定量金融学
Quantitative Finance
计算金融学
Computational Finance
金融经济学
Economics
通用金融学
General Finance
担保债券是承包商(主要)和债权人(项目所有者)完成项目的财务协议。 然而,大多数大型项目涉及多个承包商,创建一个网络,并引入了传播并导致项目失败的义务不完整的可能性。 风险评估的典型模型假设每个承包商内的独立故障概率。 然而,我们采用网络方法,将承包商网络建模为定向图,其中节点代表承包商和项目所有者,边缘代表相关财务记录的合同义务。 为了了解整个承包商网络的风险传播,我们扩展了著名的Friedkin-Johnsen模型,并引入了一个随机过程来模拟整个网络的主要故障。 从理论的角度来看,我们表明,在承包商网络的自然单调条件下,结合网络效应会导致担保组织损失分布(即更大的右尾风险)的平均风险和尾部概率质量的增加。 我们进一步使用合作保险公司的数据来验证我们的调查结果,在计算网络效应时估计风险增加约2%。
执行算法对现代交易至关重要,它们使市场参与者能够执行大订单,同时最大限度地减少市场影响和交易成本。 随着这些算法变得越来越复杂,优化它们变得越来越具有挑战性。 在这项工作中,我们提出了一个强化学习(RL)框架,用于发现最佳的执行策略,在基于响应式代理的市场模拟器中进行评估。 这个模拟器创建响应式订单流,并允许我们分解滑入其组成部分:市场影响和执行风险。 我们使用Almgren和Chriss工作的高效前沿来评估RL代理的性能,衡量其平衡风险和成本的能力。 结果表明,RL衍生的策略始终优于基线,并在高效前沿附近运行,显示出优化风险和影响的强大能力。 这些发现强调了强化学习作为交易者工具包中的强大工具的潜力。
稳健的收益率曲线估计在固定收益市场中对于准确的工具定价、有效的风险管理和明智的交易策略至关重要。 传统方法,包括引导方法和参数化的Nelson-Siegel模型,经常与过度拟合或不稳定问题作斗争,特别是当基础债券稀疏,债券价格波动或包含难以去除的噪音时。 在本文中,我们提出了一个基于神经网络的框架,用于针对小型抵押贷款债券市场量身定制的稳健收益率曲线估计。 我们的模型每天独立估计收益率曲线,并引入新的损失功能,以强制平滑和稳定,解决与有限和嘈杂数据相关的挑战。 瑞典抵押贷款债券的经验结果表明,与Nelson-Siegel-Svensson(NSS)和Kernel-Ridge(KR)等现有方法相比,我们的方法提供了更稳健和稳定的收益率曲线估计。 此外,该框架还允许整合特定领域的制约因素,例如与无风险基准保持一致,使从业人员能够根据其需要平衡平稳性和准确性之间的权衡。
股票投资组合经常暴露于罕见的后果事件(例如,2007年全球金融危机,2020年COVID-19股市崩盘),因为它们没有足够的历史信息来学习。 大型语言模型(LLM)现在提供了解决这个问题的可能工具,因为它们可以在其大型训练数据语料库中进行概括,并在新事件上执行零镜头推理,使他们能够检测可能的投资组合崩溃事件,而无需特定的训练数据。 然而,检测投资组合崩溃是一个复杂的问题,需要的不仅仅是推理能力。 投资者需要动态地处理新闻文章中发现的每个新信息的影响,分析不同事件和投资组合股票的影响关系网络,以及了解跨时间步骤的影响之间的时间背景,以获得对目标投资组合的汇总影响。 在这项工作中,我们提出了一个名为时间关系推理(TRR)的算法框架。 它试图模仿用于复杂解决问题的人类认知能力的光谱,包括头脑风暴,记忆,注意力和推理。 通过广泛的实验,我们表明TRR能够超越检测股票投资组合崩溃的最先进的技术,并演示每个拟议组件如何通过消融研究帮助其性能。 此外,我们进一步探索了TRR的可能应用,将其扩展到其他相关复杂问题,例如检测宏观经济学中可能发生的全球危机事件。
