Modeling systemic risks in financial markets
我们调查的系统性风险金融市场，并提出了一个高层次的描述的算法，措施系统性风险的耦合网络。
2013-11-15 cs.SI physics.soc-ph q-fin.RM
An Integrated Model for Financial Risk Assessment of Grid-ignited Wildfires
针对电网引发野火导致电力公司财务风险升高的问题，本文提出综合模型评估其损害成本，量化单条电力线风险并可视化拓扑风险，实现更精确的金融风险评估，助力制定风险知情策略。
2025-01-30 q-fin.RM
Elimination of systemic risk in financial networks by means of a systemic risk transaction tax
金融市场暴露于系统性风险（SR），即系统的主要部分停止运作并崩溃的风险。最近，可以根据底层金融网络来量化SR，其中节点代表金融机构，链接捕获资产（贷款），负债和其他义务（如衍生品）的规模和到期日。我们证明，它是可以量化的SR的份额，在金融网络内的个人负债有助于整体SR。我们使用全国银行间同业负债的经验数据表明，对于一个给定的规模的负债的整体SR的边际贡献变化的一个因素的一千。我们建议对单个交易征税，该交易对总体SR的边际贡献成比例。如果交易不增加SR，则免税。与代理为基础的模型（CRISIS宏观金融模型），我们表明，建议的“系统性风险税”（SRT）导致金融网络的自我组织的重组，实际上是免费的SR。SRT可以被看作是一个保险公众对级联故障所产生的成本。ABM的预测结果与经验数据吻合得很好，可以用来理解信用风险与SR的关系。
2016-02-17 q-fin.RM
A Thermodynamic Picture of Financial Market and Model Risk
通过将金融市场视为一个热力学系统，我们建立了热力学变量与经济量之间的一一对应关系。模型不确定性导致的金融风险是金融市场与外部信息源相互作用的结果，通过最坏情况下的预期损失来度量。这就形成了一个热力学图景，在这个图景中，一个封闭的系统与一个外部水库相互作用，在最坏的情况下达到平衡。最坏情况的严重程度取决于信息源减少系统熵所导致的散热速率。这热力学图片导致简单和自然的推导的表征规则的最坏情况下的风险，并给出其拉格朗日和哈密顿形式。在它的帮助下，金融从业者可以利用平衡和非平衡热力学来评估风险。
2019-03-30 q-fin.RM
Interconnected risk contributions: an heavy-tail approach to analyse US financial sectors
在本文中，我们考虑一个多变量模型为基础的方法来衡量美国银行，金融服务和保险部门之间的相互依存的尾部风险的动态演变。为了深入研究保险公司的风险贡献，我们分别考虑人寿和非人寿公司。为了实现这一目标，我们采用多元学生t马尔可夫转换模型和多CoVaR（CoES）的风险措施在Bernardi等。（2013年b），以说明数据的已知风格化特征和影响金融部门的同期联合困境事件。我们的实证研究发现，银行似乎是所有其余部门的主要风险来源，其次是金融服务和保险部门，这表明保险部门对整体风险的贡献也很大。此外，我们发现，每个部门的作用，在其他部门的困境随着时间的推移，相应地演变到当前占主导地位的金融条件，这意味着不同的互联强度。
2014-04-16 q-fin.RM
Network models of financial systemic risk: A review
全球金融体系可以说是一个庞大的复杂网络，银行、对冲基金和其他金融机构通过有形和无形的金融联系相互联系。最近，人们对可能导致该网络崩溃的机制的理解给予了很多关注。当现有的金融联系从风险分散的手段转变为跨金融机构传播风险的渠道时，就可能发生这种情况。在这篇评论文章中，我们总结了金融系统性风险建模的最新进展。我们特别关注网络方法，如由于双边风险或重叠投资组合的违约级联模型，我们还报告了银行间网络的经验结构的最新研究结果。目前的审查提供了一个景观的新出现的跨学科领域躺在几个学科的交叉点，如网络科学，物理学，工程学，经济学和生态学。
2017-10-31 q-fin.RM
Extreme Measures of Agricultural Financial Risk
风险是农业生产和营销的固有特征，准确衡量风险有助于更有效地利用资源。本文考察了三种基于尾部分位数的风险度量方法，分别是风险价值（VaR）、预期损失（ES）和谱风险度量（SRM），并应用于美国玉米和大豆生产的极端农业金融风险评估。我们使用极值理论（EVT）的尾部收益模型，并提出了这三个不同的风险措施，使用农产品期货市场数据的结果。我们比较了估计的风险措施的规模和精度，并发现他们都大大高于正常的估计，他们也是相当不确定的，并成为更不确定的风险变得更加极端。
2011-03-30 q-fin.RM
Credit Risk and the Instability of the Financial System: an Ensemble Approach
近年来和以往时期经历的金融体系不稳定往往与信用违约有关，即，债务人未能履行承诺的付款。鉴于大量的信贷合同，这个问题是经得起处理的统计物理学方法。我们引入了集成平均的思想，从而揭示了信用风险的一般特征。然后，我们表明，经常宣传的多元化概念，即，在信用风险方面，通过分散风险来降低风险是有很大缺陷的。极端损失的风险仍然存在，这是由于一直存在的相关性，这意味着金融体系存在巨大而持久的内在危险。
2013-11-18 q-fin.RM
Industry Characteristics and Financial Risk Spillovers
