证券组合市场风险的有效随机拟蒙特卡罗方法

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Efficient Randomized Quasi-Monte Carlo Methods For Portfolio Market Risk》
---
作者：
Halis Sak and \\.Ismail Ba\\c{s}o\\u{g}lu
---
最新提交年份：
2015
---
英文摘要：
  We consider the problem of simulating loss probabilities and conditional excesses for linear asset portfolios under the t-copula model. Although in the literature on market risk management there are papers proposing efficient variance reduction methods for Monte Carlo simulation of portfolio market risk, there is no paper discussing combining the randomized quasi-Monte Carlo method with variance reduction techniques. In this paper, we combine the randomized quasi-Monte Carlo method with importance sampling and stratified importance sampling. Numerical results for realistic portfolio examples suggest that replacing pseudorandom numbers (Monte Carlo) with quasi-random sequences (quasi-Monte Carlo) in the simulations increases the robustness of the estimates once we reduce the effective dimension and the non-smoothness of the integrands.
---
中文摘要：
我们考虑t-copula模型下线性资产组合的损失概率和条件超额的模拟问题。虽然在有关市场风险管理的文献中，有论文提出了有效的方差缩减方法，用于投资组合市场风险的蒙特卡罗模拟，但没有论文讨论将随机拟蒙特卡罗方法与方差缩减技术相结合。本文将随机拟蒙特卡罗方法与重要性抽样和分层重要性抽样相结合。实际投资组合实例的数值结果表明，在模拟中用准随机序列（准蒙特卡罗）代替伪随机数（蒙特卡罗）可以在降低被积函数的有效维数和非光滑性后提高估计的稳健性。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Efficient_Randomized_Quasi-Monte_Carlo_Methods_For_Portfolio_Market_Risk.pdf (1.25 MB)

2022-5-12 03:03:26 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：蒙特卡罗方法 蒙特卡罗 市场风险 蒙特卡 Quantitative

投资组合市场风险的有效随机拟蒙特卡罗方法2015年10月7日中国苏州Xi交通利物浦大学哈利斯萨卡数学科学系伊斯梅尔Ba so gluSchool of Economic and Administration Sciences，伊斯坦布尔凯默堡大学，本文研究了t-copula模型下线性资产组合的损失概率和条件超额的模拟问题。虽然在市场风险管理的文献中，有论文提出了有效的方差缩减方法来模拟投资组合市场风险，但没有论文讨论将随机拟蒙特卡罗方法与方差缩减技术相结合。本文将随机拟蒙特卡罗方法与重要抽样和分层重要抽样相结合。真实的投资组合示例的数值结果表明，在模拟中用拟随机序列（拟蒙特卡罗）代替伪随机数（蒙特卡罗）可以提高估计的稳健性，只要我们降低有效维数和整数的非光滑性。关键词：风险管理；准蒙特卡罗；重要性抽样；分层抽样；t-copula1简介市场风险管理涉及固定时间范围内资产组合损失分布的估计。广泛使用的风险度量值风险值（VaR）和预期短缺需要在一个现实模型下准确估计损失概率和条件超额，该模型捕捉了多个相关作者的日志收益的依赖结构。电话：+86.512.88161000-4886电子邮件地址：halis。sak@gmail.com（哈利斯萨克），ismailbsgl@gmail.com（˙Ismail Ba,soglu）资产。

