高效的XVA管理：使用

2022-5-7 06:27:26

套期保值成本需要计算一阶敏感性，如delta和vega。套期保值*所表达的观点仅为作者的观点，不应归咎于其他代表。不保证用于任何目的。使用风险自负。+联系人：克里斯。kenyon@lloydsbanking.com联系方式：安德鲁。green2@lloydsbanking.comcosts可能包括二阶敏感性，如利率信贷风险。在日常交易中，分配必须以增量为基础进行。交易前这些增量成本分配是定价和交易决策的一部分。在这里，我们基于一种新的分析方法，提供了一套严格的分析方法，用于有效管理XVA。这种分析方法结合了三个要素：贸易水平回归；灵敏度的解析计算；和全球条件反射。我们将这些元素结合起来，可以在计算时间上实现数量级的改进，并在系统实现时间和成本上实现数量级的减少。从技术上讲，本文将（Green和Kenyon 2014a）从MVA推广到XVA，增加了灵敏度和分配，并在（Green和Kenyon 2014b）中隐含了显式元素。CVA基于回归的定价是在（Cesari、Aquilina、Charpillon、Filipovic、Lee和Manda 2010；Antonov、Issakov和Mechkov 2011）的基础上制定的（Longsta off和Schwartz 2001）。然而，这些方法并不适用于所有行业，这就是我们在这里所做的。在所有交易中，我们指的是不可赎回交易、欧洲可赎回交易，以及百慕大和美国可赎回交易。使用回归作为灵敏度计算的一部分在（Wang和Ca flish 2009）中引入，但不适用于XVA。（Wang和Ca flish 2009）中所述的敏感性仅限于回归变量本身所表达的敏感性。

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

2022-5-7 06:27:29

相反，我们通过差异化链式规则将基础资产对套期工具的敏感性包括在内，从而涵盖所有敏感性。可使用（Broadie and Glasserman1996；Giles and Glasserman 2006）中的分析衍生工具（AD）或使用伴随算法微分（AAD）计算标的对套期工具的敏感性。AAD是由（Capriotti、Lee和Peackok 2011；Capriotti和Lee 2014）基于（Naumann 2012）在CVA背景下引入的。我们使用a/AD作为两种方法的标签。资本和CVA的分配方法已经制定出来，尤其是在2008年（Tasche 2008；Pykhtin 2011）。他们使用了基于齐次多项式性质的欧拉分配，并对其进行了扩展以处理抵押交易。CVA在（Pykhtin2011）中引入了贸易级分配，但我们进一步讨论了XVA。这需要一种通用的全球条件调整方法，在基于预期短缺（ES）或风险价值（VAR）以及CVA、DVA和FVA的情况下，覆盖MVA。使用贸易水平回归和A/AD对全球条件作用下的基础数据进行简化，从而简化XVas敏感性的精确加性分配。通过使用给定违约损失（LGD）和违约概率（PD）的回归，我们可以简单地处理整个XVA计算和灵敏度。计算是非线性的（值、LGD和PD的回归乘法），但在分析上非常简单。这种分析的简单性涉及灵敏度和精确的加法分配。我们的方法还允许精确计算XVA、XVA灵敏度和XVA分配的增量变化，且影响最小。

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

2022-5-7 06:27:32

这种高效的XVA管理能力在文献中是新出现的。本文的贡献在于展示了如何结合贸易水平回归、敏感性分析计算和全局条件，从根本上提高XVA管理计算的效率。每个元素单独是有用的，但只有在组合中，计算和实现效率才会出现阶跃变化。这种组合非常适合在GPU上并行实现，从而进一步提高速度。我们从一组关于玩具问题的XVA管理案例开始。一旦建立了这种直觉，接下来的部分将提供数学代数化，最后一部分将结束。2个例子在给出一般的数学发展之前，我们用例子介绍了关键要素。我们的目标是建立每个元素如何工作以及它们如何组合在一起的直觉。每个例子都介绍了它的目标。2.1贸易水平回归的价值我们证明，从投资组合回归计算投资组合价格与计算单个贸易回归的总和是相同的。投资组合回归的基本函数系数是交易基本函数系数之和。当回归与基函数的系数成线性关系时，这个恒等式通常成立。对于这三种交易，我们都有一个回归方程。每个回归方程都有三个基函数{x，x，x}，因此在下面的x中是二次的，但在基函数的系数中是线性的。图1考虑了三种场景{A、B、C}。这些可能是蒙特卡罗实现，通常会有成千上万个。我们发现，在所有情况下，使用个别贸易水平回归或使用回归方程之和进行定价都是必不可少的。每个场景{A，B，C}都通过底层x的值来区分。