本文提出了一种新的衡量尾部风险溢出的方法。实证应用提供的证据表明，在2001年至2011年期间，美国经济的显著波动性和尾部风险从金融部门溢出到许多实体经济部门。这些溢出效应在危机时期会增加。一个部门的条件相关性与其债务融资额正相关，与其相对估值和投资额负相关。实体经济部门需要大量外部融资，其价值和投资活动相对较低，是金融部门危机后贬值的主要对象。
2022-02-04 q-fin.RM
Assessing Financial Model Risk
模型风险对任何风险度量程序都有巨大的影响，因此其量化是关键的一步。在本文中，我们介绍了三个定量的措施，模型风险时，选择一个特定的参考模型在一个给定的类：绝对测量模型风险，相对测量模型风险和局部测量模型风险。每项措施都有具体的目的，因此可以灵活处理。我们通过研究一些相关的例子来说明各种概念，以强调我们的方法的实用性和易处理性。
2013-07-10 q-fin.RM
Beyond VaR and CVaR: Topological Risk Measures in Financial Markets
本文提出基于拓扑数据分析的TVaRD风险度量，利用上同调群分析三只科技股收益数据，发现压力条件下点云密度显著变化，为补充VaR和CVaR提供新视角。
2023-10-27 q-fin.RM
The multi-layer network nature of systemic risk and its implications for the costs of financial crises
无法看到和量化系统性金融风险，会造成巨大的社会成本。金融系统中的系统性风险在很大程度上是由于其各机构之间的相互联系而产生的，这些机构通过信贷、衍生工具、外汇和证券等不同类型的金融合同网络联系在一起。各种暴露网络的相互作用可以表示为金融多层网络中的层。在这项工作中，我们量化了2007 - 2013年墨西哥银行体系四个层面对系统性风险的日常贡献。我们发现，集中在一个单一的层低估了高达90%的总系统性风险。通过分配系统性风险水平，个别银行，我们研究的系统性风险配置文件的墨西哥银行系统的所有市场层。这一概况可用于量化国家层面的系统性风险，即全国范围内的预期系统性损失。我们发现，基于市场的系统性风险指标系统地低估了预期的系统性损失。我们发现，现在的预期系统性损失比2007 - 2008年金融危机前高出4倍。我们发现，个人交易的系统性风险贡献可以高达千倍以上的信用风险，这给公众带来了巨大的风险。我们发现了一个有趣的非线性效应，即所有层的系统性风险之和低估了总风险。本文提出的方法是第一个客观数据驱动的量化系统性风险的国家规模，揭示其真实水平。
2015-05-16 q-fin.RM
Quantum Financial Economics - Risk and Returns
金融波动风险及其与商业周期相关的内在时间的关系是通过多轮进化量子博弈均衡导致金融回报和风险动态中的湍流和多重分形签名来解决的。对模型进行了模拟，并将模拟结果与实际金融波动数据进行了比较。
2012-01-02 nlin.AO physics.soc-ph q-fin.RM
On decomposing risk in a financial-intermediate market and reserving
我们考虑了在一个完全交易的市场中存在{ \it some}风险的情况下分解货币风险的问题。我们表明，一个标记到市场的定价方法导致这样的分解，如果风险度量是时间一致的意义上的Delbaen。
2006-03-02 math.PR q-fin.RM
Regshock: Interactive Visual Analytics of Systemic Risk in Financial Networks
金融监管机构正在努力管理负面经济冲击造成的系统性风险。预防性干预措施在消除风险和帮助建立更有复原力的金融体系方面发挥着重要作用。尽管人们在衡量多风险严重程度、理解传染行为和其他风险管理问题方面做出了巨大努力，但仍然缺乏一个理论框架来揭示监管干预措施可以减轻系统性风险。在这里，我们展示regshock，一个实用的可视化分析方法，以支持金融监管措施的探索和评估。我们提出了风险岛，一个前所未有的以风险为中心的可视化算法，以帮助揭示风险模式，同时保持金融网络的拓扑结构。我们进一步提出regshock，一种新的视觉探索和评估方法的基础上的模拟干预评估分析循环，提供一个启发式的手术干预能力，系统性风险缓解。我们通过广泛的案例研究和专家评审来评估我们的方法。据我们所知，这是第一个实用的金融网络干预和风险缓解问题的系统方法，我们验证的方法可能会提高金融专家的风险管理和控制能力。
2021-04-24 cs.HC cs.SI q-fin.RM
Evaluating the RiskMetrics Methodology in Measuring Volatility and Value-at-Risk in Financial Markets
我们分析了Riskvalues的表现，这是一种广泛使用的衡量市场风险的方法。基于收益率服从正态分布的假设，Riskstrike模型完全忽略了分布函数中厚尾的存在，而厚尾是金融数据的一个重要特征。然而，人们普遍发现，风险管理表现令人满意，因此该技术已被广泛用于金融行业。然而，我们发现，风险管理的成功是选择的风险措施的神器。首先，波动率估计的出色表现基本上是由于选择了一个非常短的（提前一个时期）预测范围。第二，通过简单地将波动率乘以常数因子来获得风险价值的令人满意的性能主要是由于特定的显著性水平的选择。
2001-03-05 cond-mat.stat-mech q-fin.RM
A Financial Risk Analysis: Does the 2008 Financial Crisis Give Impact on Weekends Returns of the U.S. Movie Box Office?