作为股票对数收益率的灵活而精确的模型，我们使用copula依赖结构和广义双曲分布后的边际（见Embrechts等人，2002；Mashal等人，2003；Prause，1997；Glasserman等人，2002）。由于t-copula模型下的损失概率和条件超额没有封闭形式的分析结果，我们需要使用类似蒙特卡罗模拟的计算方法。在大多数情况下，与其他方法相比，蒙特卡罗模拟是一种更好的选择，因为它会导致估计值的误差范围。由于MonteCarlo模拟的收敛速度很慢，为O（1/√n） ，我们需要使用方差缩减技术提高估计的效率。有论文提出了投资组合市场风险估计中的方差缩减方法（例如，见Glasserman等人，2002年；Broadie等人，2011年；Ba,soglu等人，2013年）。蒙特卡罗模拟的另一种替代方法是准蒙特卡罗方法（QMC），它使用低差异序列代替伪随机数。准蒙特卡罗方法的收敛速度接近O（1/n），比O（1/n）快/√n） 。然而，由于低差异序列没有i.i.d.属性，无法估计普通QMC下的误差界。随机拟蒙特卡罗通过对低差异序列应用随机化来解决这个问题。随机准蒙特卡罗（RQMC）已广泛用于定价（例如，见Birge，1995；Boyle等人，1997）。然而，文献中很少发现应用RQMC测量portfoliorisk（见Krein等人，1998年；Jin和Zhang，2006年）。这可以解释为，风险管理应用中的被积函数是高维随机输入的非光滑函数（例如，指标函数）。

（正如Moroko Off和Ca flisch（1995）所指出的，当被积函数不光滑且高维时，准蒙特卡罗方法的性能会降低。）为了使用QMC计算VaR，Krein等人（1998）应用主成分分析来降低风险因素空间的维数。Jin和Zhang（2006）通过傅立叶变换平滑指标函数的预期，然后应用RQMC，有效地模拟了VaR。本文的目的是研究在t-copula模型下，RQMC和方差缩减技术是否可以有效地结合起来模拟损失概率和条件超额。为了解决整数的高维问题，我们对随机输入应用线性变换来减少有效维数。此外，使用重要采样减少了模拟被积函数的不连续性。我们最终应用分层来进一步提高估计的准确性。数值实验表明，方差缩减方法的RQMC实现比蒙特卡罗实现更有效。虽然本文的方法是在t-copula模型下对市场风险管理进行解释，但它更普遍地适用于信用风险、保险和操作风险等其他领域，t-copula模型在这些领域得到了广泛应用。论文的其余部分组织如下。第2节描述了投资组合市场风险的t-copula模型。第3节介绍了估算损失概率和条件超额的有效蒙特卡罗模拟方法的背景。第4节将theRQMC方法与重要性抽样和分层重要性抽样相结合，用于估计损失概率和条件超额。

我们在第5.2节t-Copula模型中给出了投资组合市场风险的数值结果。任何投资组合市场风险模型的本质都是其捕捉资产之间依赖关系的能力。在本节中，我们介绍了广泛使用的t-copula模型（参见Glassermanet al.，2002；Sak et al.，2010）。我们感兴趣的是固定时间段内股票贬值造成的损失分布。以下符号用于表示该分布D=投资组合中的股票数量owd=dth股票的权重oXd=dth股票的对数回报oL=1-PDd=1wdeXd=投资组合损失（假设投资组合的初始值等于1）我们假设我们得到了一个权重已知（w，…，wD）且未来对数收益未知（X，…，XD）的股票投资组合。主要目的是估计损失概率P（L>τ）和条件超额E[L | L>τ]，尤其是在τ值较大时。为了建立股票之间的依赖关系模型，我们需要引入对数收益之间的依赖关系。假设股票的对数回归向量（X，…，XD）遵循一个具有ν自由度的t-copular。这种依赖性是通过一个具有ν自由度的多元t-vec=（t，…，TD）引入的。每个日志返回都表示为xd=cdG-1d（Fν（Td）），d=1，D、 （1）其中oFν表示具有ν自由度的t分布的累积分布函数（CDF）GD表示潜孔锤测井曲线边际分布的CDFCd是dth日志返回的比例因子。通过这种表示，日志返回之间的依赖性Xd可以由Td之间的相关性来确定。假设，我们给出了向量T和let∧的相关矩阵∑∈ RD×Dbe∑满足∧∧=的下三角Cholesky因子。然后，T可以用T=λZpY/ν（2）生成，其中Z=（Z。