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

2022-5-7 06:27:36

x可能是股票价格或利率互换的价格，2.1+1 0.1 0.1 0 0.1 0 0.1 x 0.1x x 0.1 1 x x x 2 2 2 0.1 1 0.1 1 1.1 1 1+2 x+0.2 2 x+0.2 x+0.2 x+0.2 x 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0.2 x+2 x+0 0 0.1 1 1 1.1 1 1 1 1 1 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 9.521投资组合-0.764 3.401 9.521基础函数回归方程f（x）基础函数系数见图1：贸易水平回归例子。当回归系数为线性时，根据基函数系数之和（投资组合回归）计算的回归系数与计算每个交易回归系数之和相同。2.2贸易水平回归的一阶灵敏度本例有三个目标：1）展示如何计算与任何校准仪器相关的每项贸易的一阶灵敏度；2）证明由此产生的贸易水平敏感性回归与投资组合敏感性回归一样增加；3）证明实施效果是通过非回归+A/AD方法从根本上降低的。我们重复使用上一个示例中的设置。为了获得校准仪器s的任何贸易回归f（x）的一阶灵敏度，我们使用链式规则：f（x）s=f（x）十、十、s（1）这对于投资组合回归也是有效的。此外，与之前一样，敏感性回归的基函数系数相加，得出投资组合回归的基函数系数。方程1适用于所有一阶灵敏度。每一个单独的一阶灵敏度都通过不同的十、s、回归w.r.t.的导数。从分析角度来说，其基础通常是微不足道的。基础水资源税的导数。

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

点击查看更多内容…

2022-5-7 06:27:41

校准仪器通常更复杂，可以使用A/AD解决。通过将衍生工具分为两部分，我们从根本上减少了A/AD的实施效果，因为第二部分十、所有行业都一样，第一部分f（x）xis在分析上通常是琐碎的。请注意，回归方法和a/AD都是必需的。1.2 0 0.2 0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.3 0 0 0 0.4 0 0 0 0 0.4 2 2 0 0 0 0 0 0 0.4 0 0 0 0 0.4 0 0 0 0.4 x x x x x x x x x x x x x x x x x x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2-2-0.2-0.2-0.2-0.2-0.3 0.3 0.3 0.3 0.3 0.3 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0 0.1 0 0.1 0 0 0 0 0 1.176-1.806 0.622组合1.176-1.806 0.622基础函数基础函数系数图2：一阶灵敏度例如，s是任何校准仪器。根据交易敏感度方程或投资组合敏感度方程进行的计算是相同的。投资组合敏感度方程与单个交易方程之和相同。2.3贸易水平回归的二阶敏感性本例表明，二阶敏感性与供应商敏感性一样有效。为了获得二阶灵敏度，我们将乘积法则和链式法则应用于方程式1，以获得关于二次校准仪器r的导数：f（x）sr=f（x）十、十、R十、s+f（x）十、十、sr（2）方程2适用于和二阶灵敏度。注意f（x）sris只是一个常数系数的x多项式，就像十、斯瓦斯。因此，一阶敏感度的所有属性和注释都会结转为二阶敏感度。这包括降低实施成本，因为我们已经有了十、r、及十、sR对所有贸易倒退都是一样的。2.4 CVA计算和精确分配本例介绍了全局调节，并演示了其在CVA和精确分配中的使用。