2008年的金融危机是一场全球性的金融危机，导致了自20世纪30年代以来最严重的全球经济衰退。根据国际货币基金组织（IMF）的数据，全球金融危机在2007年至2010年期间给全球金融机构造成了3.4万亿美元的损失。危机对美国电影票房的回报有影响吗？通过对基于极值理论的金融风险模型的分析，以及风险价值（VaR）和预期损失（ES）的计算来回答这一问题。比较了1982 - 1995年和1996 - 2010年两个时期的VaR和ES值。结果表明，在这两个时间段内，电影产业投资亏损的可能性相对低于盈利的可能性。第二个时期的VaR和ES值高于第一个时期。我们能够得出结论，二零零八年金融危机对第二期间的该等计量值并无重大影响。这一结果说明了美国电影制片商投资的高潜力机会。
2013-06-05 q-fin.RM
Expected Shortfall as a Tool for Financial Risk Management
本文从财务风险管理的角度研究了预期亏损的性质。这种衡量方法-事实上，我们表明，与VaR不同，这个变量通常是次可加的，因此它是参考意义上的一致性风险度量（artzner）
2001-02-16 cond-mat.stat-mech q-fin.RM
Estimating financial risk measures for futures positions: a non-parametric approach
本文提出了非参数估计谱风险措施，适用于长期和短期的立场，在5个突出的股票期货合约。它还比较了这些估计两个流行的替代措施，在险价值（VaR）和预期损失（ES）。谱风险测度以绝对风险厌恶系数为条件，后两者以置信水平为条件。我们的研究结果表明，所有的风险措施显着增加，其估计恶化时，其各自的条件参数增加的精度。结果还表明，估计光谱风险的措施和他们的精度水平是可比的数量级更传统的风险措施。运行头：期货头寸的金融风险措施
2011-03-29 q-fin.RM q-fin.ST
Generative AI Enhanced Financial Risk Management Information Retrieval
TD Bank（道明银行）；Model Development Innovation, Risk Management（风险管理模型开发创新部）
本文提出RiskData数据集和RiskEmbed嵌入模型，通过微调sentence BERT提升金融风险管理场景下的检索准确性，实验表明其显著优于通用及金融嵌入模型，并已开源以支持更精准高效的风险管理AI方案。
2025-04-10 cs.LG q-fin.RM
Research on Financial Multi-Asset Portfolio Risk Prediction Model Based on Convolutional Neural Networks and Image Processing
针对多资产投资组合风险管理的挑战，提出基于CNN和图像处理的风险预测模型，将金融时间序列转为二维图像提取高阶特征，实证表明其预测精度和鲁棒性显著优于传统模型，为金融风险管理提供新方法。
2025-02-12 q-fin.RM
RiskLabs: Predicting Financial Risk Using Large Language Model based on Multimodal and Multi-Sources Data
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出RiskLabs框架，通过融合财报电话会议文本与语音、市场时间序列和新闻等多模态多源数据，利用大语言模型预测金融风险，并验证其在市场波动率与方差预测中的有效性。
2025-05-03 cs.AI cs.CE cs.LG
An AI approach to measuring financial risk
人工智能带来了新的定量技术来评估经济状况。在这里，我们描述了一个新的措施，系统性风险：金融风险表（FRM）。该度量基于线性分位数套索回归的惩罚参数（lambda）。FRM的计算方法是取美国100家最大的公开交易金融机构的惩罚参数的平均值。我们通过将建议的FRM与其他系统性风险指标（如VIX，SRISK和Google Trends）进行比较，证明了这种基于AI的风险度量的适用性。研究发现，FRM与这些指标之间存在相互的Granger因果关系，这表明FRM作为系统性风险指标的有效性。该项目的实施是使用并行计算进行的，代码发布在www.quantlet.de上，关键字为FRM。R软件包RiskAnalytics是另一个工具，旨在整合和促进FRM项目的研究，计算和分析方法。可视化和最新的FRM可以在hu.berlin/frm上找到。
2020-09-28 q-fin.RM
Optimal portfolio for a robust financial system
