Time-Series Foundation Model for Value-at-Risk Forecasting

要約

この研究は、基本的にリターンの左側分位数を予測するバリュー・アット・リスク（VaR）の時系列基礎モデルのパフォーマンスを分析した最初の研究です。
さまざまなデータセットで事前トレーニングされた基礎モデルは、最小限のデータを使用してゼロショット設定で適用することも、微調整を通じてさらに改善することもできます。
S&P 100 指数とその構成銘柄からの 19 年間の日次リターンを使用して、Google の TimesFM モデルを、GARCH や一般化自己回帰スコア (GAS) などの従来のパラメトリック モデルおよびノンパラメトリック モデルと比較します。
8.5 年を超えるサンプル外データを使用したバックテストにより、微調整された基礎モデルが、実際の予想以上の比率で従来の手法を常に上回るパフォーマンスを示していることがわかります。
分位点スコア損失関数については、最良の計量経済モデルである GAS と同等のパフォーマンスを発揮します。
全体として、基礎モデルは、0.01、0.025、0.05、および 0.1 分位数の予測全体で最高または上位のパフォーマンスとしてランク付けされています。
微調整により精度が大幅に向上し、ゼロショットの使用が VaR にとって最適ではないことがわかります。

要約(オリジナル)

This study is the first to analyze the performance of a time-series foundation model for Value-at-Risk (VaR), which essentially forecasts the left-tail quantiles of returns. Foundation models, pre-trained on diverse datasets, can be applied in a zero-shot setting with minimal data or further improved through finetuning. We compare Google’s TimesFM model to conventional parametric and non-parametric models, including GARCH and Generalized Autoregressive Score (GAS), using 19 years of daily returns from the S&P 100 index and its constituents. Backtesting with over 8.5 years of out-of-sample data shows that the fine-tuned foundation model consistently outperforms traditional methods in actual-over-expected ratios. For the quantile score loss function, it performs comparably to the best econometric model, GAS. Overall, the foundation model ranks as the best or among the top performers across the 0.01, 0.025, 0.05, and 0.1 quantile forecasting. Fine-tuning significantly improves accuracy, showing that zero-shot use is not optimal for VaR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google