尽管占马来西亚所有企业的96.1%,但获得融资仍然是微型、小型和中型企业(MSME)面临的最持久的挑战之一。 新成立的或年轻的企业往往被排除在正规信贷市场之外,因为传统的承保方法严重依赖信贷局的数据。 这项研究调查了银行对账单数据作为信贷评估的替代数据源的潜力,以促进新兴市场的金融包容性。 首先,我们提出了一个基于现金流的承保管道,利用银行对账单数据进行端到端数据提取和机器学习信用评分。 其次,我们介绍了来自马来西亚贷款机构的611名贷款申请人的新数据集。 第三,我们根据应用信息和银行交易衍生功能开发和评估信用评分模型。 经验结果表明,使用这些数据可以提高我们数据集上所有模型的性能,从而提高新贷款中小微企业的信用评分。 最后,我们打算发布匿名银行交易数据集,以促进对马来西亚新兴经济体中小微企业金融包容性的进一步研究。
金融网络的特点是相互义务的复杂结构。 这些债务通过称为清算的机制完全或部分履行(当违约发生时),该机制确定一组付款,通过尊重有限责任,绝对优先权和相称性(按比例支付)等规则来解决索赔。 然而,在金融系统出现冲击的情况下,清算机制可能导致一连串的违约,最终导致金融灾难。 在本文中,我们首先研究了Eisenberg和Noe按比例支付的清算模型,并为清算付款的独特性提供了新颖的必要和充分条件,适用于金融网络的任意拓扑结构。 然后,我们认为相称性规则是导致级联违约的因素之一,如果取消此规则,则可以减少整个系统的损失。 因此,拟议的方法将重点从个人兴趣转移到整个系统的兴趣,以控制和包含级联故障的不利影响,我们表明,通过解决适当的凸优化问题,可以计算此设置中的清算付款。
在本文中,我们分析了银行网络对共享风险敞口的外部资产联合价格波动的弹性,并评估了可能的违约传染的最坏情况。 事实上,当某些外部资产的价格下降或增加时,所有接触它们的银行都会经历不同程度的资产负债表冲击。 这些协调和结构化的冲击有可能加剧违约的可能性。 在这种情况下,我们首先引入默认弹性保证金的概念,即网络可以在不产生违约的情况下容忍资产价格波动的最大幅度。 这种阈值的计算方法是考虑两种不同的价格波动衡量标准,一种基于每种资产的最大个体变化,另一种基于资产绝对变化的总和。 对于任何具有不大于ε^*的振幅的价格扰动,网络吸收了保持默认自由的冲击。 然而,当扰动幅度超出 ε^* 时,可能会出现默认值。 在这种情况下,我们发现最坏的情况是系统性损失,即在特定幅度最严重的价格变化下未偿还债务总额。 计算阈值水平 ε^* 和最坏情况的损失以及相应的最坏情况资产价格情景,相当于解决适当的线性编程问题。
传统上,博弈论对风险的看法相对有限,基于玩家的预期奖励如何受到其他玩家行为的不确定性的影响。 最近,一种新的游戏理论方法提供了更全面的风险观,也考虑了奖励变量。 然而,这些基于方差的方法衡量了上行和下行的奖励方差。 在许多领域,如金融,下行风险只至关重要,因为这意味着与决策相关的潜在损失。 相比之下,大上行“风险”(例如利润)不是问题。 为了解决这种限制性的风险观,我们提出了一种新的解决方案概念,基于较低的部分时刻的下行风险意识均衡(DRAE)。 DRAE限制了下行风险,同时对上行风险没有限制,此外,还模拟了高阶风险偏好。 我们展示了DRAE在几款游戏中的适用性,成功地找到了平衡,平衡了下行风险与预期回报,并证明了这种平衡的存在和最佳性。