本文提出了一个ANWSER模型（资产网络系统性风险模型）来量化金融传染的风险，这体现在一个金融危机。金融危机的传播受异质性银行信贷网络和银行投资组合的制约。金融系统的破产再生率被计算为银行投资组合的多样性和风险暴露以及异质银行信贷网络的密集度和集中度的函数。推导出小型金融系统破产再生率的解析解，并得到大型金融系统破产再生率的数值解。对于一个大的金融系统，投资组合中银行之间的巨大差异使得金融传染的平均破坏性更大。但是，在最坏的金融危机情景中，大的多样性在消除金融传染风险方面基本上是有效的。银行特有的专业化投资组合比统一的多样化投资组合和全系统的专业化投资组合更适合加强金融体系的稳健性。
2013-02-05 q-fin.RM
Model Risk Management for Generative AI In Financial Institutions
Wells Fargo（富国银行）
本文针对生成式AI在金融业应用带来的幻觉、毒性等新模型风险，概述了相关模型风险管理的关键要点，重点强调受监管金融机构模型验证需补充的实践，以保障应用安全部署。
2025-03-19 cs.LG q-fin.RM
Next Generation Models for Portfolio Risk Management: An Approach Using Financial Big Data
本文提出了一个动态的投资组合风险度量过程，以解决潜在的信息损失。所提出的模型利用金融大数据来纳入目标投资组合外的信息，这些信息在考虑风险价值（VaR）仅从投资组合的某些资产中测量时可能会被遗漏。我们研究了如何在使用金融大数据时克服维度灾难，并讨论了大量资产在何时何地产生收益。在这方面，《办法》首次提出利用金融大数据提高风险分析的准确性。我们将所提出的模型与基准方法进行了比较，并实证表明，金融大数据的使用改善了小型投资组合风险分析。我们的研究结果是有用的投资组合管理者和金融监管机构，谁可能会寻求创新，以提高投资组合风险估计的准确性。
2022-02-16 econ.EM q-fin.PM q-fin.RM
Any Regulation of Risk Increases Risk
我们发现，中央银行为受监管的金融实体规定的任何客观风险度量算法都会导致这些金融实体承担更多的风险。此外，受监管的金融实体承担的风险在系统上的集中程度远远高于其他情况，使整个金融体系更加脆弱。这一结果为金融监管的未来留下了三个方向：以偶尔发生严重危机为代价，通过执行风险衡量算法继续进行监管，通过将所有金融实体完全国有化来进行更严厉和主观的监管，或者废除包括存款保险在内的所有中央银行法规，让风险由实体自己决定，最终，由存款人通过自愿的市场交易，而不是由纳税人通过强制性的政府参与。
2012-04-20 q-fin.GN q-fin.PM q-fin.RM
Design and Optimization of Big Data and Machine Learning-Based Risk Monitoring System in Financial Markets
Washington University in St. Louis（圣路易斯华盛顿大学）；Columbia University（哥伦比亚大学）；Northeastern University（东北大学）
本文设计并优化了一个基于大数据和机器学习的四层架构风险监控系统，采用LSTM、随机森林、梯度提升树和Apache Flink等技术，显著提升了金融机构风险管理的效率与准确性，尤其在市场崩盘风险预警方面表现卓越。
2024-07-28 cs.LG q-fin.RM
Network versus portfolio structure in financial systems
自2007-2009年全球金融危机以来，如何稳定金融体系的问题引起了相当大的关注。最近，Beale等人（“Individual versus系统性风险and the regulator's dilemma”，Proc Natl Acad Sci USA 108：12647-12652，2011）证明，银行之间较高的投资组合多样性将通过以较高的个体违约可能性为代价降低同时违约的风险来降低系统性风险。然而，在实践中，银行违约具有外部性，因为它破坏了其他银行的资产负债表。本文探讨了这些不同的风险来源，即内部性风险和外部性风险，是如何导致系统性风险的。结果表明，只要资产收益率具有负相关性，最小化系统性风险的外部资产配置随金融网络的拓扑结构而变化。在该模型中，一个著名的中心性指标，PageRank，反映了一个适当定义的银行的“感染力”。一个重要的结果是，最具感染力的银行不一定总是最安全的银行。在某些情况下，最具感染力的节点应该充当防火墙，以防止大规模的集体违约。引入一种反作用的投资组合结构将大大降低系统性风险。
2013-08-04 q-fin.RM
Basel III capital surcharges for G-SIBs fail to control systemic risk and can cause pro-cyclical side effects
