基于机器学习技术的CDS速率构造方法

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：
《CDS Rate Construction Methods by Machine Learning Techniques》
---
作者：
Raymond Brummelhuis and Zhongmin Luo
---
最新提交年份：
2017
---
英文摘要：
  Regulators require financial institutions to estimate counterparty default risks from liquid CDS quotes for the valuation and risk management of OTC derivatives. However, the vast majority of counterparties do not have liquid CDS quotes and need proxy CDS rates. Existing methods cannot account for counterparty-specific default risks; we propose to construct proxy CDS rates by associating to illiquid counterparty liquid CDS Proxy based on Machine Learning Techniques. After testing 156 classifiers from 8 most popular classifier families, we found that some classifiers achieve highly satisfactory accuracy rates. Furthermore, we have rank-ordered the performances and investigated performance variations amongst and within the 8 classifier families. This paper is, to the best of our knowledge, the first systematic study of CDS Proxy construction by Machine Learning techniques, and the first systematic classifier comparison study based entirely on financial market data. Its findings both confirm and contrast existing classifier performance literature. Given the typically highly correlated nature of financial data, we investigated the impact of correlation on classifier performance. The techniques used in this paper should be of interest for financial institutions seeking a CDS Proxy method, and can serve for proxy construction for other financial variables. Some directions for future research are indicated.
---
中文摘要：
监管机构要求金融机构从流动CDS报价中估算交易对手违约风险，以便对场外衍生品进行估值和风险管理。然而，绝大多数交易对手没有流动的CDS报价，需要代理CDS利率。现有方法无法考虑交易对手特定的违约风险；我们建议基于机器学习技术，通过关联非流动交易对手的流动CDS代理来构建代理CDS利率。在测试了8个最流行的分类器家族中的156个分类器后，我们发现一些分类器达到了非常令人满意的准确率。此外，我们对性能进行了排序，并调查了8个分类器系列之间和内部的性能变化。据我们所知，本文是第一次利用机器学习技术对CDS代理构造进行系统研究，也是第一次完全基于金融市场数据的系统分类器比较研究。其发现证实并对比了现有的分类器性能文献。鉴于金融数据具有典型的高度相关性，我们研究了相关性对分类器性能的影响。本文使用的技术应该对寻求CDS代理方法的金融机构感兴趣，并且可以为其他金融变量的代理构建服务。指出了今后的研究方向。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
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
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> CDS_Rate_Construction_Methods_by_Machine_Learning_Techniques.pdf (1.51 MB)

2022-5-31 19:50:34 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：机器学习 CDS Construction counterparty Applications

CDS速率构造方法的机器学习技术Raymond Brummelhuis*罗忠民+2017年5月22日摘要监管机构要求金融机构根据场外衍生品估值和风险管理的liquidCDS报价估算交易对手违约风险。然而，绝大多数交易对手没有流动的CDS报价，需要代理CDS利率。现有方法无法解释交易对手特定的违约风险；我们建议基于机器学习技术，通过关联非流动交易对手的流动CDS代理来构建代理CDS利率。在测试了8个最受欢迎的分类器系列中的156个分类器后，我们发现一些分类器达到了非常令人满意的准确率。此外，我们对8个类别家庭的表现进行了排名，并调查了他们之间和内部的表现差异。据我们所知，本文是第一次利用机器学习技术对CDS代理结构进行系统研究，也是第一次完全基于金融市场数据的系统分类比较研究。它的发现证实并对比了现有的经典绩效文献。鉴于财务数据具有典型的高度相关性，我们研究了相关性对分类绩效的影响。本文中使用的技术应该对寻求CDS代理方法的金融机构感兴趣，并且可以用于其他金融变量的代理构建。指出了今后的研究方向。

JEL分类：C4；C45；C63机器学习；交易对手信用风险；CDS代理构造；分类。1引言1.1流动性不足问题从2008年金融危机中吸取的一个重要教训是，金融机构对场外（OTC）衍生品的估值没有正确考虑与交易对手相关的违约风险，即所谓的交易对手信用风险（Brigo et al.2103）。为了使场外衍生品的风险中性估值与投资者面临的风险保持一致，金融业已经认识到，使用信用价值调整（CVA）、资金价值调整（FVA）等指标对场外衍生品的无违约估值进行调整至关重要，抵押品价值调整（ColVA）和资本价值调整（KVA）（通常统称为XVA，见Gregory，2015）。2010年，巴塞尔银行监管委员会（BCBS）发布了《巴塞尔协议III》（BCBS，2010），要求银行针对CVA损失提供基于风险价值的资本准备金，以反映交易对手信用风险市值的波动。这些必须根据市场对单个交易对手违约风险的隐含估计进行计算。