条件风险最小化产生于高风险决策中,其中风险必须根据附带信息进行评估,例如压力经济条件,特定客户概况或其他上下文协变。 从有限的数据中构建可靠的条件分布是出了名的困难,它激励了一系列基于最佳运输的提案,以分布稳健的方式解决这种不确定性。 然而,这些方法仍然支离破碎,每种方法都受到其自身局限性的限制:有些依赖于点估计或限制性结构假设,有些方法只适用于狭隘的风险措施类别,其结构联系尚不清楚。 我们引入了一个通用框架,用于分配稳健的条件风险最小化,建立在最佳运输中新颖的工会球配方之上。 该框架提供了三个主要优势:可解释性,通过将现有方法作为特殊情况并揭示其深层结构联系;可处理性,通过为文献中研究的几乎所有主要风险函数产生凸重制;以及可扩展性,通过支持大规模有条件风险问题的切割平面算法。 组合优化与排名依赖的预期实用程序的应用程序突出了框架的实际有效性,条件模型与无条件模型显然没有的最佳解决方案融合在一起。
检测总分类账数据中的异常对于确保财务记录的可信度至关重要。 财务审计越来越依赖于机器学习(ML)算法来识别不规则或潜在的欺诈性日志条目,每个日志条目的特征是不同数量的交易。 在机器学习中,特征维度的异质性为数据分析增加了显著的复杂性。 在本文中,我们介绍了一种使用大型语言模型(LLM)嵌入在金融数据中异常检测的新方法。 为了从现实世界的财务记录中编码非语义分类数据,我们测试了3个预先训练的通用句子-变压器模型。 对于下游分类任务,我们实现并评估了5个优化的ML模型,包括Logistic Regression,Random Forest,Gradient Boosting Machines,Support Vector Machines和Neural Networks。 我们的实验表明,LLM为异常检测贡献了有价值的信息,因为我们的模型在选定的环境中超过了基线,甚至在大幅度。 研究结果进一步强调了LLM在加强金融期刊条目中的异常检测方面的有效性,特别是通过解决特征麻痹问题。 我们讨论了在金融领域及以后使用LLM嵌入的非语义数据的一个有希望的观点。
人工智能风险本质上是多维度的，因为相同的风险场景可能具有法律、运营和金融风险维度。随着新的人工智能法规的出现，由于即将出台的AI法规，人工智能风险管理的最新技术水平似乎非常不成熟。尽管出现了几种方法和通用标准，但考虑到最重要的问题是为特定AI风险场景定制人工智能风险指标和风险模型，具有实际实施价值的指南仍然很少见。此外，财务部门、法律部门和政府风险合规团队似乎仍然不了解AI系统的许多技术方面，而数据科学家和AI工程师则成为最合适的实施者。将人工智能风险问题分解为几个维度至关重要：数据保护、公平性、准确性、鲁棒性和信息安全。因此，主要任务是开发适当的指标和风险模型，以减少决策过程中的不确定性，以便就AI系统的风险管理做出明智决策。本文的目的是引导AI利益相关者了解AI风险管理的深度。虽然它不是极其技术性的，但需要具备风险管理、不确定性量化、FAIR模型、机器学习、大语言模型和AI上下文工程的基本知识。所提供的示例旨在非常基础和易于理解，提供可以在特定AI定制环境中开发的简单想法。人工智能风险管理中有许多问题需要解决，本文将全面概述AI风险的相互依赖性，以及如何在风险场景中共同建模它们。