除了限制金融机构的双边风险敞口外，未来对系统性风险（SR）的金融监管基本上有两种选择：首先，金融监管可以尝试降低全球或国内系统重要性金融机构（G-SIBs或D-SIBs）的金融脆弱，例如《巴塞尔协议III》中提出的。其次，未来的金融监管可以尝试加强整个金融体系。这可以通过重塑金融网络的拓扑结构来实现。我们使用基于代理的模型（ABM）的金融体系和实体经济的研究和比较这两种选择的后果。通过对ABM进行三次“计算机实验”，我们发现重塑金融网络比降低杠杆率更有效。G-SIB的资本附加费可以降低SR，但必须高于巴塞尔协议III的规定，才能产生可衡量的影响。这可能导致效率损失。《巴塞尔协议三》对G-SIB征收的资本附加费可能会产生顺周期的副作用。
2016-02-10 q-fin.RM
DebtRank-transparency: Controlling systemic risk in financial networks
银行间网络中的银行无法评估与贷款给网络中其他银行相关的真正风险，除非它们拥有所有其他银行风险的全部信息。这些风险可以通过使用中央银行可用的银行间负债网络的网络指标（例如DebtRank）来估计。通过一个简单的基于代理的模型，我们表明，通过增加透明度，使个别节点（银行）的债务排名可见的所有节点，并通过实施一个简单的激励计划，减少银行间借贷的系统性风险节点，金融网络中的系统性风险可以大大降低。这种激励机制是一种有效的监管机制，它不会降低金融网络的效率，而是以自组织的关键方式促进系统内风险的更均匀分布。我们发现，系统性风险的减少在很大程度上是由于透明系统中级联故障的大量减少。从技术角度来看，在真实的金融网络中实施这种最低限度的监管计划应该是可行的。
2013-01-25 physics.soc-ph q-fin.RM
Financial Risks and the Pension Protection Fund: Can it Survive Them?
本文讨论了英国养老金保护基金（PPF）面临的金融风险，以及它可以做些什么。它从银行和保险公司等其他金融机构的监管制度中吸取了教训，并提出了为什么养老基金受到不同待遇的问题。本报告亦检讨其他政府资助的保险计划的经验，例如保障基金所参照的美国退休金保障公司。我们的结论是，由于道德风险，逆向选择，特别是系统性风险，它面临的PPF将生活在永久性的破产风险。
2011-03-30 q-fin.PM q-fin.RM q-fin.ST
Multi-Scale Network Dynamics and Systemic Risk: A Model Context Protocol Approach to Financial Markets
本文提出基于模型上下文协议的多尺度网络动力学框架，结合传递熵网络、智能体建模与小波分解分析金融市场系统性风险，其系统性风险指数展现出优于传统度量的早期预警能力。
2025-07-10 q-fin.RM
Utilizing Effective Dynamic Graph Learning to Shield Financial Stability from Risk Propagation
Southwestern University of Finance and Economics（西南财经大学）；Sichuan XWBank（四川XW银行）
针对金融风险时空传播及无标签风险难检测的问题，提出含跨域动态图学习、风险识别、传播可视化三项创新的GraphShield方法，经多数据集验证性能稳健，为维护金融稳定提供AI解决方案。
2025-02-18 cs.AI cs.LG q-fin.RM
Systemic Risk Management in Financial Networks with Credit Default Swaps
我们研究了银行间系统中的破产级联，当银行被允许用其他银行出售的信用违约互换（CDS）为他们的贷款提供保险时。我们发现，通过适当地将金融风险从一个机构转移到另一个机构，CDS市场可以被设计成以一种更能抵御破产级联的方式重新连接银行间风险网络。监管机构可以利用银行间网络的拓扑信息来设计一个系统性保险附加费，并将其添加到CDS利差中。因此，CDS合约实际上是根据它们对增加系统性风险的贡献程度而受到惩罚的。降低系统性风险的CDS合约仍然免税。我们使用基于代理人的模型（CRISIS宏观金融模型）模拟这种受监管的CDS市场，并证明它会导致银行间系统对破产级联更具弹性。
2017-10-13 q-fin.RM
FinPT: Financial Risk Prediction with Profile Tuning on Pretrained Foundation Models
University of Hong Kong（香港大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