此外，在*兰斯香槟大学阿登分校，数学实验室EA 4535，兰斯，法国+伯克贝克，伦敦大学和渣打银行；论文中表达的观点是作者自己的观点，不一定反映作者所在机构的观点。2013年，国际会计准则委员会（IASB，2011）发布的IFRS 13公允价值计量要求金融实体报告其衍生工具头寸的市场价值，包括交易对手信用风险的市场隐含评估。CVA和相关监管资本的计算都需要将交易对手的风险中性违约概率期限结构校准为与交易对手相关的流动信用违约掉期（CDS）报价。然而，正如欧洲银行管理局（EuropeanBanking Authority）的调查（EBA，2015）所强调的，在内部模型法（IMM）合规性银行中，超过75%的交易对手没有流动CDS报价。我们将没有流动CDS报价的交易对手的违约风险评估问题称为流动性不足问题，并将根据可用市场数据构建缺失报价的任何方法称为CDS利率构建方法。针对这种流动性不足问题，一种建议的解决方法是将缺乏流动报价CDS利差的交易对手映射到存在此类报价流动市场的交易对手，根据基于金融市场数据的标准，该交易对手最像非报价方。流动交易对手的CDS数据（称为非流动交易对手的代理）随后可用于获得后者风险中性违约概率的估计值。根据从业者的使用，我们将其称为CDS代理方法。

我们将有流动CDS报价的交易对手称为可观察交易对手，没有流动CDS报价的交易对手称为不可观察交易对手。我们顺便注意到，在实践中，如果在给定的一天内，对手方从MarkITTM（或其他）等可用数据供应商处获得的CDS报价数量低于某个阈值，则对方通常被视为流动性不足。正如我们将在下文中看到的，当前构建CDS代理利率的方法遵循不同的原则，即它们寻求根据地区、部门和评级数据直接构建缺失的利率。它们对给定地区、行业和评级区间内的所有交易对手都一视同仁，因此通常无法提取交易对手特定的违约风险，从而无法满足欧洲银行业管理局关于合理CDS代理利率构建方法的一些标准。在本文中，我们将扩大用于CDS代理构建的金融市场数据集，以包括股票和期权市场数据。我们还将评级替换为估计的故障概率。将公司债券价差也包括在此列表中可能被认为是很自然的，但我们决定不这样做，因为公司债券市场相对缺乏流动性：Longstaff et al.（2005）通过对CDS债券和相应债券利差的综合实证研究得出结论，根据公司债券的买卖利差衡量，由于流动性不足，公司债券利差中存在显著的非违约成分。正如Gregory（2015）所强调的，绝大多数银行交易对手没有发行流动性债券，债券的流动性通常被认为比与相同交易对手相关的CDS合同的流动性差。

因此，基于债券利差的DCDS代理方法对于解决流动性短缺问题不会特别有帮助。也就是说，在本文介绍和研究的任何CDS代理方法中都很容易包含此类债券利差变量。本文的另一个贡献是，我们超越了金融领域常用的传统回归方法，使用机器学习社区开发的分类算法构建了我们的CDS代理，我们测试了这些算法的效率，并对其相对性能进行了评级。如下文所述，关于流动性短缺问题及其解决方案的研究很少。本文的动机之一是通过提供和研究现有的几种CDS利率构建方法的替代方法，来解决文献中似乎存在的一个重要缺口。1.2监管机构关于合理CDS代理方法的标准根据巴塞尔银行监管委员会（BCBS，2010）和（BCBS，2015）的出版物，以及欧洲银行管理局（EBA，2013）规定的标准，任何CDS代理方法至少应满足以下标准：1。CDS代理方法必须基于一种算法，该算法至少能区分三种类型的变量：信贷质量（如评级）、行业部门和地区（BCBS，2015）。2、用于构建给定不可观测CDS代理价差的可观测交易对手和不可观测本身必须来自同一地区、行业和CreditQuality集团（BCBS，2015）。根据（EBA，2013），代理利差必须反映可用的信用违约掉期利差。此外，代理价差的适当性应取决于其波动性，而不是其水平。

该标准强调了监管机构的要求，即CDS代理利率应包括交易对手违约风险的交易对手特定组成部分，而这些部分并不是通过纯粹的基于级别的衡量标准来衡量的，例如CDS利差的平均值或中位值或基于地区或行业的CDS指数。接下来，我们来看一下现有的CDS代理方法。对公开文献的调查表明，金融业目前使用以下两种类型的CDS代理方法：oGregory（2015）中描述的信贷曲线映射方法，该方法简单地创建了区域/部门/评级区间，由来自相同区域和部门且具有相同评级的基础参考实体的单名CDS合同组成，然后，通过给定区域/部门/评级区间内单名CDS利率利差的平均值或中间值，代理给定区域/部门/评级区间内不可观测的CDS利率。该方法明确满足标准1和2，但假设来自同一地区、行业和评级区间的所有交易对手的交易对手违约风险是同质的，并忽略了对单个交易对手的不同质违约风险。特别是，使用bucketaverage或median作为不可观测CDS的代理利率忽略了该区间内交易对手之间的CDS价差波动性，因此无法满足标准#3。oChourdakis等人的横截面回归方法。