气候风险评估需要模拟空间异质危害和适应性经济系统之间的复杂相互作用。 我们提出了一种新的基于地理空间代理的模型,该模型将气候危害数据与经济主体的进化学习相结合。 我们的框架将基于Mesa的空间建模与CLIMADA气候影响评估相结合,引入了适应性学习行为,使企业能够通过基于健身的选择和突变来制定预算分配,定价,工资和风险适应策略。 我们展示了在2100年之前使用RCP8.5下的河流洪水预测的框架,表明进化适应使企业能够在因气候压力而中断数十年后与基线(无危害)生产水平趋同。 我们的结果表明,即使是不直接暴露于洪水的代理商也会面临供应链中断的影响,而年底的平均商品价格为5.6
在强化学习(RL)设置中,代理的最佳策略在很大程度上取决于她的风险偏好和培训环境的潜在模型动态。 这两个方面会影响代理商在面对测试环境时做出消息灵通和时间一致决策的能力。 在这项工作中,我们设计了一个框架来解决强大的风险感知RL问题,其中我们同时考虑环境不确定性和风险,并采取了一类动态强的失真风险措施。 稳健性是通过考虑Wasserstein球中围绕参考模型的所有模型引入的。 我们通过使用严格一致的评分函数来估计使用神经网络的动态稳健风险度量,使用扭曲风险度量的分位数表示导出策略梯度公式,并构建一个 actor-critic 算法来解决这类强效风险感知 RL 问题。 我们在投资组合分配示例上演示了算法的性能。
近年来,在监管改革和宏观经济波动的情况下,中国债券市场的违约率激增。 传统的机器学习模型难以捕捉财务数据的不规则和时间依赖性,而大多数深度学习模型缺乏对财务决策的可解释性。 为了解决这些问题,我们提出了EMDLOT(用于时间序列的可解释多模态深度学习),这是一个用于多类债券默认预测的新框架。 EMDLOT集成了数值时间序列(金融/宏观经济指标)和非结构化文本数据(债券招股说明书),使用Time-Aware LSTM处理不规则序列,并采用软聚类和多层次关注来提高可解释性。 对1994年中国公司(2015-2024)的实验表明,EMDLOT在召回,F1分数和mAP方面优于传统(例如XGBoost)和深度学习(例如LSTM)基准,特别是在识别违约/扩展公司方面。 消融研究验证了每个组件的价值,注意力分析揭示了经济上直观的默认驱动因素。 这项工作为透明的金融风险建模提供了一个实用的工具和值得信赖的框架。
根据IFRS 9和CECL估计默认(PD)的生命周期概率,需要预测多年的实时转换矩阵。 一个持续的弱点是宏观经济预测错误在视野中加剧,产生不稳定和不稳定的PD术语结构。 本文重新划分了状态-空间框架中的问题,并表明直接的卡尔曼过滤器留下了非消失的可变性。 然后,我们引入了一个锚定观测模型,该模型将中性的长期经济状态融入过滤器中。 由此产生的误差动力学表现出渐近的随机稳定性,确保了终身PD项结构概率的收敛。 合成企业组合的模拟证实,锚定可降低预测噪声,并提供更平滑、更可解释的预测。
预测违约对于银行确保盈利能力和金融稳定至关重要。 虽然现代机器学习方法通常优于传统的回归技术,但它们缺乏透明度限制了他们在受监管环境中的使用。 可解释的人工智能(XAI)已经成为信用评分等领域的解决方案。 然而,大多数XAI研究都集中在黑箱模型的后解释上,黑箱模型不能产生足够轻或透明的模型,以满足监管要求,例如基于内部评级(IRB)模型的模型。 本文提出了一种混合方法:黑盒模型的后解释指导功能选择,然后训练玻璃盒模型,同时保持预测能力和质量。 使用Lending Club数据集,我们证明这种方法实现了与基准黑盒模型相当的性能,同时仅使用10个特征 - 一个88.5我们还展示了使用特征交互分析,相关性检查和专家输入的模型改进可以进一步提高模型可解释性和鲁棒性。