针对金融风险预测算法陈旧和缺乏统一开源基准的问题，提出FinPT方法通过在预训练大模型上进行Profile Tuning，并结合FinBench数据集，有效提升了风险预测性能。
2023-07-22 cs.CE cs.CL cs.LG
A Comprehensive Survey on Enterprise Financial Risk Analysis from Big Data and LLMs Perspective
Southwestern University of Finance and Economics（西南财经大学）；Chengdu University（成都大学）；Universität Hamburg（汉堡大学）；The University of Hong Kong（香港大学）；Hunan University of Technology and Business（湖南工业大学）；Xiangjiang Laboratory（湘江实验室）；Emory University（埃默里大学）
本文从大数据和大语言模型视角综述企业财务风险分析，系统梳理现有方法，总结研究方法与关键发现，指出当前局限并提出未来研究方向。
2026-03-25 cs.AI cs.LG q-fin.RM
Research and Design of a Financial Intelligent Risk Control Platform Based on Big Data Analysis and Deep Machine Learning
Northeastern University（东北大学）；D'Amore-McKim School of Business（达莫尔-麦金商学院）
针对美国金融领域传统风控模式无法适配复杂业务需求的问题，本文结合大数据挖掘与实时流处理技术，设计实现了可整合内外部数据、精准识别风险的金融智能风控平台。
2024-09-16 cs.LG q-fin.RM
GARCH-UGH: A bias-reduced approach for dynamic extreme Value-at-Risk estimation in financial time series
在险价值（Value-at-Risk，VaR）是金融风险管理中广泛使用的工具。从操作和监管的角度来看，在极端水平下估计损失收益分布的风险价值是金融应用中的一个重要问题;特别是，最近的过去，极端风险价值的动态估计受到了极大的关注。本文提出了一种两步偏差减小的估计方法GARCH-UGH（Unbiased Gomes-de Haan），即首先使用AR-GARCH模型对金融收益进行滤波，然后将偏差减小的极值分位数估计应用于标准化残差，以估计一步前的动态极值VaR。我们的研究结果表明，GARCH-UGH估计是更准确的角度来看，通过传统的AR-GARCH滤波和极值估计的样本内和样本外回测的几个金融时间序列的历史日收益率。
2021-04-20 q-fin.RM stat.AP
Systemic-risk-efficient asset allocation: Minimization of systemic risk as a network optimization problem
系统性风险是一种多层网络现象。层代表各种类型的直接金融风险，包括银行同业负债、衍生工具或外汇风险。另一个系统性风险的网络层通过金融机构的共同资产持有出现。高度重叠的投资组合会导致由基础金融资产的价格变动引起的类似风险。基于金融机构的投资组合持有的知识，我们量化重叠投资组合的系统性风险。我们提出了一个优化过程，我们最大限度地减少系统性风险在一个给定的金融市场的最佳重新安排重叠的投资组合网络，约束条件下，预期收益率和风险的个人投资组合。我们通过使用2016年欧洲银行管理局压力测试的数据，明确地证明了该方法在欧洲主要银行之间主权风险敞口的重叠投资组合网络上的威力。我们表明，系统性风险有效的分配是可访问的优化。在主权风险敞口的情况下，系统性风险可以减少两倍以上，而不会对单个银行产生任何不利影响。这些结果证实了一个简单的模拟火灾销售在政府债券市场。特别是，我们表明，传染概率显着降低优化网络。
2018-03-12 q-fin.RM
Estimating financial risk using piecewise Gaussian processes
本文提出了一种通过估计金融序列的风险价值和预期损失来度量金融风险的计算方法。我们做了两个假设：首先，资产价值的预测分布是由变量从类似条件演变的方式的信息决定的，其次，基本的随机过程可以使用分段高斯过程来描述。该方法的性能进行了评估，使用它来估计风险值和ES的日常数据系列取自标准普尔500指数，并应用巴塞尔银行监管委员会建议的回测程序。结果表明，性能令人满意。
2011-12-13 q-fin.RM stat.AP stat.CO
What is the Minimal Systemic Risk in Financial Exposure Networks?
