Применение машинного обучения для оценки рыночного риска портфеля ценных бумаг с помощью показателей VaR и ES

В настоящей работе рассматривается задача оценки рыночного риска портфеля ценных бумаг. Рассмотрены такие показатели рыночного риска, как Value at Risk (VaR) и Expected Shortfall (ES), даётся обзор параметрического метода их вычисления. Предложены новые методы расчета данных показателей, основанные на моделях машинного обучения. В частности, предлагается для вычисления ожидаемой доходности портфеля, которая необходима для расчета показателей с помощью параметрической модели, использовать цены на активы, спрогнозированные с помощью модели линейной регрессии, модели ARIMA (Autoregressive integrated moving average) и нейронной сети LSTM (Long short-term memory). Для проведения вычислительного эксперимента был сформирован модельный портфель ценных бумаг и получены ежедневные исторические данные для входящих в него акций. Представлены результаты вычисления показателей VaR и ES указанными выше методами и результаты бэк-тестинга полученных оценок рыночного риска.

Application of machine learning to assess market risk of a stock portfolio using VaR and ES

This paper is devoted to the problem of assessing market risk of a stock portfolio. Such measures of market risk as Value at Risk (VaR) and Expected Shortfall (ES) are examined, an overview of the parametric method for their calculation is given. New methods for calculating these measures based on machine learning models are set out in the paper. It is proposed to use the linear regression model, the ARIMA (Autoregressive integrated moving average) model and the LSTM (Long short-term memory) neural network to predict stock prices and calculate the expected return of a portfolio, which we need to know to calculate VaR and ES using a parametric model. To conduct a computational experiment, a stock portfolio was formed, and daily historical stock prices were obtained. The results of calculating of VaR and ES by using proposed methods and the results of backtesting of the obtained market risk estimates are presented.