Quantifying Credit Portfolio sensitivity to asset correlations with interpretable generative neural networks

要約

この研究では、深層学習モデルで生成された合成金融相関行列を使用して、資産相関に対する信用ポートフォリオのバリュー・アット・リスク（VaR）感度を定量化するための新しいアプローチを提案します。
以前の研究では、敵対的生成ネットワーク (GAN) を使用して、資産収益を推定した経験的相関行列で観察される本質的な特徴を捉える、もっともらしい相関行列の生成を実証しました。
GAN の代わりに、変分オートエンコーダー (VAE) を採用して、より解釈しやすい潜在空間表現を実現します。
私たちの分析を通じて、VAE潜在空間は、特に資産相関の変化に対する信用ポートフォリオの感応度に関連して、ポートフォリオの多様化に影響を与える重要な要因を捉えるための有用なツールとなり得ることが明らかになりました。

要約(オリジナル)

In this research, we propose a novel approach for the quantification of credit portfolio Value-at-Risk (VaR) sensitivity to asset correlations with the use of synthetic financial correlation matrices generated with deep learning models. In previous work Generative Adversarial Networks (GANs) were employed to demonstrate the generation of plausible correlation matrices, that capture the essential characteristics observed in empirical correlation matrices estimated on asset returns. Instead of GANs, we employ Variational Autoencoders (VAE) to achieve a more interpretable latent space representation. Through our analysis, we reveal that the VAE latent space can be a useful tool to capture the crucial factors impacting portfolio diversification, particularly in relation to credit portfolio sensitivity to asset correlations changes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google