金融市场中的系统性风险管理传统上与为市场参与者设定（更高）资本要求有关。有迹象表明，尽管自金融危机以来，股权比率大幅提高，但系统性风险水平可能并未降低，甚至有所增加。已经表明，系统性风险在很大程度上与金融风险的基本网络拓扑结构有关。一个自然出现的问题是，在不增加资本金要求的情况下，通过优化重组这些网络，可以消除多少系统性风险。[pichler 2018]研究了具有最小化系统性风险的重叠投资组合，其提供与经验投资组合相同的市场功能。在这里，我们提出了一个类似的方法，直接暴露网络，并将其应用到跨部门的银行间贷款网络，包括奥地利银行间市场的10个季度的观察。我们表明，建议的框架重新安排的网络拓扑结构，使系统性风险减少了约3.5倍，并留下了优化的网络及其代理人的相关经济功能不变。所提出的优化程序并非旨在实际上重新配置银行间市场，而是为了证明通过重新安排风险敞口网络进行系统性风险管理的巨大潜力，而增加资本要求对系统性风险的影响微乎其微[poledna 2017]。在[thurner 2013]和[poledna 2016]中介绍了实际激励自组织形成最佳网络配置的方法。就有关金融市场稳定的监管政策而言，对特定经济环境的最低系统性风险的了解可作为监测市场实际系统性风险的基准。
2019-05-15 q-fin.CP q-fin.RM
On the Risk Management with Application of Econophysics Analysis in Central Banks and Financial Institutions
本文的研究目的是探讨在非线性动态金融系统中，经济物理学分析如何补充计量经济学模型在中央银行和金融机构风险管理中的应用。我们认为现代风险管理模型，并显示适当的技术来计算各种现有的金融风险。由于非线性动态金融系统中的非线性现象，本文对自回归条件异方差模型等波动率统计建模模型可能存在的局限性进行了评述。我们建议，各种类型的非线性，这可能源于金融和经济系统，必须考虑到详细的资本成本计算在金融和经济。本文提出了新的非线性动态波动理论和新的非线性动态混沌（NDC）波动率模型，用于金融波动的统计建模，以确定风险价值。
2012-11-17 q-fin.CP q-fin.GN q-fin.RM
Macrostate Parameter, an Econophysics Approach for the Risk Analysis of the Stock Exchange Market Transactions
在本文中，我们试图引入一种经济物理学的方法来评估金融市场的风险的某些方面。为此目的，我们使用了物理系统中熵和平衡态的数学方法和统计物理结果。对经济价值和财务信息进行了一些考虑。最后，在此基础上，提出并讨论了一种新的证券市场交易金融风险度量指标--宏观状态参数。关键词：经济物理学、证券交易市场、金融风险、资讯分册、熵、宏观状态参数。
2009-07-31 q-fin.PM q-fin.RM
Measuring and hedging financial risks in dynamical world
金融市场已经发展了许多策略来控制市场波动引起的风险。数学已经成为解决金融中资产定价模型和对冲策略等基本问题的领先学科。历史始于布莱克和斯科尔斯提出的零风险范式，即未来支付的任何随机金额都可以被动态投资组合复制。在实际应用中，由于信息的缺乏，在模型校正时会出现不适定问题。现实世界更加复杂，需要新的定价和对冲方法。在过去的20年里，基于超复制（完美或相对于置信水平）和优化，这个具有挑战性的问题产生了深入而密集的学术研究。在理论与实践的相互作用中，蒙特卡罗方法被重新审视，新的风险度量方法被重新测试。这些典型的例子给出了一些见解，如何可能在金融风险管理中使用数学。
2003-05-01 math.PR q-fin.RM
Modelling China's Credit System with Complex Network Theory for Systematic Credit Risk Control
对信贷网络结构的认识不足被认为是监管机构在2007年开始的金融危机期间低估破坏性系统风险的一个关键因素。现有的信用网络研究要么从宏观角度出发，在描述性层面上阐明金融系统的拓扑性质，要么在对网络进行大量预设的基础上，分析单个实体的风险传递路径和特征。在此，我们运用复杂网络理论，基于实际金融数据，对2000 - 2014年中国信用体系进行建模。本文构建了一个金融机构-企业双向网络及其投影子网络，从宏观和微观两个角度进行了综合分析，并探讨了类型化特征与系统信用风险控制的关系。对网络的类型学分析表明，金融机构和企业之间存在高度但不对称的联系，信贷网络结构使局部特异性冲击有可能扩散到整个经济。此外，中国信贷市场仍然由国有金融机构主导，在过去15年中，企业之间激烈竞争金融资源。在此基础上，引入信用风险评分（CRS），通过仿真确定系统风险控制的重要节点。研究结果表明，在网络中，进入信贷市场的机会越多或成为桥梁的可能性越小的节点，其系统重要性越高。本文的实证研究结果将为金融监管者提供具体的政策建议，包括监管方法和监管资源的优化配置，以增强中国和其他国家信用体系的稳健性。
2018-12-04 q-fin.RM
Efficient immunization strategies to prevent financial contagion
