隐含资本。两个建模框架被认为是基于参数和非参数分位数回归模型,我们专门在这个保险设置。在参数分位数回归框架中,我们在贝叶斯回归框架下考虑了弹性广义贝塔分布族、非对称Laplace(AL)分布和幂Pareto分布等模型。通过马尔可夫链蒙特卡罗(MCMC)抽样策略研究了每种情况下的贝叶斯后验分位数回归模型。在非参数分位数回归框架中,我们与参数贝叶斯模型形成对比,我们采用AL分布作为代理,并与参数AL模型一起,将解决方案表示为均匀分布的尺度混合以便于实现。该模型扩展到采用动态均值,方差和偏度,并应用于分析两个真实的损失准备金数据集进行推理和讨论有趣的功能分位数回归的风险保证金计算。
2014-02-11 q-fin.RM stat.AP stat.CO
Bayesian Analysis of Value-at-Risk with Product Partition Models
在本文中,我们提出了一种新的贝叶斯方法的风险价值计算的基础上,参数产品划分模型。风险价值是衡量和控制资产或投资组合的市场风险的标准工具,也是监管目的所必需的。它的受欢迎程度部分是由于它是一种易于理解的风险度量。产品划分模型的使用使我们能够保持在一个正常的设置,即使在存在的离群点,并获得一个封闭的形式表达式的风险价值计算。我们提出并比较了两种不同的方案:一个产品分区结构的向量的均值和方差向量的产品分区结构。我们将我们的方法应用于Mib 30的意大利股票市场数据集。数值结果清楚地表明,产品划分模型可以成功地利用,以量化市场风险暴露。所获得的风险价值估计是完全一致的最大似然法,但我们的方法提供了更丰富的信息的聚类结构的数据和存在的离群点。
2009-05-15 physics.soc-ph q-fin.RM q-fin.ST
Bayesian inference for CoVaR
最近的金融灾难强调,需要调查与机构之间的尾部联动相关的后果;经常观察到传染事件,并增加了影响市场参与者风险资本的重大损失的可能性。常用的风险管理工具无法考虑到机构间的潜在溢出效应,因为它们提供的是个别风险评估。我们有助于分析极端事件的相互依赖性的影响,提供了一个估计工具,用于评估条件风险价值(CoVaR)定义为一个机构的风险价值的条件下,另一个机构正在遇险。特别是,我们的方法依赖于贝叶斯分位数回归框架。我们提出了一个马尔可夫链蒙特卡罗算法,利用非对称拉普拉斯分布及其表示为一个位置-尺度混合的法线。此外,由于风险措施通常评估时间序列数据和回报通常随时间变化,我们扩展了CoVaR模型来考虑尾部行为的动态。应用于标准普尔综合指数(S & P500)中属于不同行业的美国公司,以评估每个机构对整体系统风险的边际贡献
2013-11-03 q-fin.RM q-fin.ST stat.ME
Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model
提出RNN-HAR模型,结合HAR与RNN处理长记忆和非线性动态,采用基于损失的贝叶斯推断和序列蒙特卡洛进行估计,在31个市场指数的VaR预测中优于其他模型。
2024-08-24 q-fin.RM stat.ML
Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance
iLynx Inc.(iLynx公司);Cognitive Links;United International University(联合国际大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);Washington University of Science and Technology(科学与技术华盛顿大学)
本文提出一种贝叶斯模型,用于金融风险预测与合规中的不确定性管理,通过提高风险处理能力和模型可解释性,实现更准确的VaR预测和欺诈检测。
2025-12-06 cs.AI cs.LG q-fin.RM
A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting
The University of Sydney(悉尼大学)
在险价值(Value-at-Risk,简称VaR)和预期缺口(ExpectedShortfall,简称ES)被广泛应用于金融领域来度量市场风险和管理极端的市场波动。最近分位数得分函数和非对称拉普拉斯密度之间的联系,导致了一个灵活的似然为基础的框架,联合建模的风险值和ES。在金融应用中,能够捕获这两个量的潜在联合动态是非常重要的。我们通过开发一个基于非对称拉普拉斯准似然的混合模型来解决这个问题,该模型采用了机器学习的长短期记忆(LSTM)时间序列建模技术,以有效地捕捉VaR和ES的潜在动态。在LSTM-AL模型中,采用自适应马尔可夫链蒙特卡罗(MCMC)算法进行贝叶斯推断。实证结果表明,所提出的LSTM-AL模型可以提高风险价值和ES预测精度的一系列成熟的竞争模型。
2021-05-13 cs.LG q-fin.RM stat.ML
Predicting Credit Default Probabilities Using Bayesian Statistics and Monte Carlo Simulations
世界各地的银行和金融机构管理着包含成千上万客户的投资组合。并非所有客户都是高信誉的,许多客户对银行或向这些客户贷款的金融机构来说都有不同程度的风险。因此,信用风险评估在信用风险管理领域中至关重要。本文讨论了使用贝叶斯原理和模拟技术来估计和校准信用评级的违约概率。该方法是一个两阶段的方法,在第一阶段,后验密度的违约率参数估计的基础上的违约历史数据。在第二阶段,通过仿真得到了真实违约率参数的估计
2021-09-13 q-fin.RM stat.AP stat.CO
Star-shaped Risk Measures
本文刻画了正超齐次的货币风险测度,即星型风险测度,并研究了其性质。这一类的措施,产生时有争议的次可加性属性的一致风险措施是免除和正齐性被削弱,包括所有实际使用的风险措施,特别是,凸风险措施和风险价值。从财务角度来看,我们对凸性的放松对于量化存在流动性风险、竞争性授权或稳健的聚集机制的风险敞口的资本要求是必要的。从决策理论的角度来看,星形风险措施出现时,风险缓解策略可以通过一个理性的决策者的变分偏好。
2022-04-29 econ.TH math.FA q-fin.RM
FSL-BDP: Federated Survival Learning with Bayesian Differential Privacy for Credit Risk Modeling
Indian Institute of Management Indore(印度管理学院印多尔);Indian Statistical Institute Kolkata(印度统计研究所科钦)
FSL-BDP通过联邦生存学习与贝叶斯差分隐私技术,解决信用风险建模中的隐私保护与跨机构学习问题,实验显示联邦学习显著提升隐私机制效果。
2026-01-16 cs.LG q-fin.RM stat.ML