最后,虽然[27]只处理了TVaR,但我们同时处理了VaR和TVaR(并比较了实现的细微差别)。本文组织如下:在第2节中,我们讨论了模拟目标和投资组合的总风险,以及VaRα估计量。第3节正式介绍了GP模型及其数学细节。接下来,第4节为我们的问题制定了顺序设计标准。第5节提供了完整的实现。最后,我们将该算法应用于两个案例研究:第6节涉及一个双因素模型,在该模型中,我们将顺序VaR/TVaR策略与几个基准进行比较,并查看各种GP版本;第7节研究了高维情况下的性能,其中状态过程是六维的,模拟器的成本要高得多。2目标给定概率空间(Ohm, F、 P),我们考虑了一个具有马尔可夫状态过程z=(Zt)的随机系统。连续和离散时间模型都可以处理。通常,Z是一个基于随机微分方程(t∈ R+)或时间序列ARIMAframework(t∈ N) 。根据Z的实现情况,建模者需要评估中间期T的最终资本f(ZT)。投资组合价值f(ZT)计算为给定时间T的贴现现金流的条件预期值。t日的现金流Yt(z·)可能取决于从t到t的随机因素的整个路径z[t,t](但不取决于z[0,t])。为了计算其净现值Y,我们以恒定的无风险利率βY进行贴现=∞Xt=Te-β(t-T)Yt(Z[T,T])。(2) 由于Z是马尔可夫函数,我们可以将给定FTA的Y的条件期望写成(1)中定义的函数f(Z),并且类似地,此后将使用符号Y(Z)。我们假设f(·)不具有任何简单/封闭形式的函数形式。
|