已经提出了许多免疫策略来防止传染性病毒通过网络传播。在这项研究中，我们提出了有效的免疫策略，以防止可能发生在金融网络中的违约传染。与以往免疫策略研究的一个本质区别是，我们考虑了严重副作用的可能性。统一免疫是指银行用一种共同的低风险资产进行“免疫”。免疫银行的风险性将显著降低，但由于去多元化效应，系统性风险水平可能增加。为了克服这种副作用，我们提出了另一种免疫策略，反作用免疫，防止对银行同时失败。我们发现，对抗免疫可以有效地降低系统性风险，而不改变单个银行的风险。
2013-12-14 q-fin.RM
Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions
Portland State University（波特兰州立大学）；Westview High School（韦维尤高中）
针对Transformer模型在金融预测中低估极端风险的问题，本文提出将VaR和CVaR融入损失函数（Loss-at-Risk），实验证明该方法在不影响决策性能的前提下提升了风险评估能力。
2024-11-04 cs.CL cs.LG q-fin.RM
Portfolio Optimization for Index Tracking with Constraints on Downside Risk and Carbon Footprint
本文提出通过优化投资组合权重以减少财务损失风险，构建去碳化指数以跟踪标准普尔500和NIFTY-50指数，同时兼顾环境责任。
2025-12-24 q-fin.RM
Pricing Financial Derivatives Subject to Counterparty Risk and Credit Value Adjustment
本文提出了一个具有交易对手信用风险的金融衍生产品定价的一般模型。考虑了单边和双边类型的信用风险。我们的研究表明，在大多数情况下，信用风险应建模为美式期权，这需要一个逆向归纳估值。为了纠正文献中的一个常见错误，我们强调，违约衍生品的市场价值实际上是一个风险价值，而不是一个无风险价值。信用价值调整（CVA）也进行了阐述。一个实用的框架开发的定价违约衍生品和计算其CVAs在投资组合的水平。
2018-04-05 q-fin.CP q-fin.GN q-fin.PR
Mathematical Modeling of Systemic Risk in Financial Networks: Managing Default Contagion and Fire Sales
2007/08年的金融危机深刻地表明，金融网络中的传染效应对整个系统的稳定性构成了巨大威胁。如果对银行和其他金融机构没有足够的资本要求，最初局限于局部的冲击可能会蔓延到整个系统，并通过各种传染渠道大大放大。因此，本论文的目的是详细研究这种所谓的系统性风险的两个选定的传染渠道，提供数学模型，并得出金融机构的系统性风险管理的后果。我们考虑的第一个传染渠道是违约传染。潜在的影响是，资不抵债的机构无法再偿还债务或其他财务义务--至少是部分偿还。因此，债务人和系统中其他直接受影响的当事方被迫注销其损失，并可能因其所遭受的财务损失而被迫破产。另一方面，这又开启了新一轮的违约传染过程。在我们的模型中，我们简单地描述了每个机构的所有财务状况，它暴露在以及其初始资本。在这样做的过程中，我们的出发点是Detering et al.（2017）的工作-未加权网络中的传染模型-特别考虑了精确的网络配置是随机的，并推导出大型网络的渐近结果。我们扩展了这个模型，使加权网络可以考虑和应用到金融网络成为可能。更确切地说，对于任何给定的初始冲击，我们推导出一个明确的渐近表达式的总损害造成的系统中的传染，并提供了一个必要和充分的标准，一个未受冲击的金融系统是稳定的小冲击。而且，
2019-11-17 q-fin.RM
Measuring risk contagion in financial networks with CoVaR
本文针对金融网络风险传染测度问题，构建二分图金融网络模型，结合厚尾分布与copula模型刻画资产收益特征，研究CoVaR的渐近行为并提出极端CoVaR指数，通过两类经典copula模型验证了方法的有效性。
2025-05-22 math.PR q-fin.RM
Looking for grass-root sources of systemic risk: the case of "cheques-as-collateral" network
全球金融体系已变得高度关联和复杂。实践证明，现有的金融风险模型、措施和报告未能捕捉到一些重要的系统层面。直到最近，才在高层建立了咨询委员会，监管直接针对系统性风险。同样，越来越多的研究人员采用网络分析来模拟金融网络中的系统性风险。目前的方法集中在国家和国际一级的银行间支付网络流动。这项工作建立在现有的方法来考虑微观层面的系统性风险评估。特别是，我们介绍了银行内部的金融风险的相互联系的分析，通过检查的“支票作为抵押品”网络的一个主要的希腊银行的真实案例。我们的模型提供了有用的信息，破坏银行的贷款网络中的金融实体的负面溢出效应，可以补充现有的信用评分模型，只占特质客户的财务状况。最重要的是，所提出的方法可用于整个金融系统的许多部门，为监管当局提供了一个有用的工具，以评估更准确的系统性风险估计。
2011-12-06 cs.SI q-fin.CP q-fin.RM
Tail Risk Analysis for Financial Time Series
本章阐述如何将极值统计应用于金融时间序列以评估尾部风险，讨论无条件与条件分位数预测方法，并以S&P 500指数为案例进行风险分析与回测，同时探讨了序列依赖性对多元尾部依赖性的影响。
2024-09-27 q-fin.RM stat.AP stat.ME