确保受保护属性(如性别或种族)的公平待遇(公平)是机器学习中的一个关键问题。 大多数现有文献都侧重于二元分类,但在回归任务(如保险定价或招聘分数评估)中实现公平性同样重要。 此外,反歧视法也适用于连续的属性,例如年龄,许多现有方法不适用。 在实践中,多种受保护的属性可以同时存在;然而,针对多个属性的公平性的方法往往忽略了所谓的“公平性,从而忽略了交叉亚组(例如,非裔美国女性或西班牙裔男性)之间的差异。 在本文中,我们提出了一个距离协方差正则化框架,该框架根据人口均值的公平定义,可降低模型预测与受保护属性之间的关联,并捕获线性和非线性依赖关系。 为了在存在多个受保护属性的情况下增强适用性,我们扩展了我们的框架,它结合了基于距离协方差的两个多变量依赖措施:先前提出的联合距离协方差(JdCov)和我们新颖的连接距离协方差(CCdCov),它有效地解决了涉及各种类型的受保护属性的回归和分类任务中的公平性。 我们讨论并说明了如何校准正则化强度,包括基于Jensen-Shannon发散的方法,该方法量化了各组预测分布的差异。 我们将我们的框架应用于COMPAS累犯数据集和大型汽车保险索赔数据集。
我们概述了GenAI在金融业的新兴应用,特别是在投资银行内。 固有这些令人兴奋的机会是一个新的风险领域,必须妥善管理。 通过关注GenAI的Yin和Yang双方,我们可以加速其有机增长,同时在这个新兴的AI时代保护整个金融业。
异常的加密货币交易 - 如混合服务,欺诈性转移和泵和倾卸操作 - 给财务完整性带来了不断升级的风险,但由于类不平衡,时间波动和复杂的网络依赖性,仍然难以检测。 现有方法主要以模型为中心,在发生异常后,才会出现异常,从而提供有限的预防价值。 本文介绍了 HyPV-LEAD(Hyperbolic Peak-Valley Lead-time Enabled Anomaly Detection),这是一个数据驱动的预警框架,明确将铅时间纳入异常检测。 与之前的方法不同,HyPV-LEAD集成了三种创新:(1)窗口空间建模,以确保可操作的引导时间警报,(2)峰值谷(PV)采样,以减轻类失衡,同时保持时间连续性,(3)双曲嵌入以捕获区块链交易网络的分层和无尺度属性。 对大规模比特币交易数据的经验评估表明,HyPV-LEAD始终优于最先进的基线,实现了0.9624的PR-AUC,在精度和召回方面取得了重大进展。 消融研究进一步证实,每个组件 - PV采样,双曲线嵌入和结构-时间建模 - 都提供了互补的好处,完整的框架提供了最高的性能。 通过将异常检测从反应性分类转变为主动预警,HyPV-LEAD为动态区块链环境中的实时风险管理、反洗钱(AML)合规性和金融安全性奠定了坚实的基础。
嘈杂的数据通常被视为决策的挑战。 本文研究了一个分布稳健的优化(DRO),展示了如何系统地将这种噪声纳入。 我们不是在嘈杂的经验分布中应用DRO,而是通过将Wasserstein球集中在观测空间中的嘈杂的经验分布中并通过已知的噪声内核获取其逆图像来构建对潜在分布的模糊设置。 我们通过推导可处理的凸重制和建立严格的统计保证(包括有限样本性能和渐近一致性)来验证这种逆图像结构。 至关重要的是,我们证明,在温和的条件下,嘈杂的数据可能是“变相的祝福”。 我们的嘈杂数据DRO模型不如其直接对应模型保守,导致可证明更高的最优值和更低的模糊性价格。 在公平的资源分配问题的背景下,我们证明这种强有力的方法可以产生结构上更公平的解决方案。 我们的研究结果表明,管理者可以利用不确定性,将噪音作为稳健性的来源,而不是将其视为障碍,从而产生更稳健和战略性平衡的决策。
继续滚动加载更多