，ZD）是一个标准的多正态随机向量，Y是一个独立的卡方随机变量，具有ν自由度。3有效的蒙特卡罗模拟方法在本节中，我们简要总结了为估计投资组合市场风险而设计的有效蒙特卡罗模拟算法。在此之前，我们先从实现朴素的蒙特卡罗算法开始。损失概率的朴素恒等式是P（L>τ）=E{L>τ}, 其中1{.}用大括号表示事件的指示器。我们还对条件过剩感兴趣，它可以表示为两个期望值[L | L>τ]=E的比率L1{L>τ}P（L>τ）=EL1{L>τ}E{L>τ}, （3） 可以在一次模拟运行中进行估计。朴素蒙特卡罗算法的每次复制都遵循以下步骤：1。生成D个独立的标准正态随机变量，Z=（Z，…，ZD），以及一个具有ν自由度的卡方随机变量Y，与Z.2无关。计算（2）中的T。计算日志返回Xd，d=1，D在（1）中。计算投资组合损失L=1-PDd=1wdexp（Xd）并返回估计器{L>τ}和L1{L>τ}。3.1重要性抽样对于较大的阈值τ，大多数简单模拟算法的复制都会返回估计器1{L>τ}的值零。为了增加L>τ区域内的复制次数，重要性抽样修改了随机输入的联合密度。假设f（.）是输入变量Z andY和f（.）的联合概率密度函数（PDF）是修改后的密度。重要性抽样使用以下恒等式来估计损失概率{L>τ}=~E{L>τ}f（Z，Y）~f（Z，Y）,式中，E是使用修正密度f（.）得出的期望值。寻找一个使蒙特卡罗估值器的方差最小化的重要抽样密度是一个微妙的问题。

但在研究有效is密度时，可以使用零方差is函数（参见Glasserman等人（1999）和Arouna（2004））。Glasserman等人（1999）补充道，对于路径相关期权的定价，零方差的模式是相对于原始密度的均值偏移。Sak等人（2010年）利用sameidea找到了一个接近最优的参数，用于在投资组合市场风险的copula模型中模拟损失概率。Sak等人（2010年）将带有负项的均值漂移向量添加到正态向量Zan中，并对卡方（即伽马）随机变量使用小于2的尺度参数来构建IS密度。选择移位向量和标度值，以便得到的IS密度模式等于零方差IS函数模式。有关IS参数确定和模拟算法实施的更多详细信息，请参见Sak等人（2010）的第4节。3.2分层重要性抽样为了进一步减少方差，可以沿一个或多个方向对重要性抽样密度进行分层。对于t-copula模型，假设ξi，i=1，一、 是RD+1into I不相交子集的一个划分，概率为∧pi=~P（（Z，Y）∈ ξi）在密度下。然后，分层重要性抽样（SIS）身份由E给出{L>τ}f（Z，Y）~f（Z，Y）=IXi=1piE{L>τ}f（Z，Y）~f（Z，Y）|（Z，Y）∈ ξi.尽管分层抽样是一种简单的方差缩减技术，但其性能受到样本空间高维性的不利影响（见Cheng和Davenport，1989）。因此，我们需要降低分层的有效维度。Ba,soglu等人（2013）在投资组合市场风险的t-copula设置下，通过沿单个方向分层Z和分层Y，将分层维度的数量从D+1减少到两个。

他们使用Sak等人（2010）的IS偏移作为Z的分层方向，因为IS偏移为多元正态输入提供了良好的分层方向（见Glasserman等人，1999）。为了详细说明Ba,soglu等人（2013）中分层的实施，他们使用等概率分层，并使用最佳样本分配最小化分层估计量的方差。对于等概率层，复制到astratum的最佳分配与该层的条件标准偏差成正比（例如，参见Glasserman，2004，第217页）。标准偏差的估计值可通过试运行进行计算。Etor’e和Jourdain（2010）以自适应最优分配（AOA）的名义提出了相同想法的迭代版本。在每次迭代中，AOAA算法通过使用条件标准偏差估计来修改进一步复制的比例。这些比例通过迭代收敛到最优分配分数。Etor\'e和Jourdain（2010）表明AOA算法的分层估计是渐近正态的，其渐近方差最小。Ba,soglu等人（2013年）利用了Etor\'e和Jourdain（2010年）的AOA算法，并进行了少量修改。有关使用分层重要抽样法估计损失概率的更多详细信息，请参见Ba,soglu等人（2013）第5节。对于条件超额模拟，SIS算法的分配策略应不同于我们用于损失概率模拟的分配策略。在这种情况下，我们使用最优分配分数，以最小化条件超额的分层比率估计值的方差（见Ba,soglu和H¨ormann，2014）。对于等概率地层，分配分数应与toxsi，yy成比例-2xsi，xy+si，xy，i=1。