（2013）：这是另一种流行的RCDS代理方法，该方法假设可观察交易对手i的CDS利率Si（对于具有给定到期日和付款日期的aCDS合同）可以通过以下对数线性回归方程进行解释：对数（Si）=β+\\35;地区XM=1βRmIRi，m+\\35;部门XM=1βSmISi，m+\\35;评级XM=1βRmIRi，m+\\35;资历XM=1βSmISi，m+i、 （1）如CDS合同中规定，i是部门、地区、评级等级和资历的虚拟或指标变量。回归系数可通过普通最小二乘法估计，其中i表示估计误差。一旦估计，回归可以用来预测在给定评级和资历的特定区域和部门中不可观测的CDS合约的比率。横截面回归法超越了曲线映射法，因为它提供了CDS率与上述五个解释变量之间的联系，而不仅仅是采用桶均值。然而，与曲线映射法一样，其预测仍然将同一地区、行业、评级和资历范围内的交易对手的市场隐含故障风险视为同质的，因此忽略了交易对手的特定风险。横截面回归法通过回归的预期值代表交易对手的CDS利差；它提供了CDS价差的水平，但忽略了单个交易对手之间的CDS价差波动性，因此也不符合标准#3。正如我们所看到的，无论是曲线映射方法还是横截面回归方法都不能满足EBA的标准#3。此外，我们没有遇到任何一种模型的样本外性能测试，以评估其预测的可靠性。此类测试是任何统计建模方法的关键组成部分。

本文介绍和研究的不同基于机器学习的DCDS代理方法确实考虑了特殊的对手故障风险。此外，我们使用分层交叉验证对我们研究的每种方法进行了广泛的样本外测试。我们简要描述了我们认为本文对现有文献的主要贡献。1.3本论文的贡献为了解决流动性短缺问题，我们应用机器学习技术，更具体地说，分类技术，使用机器学习领域最著名的分类家族：判别分析（线性和二次）、朴素贝叶斯、k-最近邻、逻辑回归、支持向量机、神经网络、，决策树和套袋树。我们将这种方法称为基于机器学习的CDS代理方法。据我们所知，这篇论文是公共领域首次研究机器学习技术在CDS利率流动性短缺问题上的应用。此外，考虑到可用的分类工具及其参数选择的广泛性，比较不同分类工具的性能的问题自然会出现。我们对不同的分类系列（下文称为交叉分类比较）以及每个分类系列（下文称为内部分类比较）进行了详细的分类绩效比较研究。据我们所知，这是第一次完全基于金融市场数据的机器学习分类器的实证比较。为了澄清这一点，webrie简要回顾了一些现有的分类比较文献。不熟悉本节中使用的机器学习术语的读者可以参考第2节进行说明。国王在阿尔。

（1995）可能是最著名的实证分类比较研究，该研究提供了一个全面的分类列表。该研究得出的一个结论是，分类绩效可能会因所用数据集的类型而发生很大变化，例如部门类型：医学、制药行业和其他行业，研究人员应根据其研究的特定数据集类型对分类绩效进行排名。如上所述，我们认为我们是第一个针对金融市场数据的此类研究。Delgado和Amorim（2014）是对分类比较文献的最新贡献。它基于121个数据集，对17个家庭的179名分类者进行了比较，以最大准确度为标准，确定表现最好的分类者家庭。从他们的研究中可以看出，这些是按性能降序排列的随机森林（所谓的集成分类器的一个示例）、支持向量机（更具体地说是高斯核或多项式核）和神经网络。所有这些都将在下文第2节中详细介绍，但随机森林算法除外，在我们的研究中，我们将其替换为另一个集成分类器，即袋装树。对于我们的交叉分类性能比较，我们根据K倍分层交叉验证（K=10）估计的预期准确度对有序分类进行排序（我们证明这一选择在经验上是合理的）。关于分类器性能的现有文献通常会比较不同的分类器算法系列，而没有详细检查每个系列的性能变化或特征变量选择的影响。如下文第3节所述，我们的实证结果表明，无论是在分类家庭内部还是在分类家庭之间，后者都会对包括分类绩效在内的变化产生重大影响。