，I，其中x=EL1{L>τ}, y=E{L>τ}, si，X和si，是L1{L>τ}和{L>τ}在第i层上的方差，si，XY是L1{L>τ}和1{L>τ}在第i层上的方差。这些值可以通过AOA算法的迭代来估计。4.使用RQM提高效率在本节中，我们首先简要描述了随机准蒙特卡罗模拟和蒙特卡罗模拟之间的差异，后者适用于估计投资组合市场风险的问题。在蒙特卡罗模拟中，我们从[0,1）D+1中随机采样点，以近似积分（这是在生成Y和Z时隐式完成的）。准蒙特卡罗采样在[0，1）D+1来自低差异点集。与蒙特卡罗样本相比，低差异点集不具有i.i.D.属性。因此，我们不能直接使用蒙特卡罗模拟中使用的误差界公式。然而，可以基于低差异点集构造准随机估计的随机样本。这可以通过创建独立的copie来实现通过以下随机化Ui=（Ui+W）mod 1计算低差异点集PN={U，…，UN}，（4）其中，W是[0,1）D+1中的均匀分布向量。向量Ui均匀分布在单位超立方体中（见Lemieux，2009，第204页）。因此，基于Ui的估计器是无偏的，并且可以使用PN的M个独立随机副本获得估计的误差界。给定低差异点序列PNin[0,1）D+1，naive simulation算法（见第3节）的随机准蒙特卡罗版本的每次复制都遵循以下步骤：1.使用（4）生成一个随机副本PN=nU，unof PN={U，…，UN}。2.对于i=1，…，n；a.计算Y（i）=F-1Γ~Ui，1；ν, 2使用逆CDF-1Γ的Gammadistribution。B

计算Z（i）d=Φ-1.~Ui，d+1对于d=1，D、 使用逆CDFΦ-1属于标准正态分布。c、 计算（2）中的T（i）。d、 计算日志返回X（i）d，d=1，D、 在（1）中。e、 计算投资组合损失L（i）=1-PDd=1wdexpX（i）d.3.返回估计数N-1PNi=1{L（i）>τ}和N-1PNi=1L（i）{L（i）>τ}。正如Ca flisch（1998）指出的那样，QMC方法的性能因被积函数的高维性和非光滑性而降低。上面给出的RQMC实现解决了这些问题，因为投资组合中D的股票数量可能会变大，且被积函数包含一个指标函数。为了提高RQMC估计器的效率，需要解决这些问题或减少其影响。第一个问题是高维问题，可以通过对向量Z进行线性变换来解决，从而降低被积函数的有效维数（seeImai和Tan，2014）。此外，第二个问题，即非光滑性的影响，可以使用方差缩减技术来减少（参见，例如，Dinge,c和H¨ormann，2014，亚洲期权定价中的应用）。在本节的其余部分中，我们首先解释我们使用的线性变换方法。然后，我们描述了RQMC如何与IS和SIS有效结合。4.1线性变换在上面给出的朴素模拟中，RQMC的自然实现只是使用随机低差异点集更改SPSEUDORANDOM数。我们的数值实验表明，这种方法与传统的蒙特卡罗方法相比并没有显著的改进。这是由于问题的高维性，即每个随机输入（Z，…，ZD，Y）对估计量的方差有显著贡献。