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

能者818

2022-5-7 06:27:44

全局条件化意味着，我们首先确定有助于使用投资组合回归进行计算的情景。我们随后只使用这些场景进行计算。在选定的场景中，计算是可加的，因为条件期望是线性算子（Shreve 2004）。对于这个CVA示例，我们使用了与之前相同的投资组合和场景。查看图1中的投资组合值，我们发现只有方案B和C对CVA有贡献，因为这是投资组合具有正价值的地方。图3显示了CVA计算：PD是违约概率；违约损失。贸易水平对CVA的贡献完全相同。因此，全球条件提供了准确的贸易水平CVA分配。将贸易级CVA重新分配到不同的办公桌或不同的报告是微不足道的，因为贸易级贡献的总和正好相等。A B Cportfolio-0.764 3.4019.521PD 0.20.2 0.2LGD 0.6 0.6 0.6按方案0.40812 1.14252 0.51688A按贸易B C CVA#1 CVA 0-0.01188 0.12252 0.036880trade#2 CVA 0.14424 0.41304 0.185760trade#3 CVA 0.2750.60696按方案0.51688 CVA总0.424081 0.51688按方案0.1220.51688精确分配CVA：全球情景调节图。全球条件意味着我们只使用确定为对贸易水平计算有贡献的情景，即B和C，并将情景A的贡献设置为零。因此，利用全球条件按贸易计算CVA提供了精确且可加的分配。2.5增量CVA和精确分配支持我们有一个增量交易（交易#4）。现在对于CVA，我们知道，如果情景A中的值小于0.764，那么情景A将与CVA无关。

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

2022-5-7 06:27:47

我们也知道，如果新贸易的价值大于-3.401在方案B中大于-9.521在方案C中，这两种方案将与CVA保持相关。因此，在这些（单边）界限内，新贸易的CVA贸易水平分配将保持不变。它自己的贡献可以独立计算（取决于场景b和C）。如果增量交易的价值超出了我们根据每个场景中的投资组合价值确定的界限，那么我们需要计算新相关场景中的交易价值。在每个先前相关的场景中，先前的贸易水平值要么保持有效，要么设置为零。无论是对于CVA本身还是对于交易级别分配，Thusre计算基本上都是琐碎而精确的。同样的结果也适用于贸易水平对一阶和二阶敏感性的贡献。我们之所以说贡献，是因为敏感性结合了违约概率和恢复率，正如我们现在所展示的。2.6 CVA一阶灵敏度和精确分配该示例显示了在计算CVA的一阶灵敏度时，全局调节、回归和A/AD组合是如何进行的。它还展示了一阶CVA敏感性的准确贸易水平分配。我们将看到，前面观察到的计算和实现优势也适用于这里。在本例中，我们将LGD作为两个底层x和y的函数，将PD作为单个底层y的函数。LGD（x，y）和PD（x）都由回归方程给出，它们的基本函数系数是线性的。由于敏感性是微小的计算，导致CVA敏感性的情景正是导致CVA值的情景。因此，我们在计算CVA敏感性时，仍然使用以正投资组合价值为条件确定的情景。

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

能者818

2022-5-7 06:27:50

在我们选择的每个场景中，我们计算校准仪器的一阶CVA灵敏度，如下所示：{f（x）Lgd（x，y）PD（y）}s=f（x）十、十、sLgd（x，y）PD（y）+f（x）Lgd（x，y）十、十、s+Lgd（x，y）YYsPD（y）+f（x）Lgd（x，y）PD（y）YYs（3）虽然f（x）Lgd（x，y）PD（y）是x和y中的一个非线性表达式，但它在x和y的系数中是线性的。本质上，我们可以简单地将其视为一个新函数：g*（x，y）=f*（x） Lgd（x，y）PD（y）其中* 可以是“交易”或“投资组合”。这个新函数的基函数系数是线性的，前提是它的分量f（x）、Lgd（x，y）、PD（y）是线性的。这个等式对每一笔交易和投资组合都有效。因此，在所选择的场景中，该示例与第2.2节中的示例相同。综上所述，在我们的示例中，CVA对校准仪器的一阶灵敏度为：CVAs=XF组合（x）≥0gportfolio（x，y）s（4）=X场景A或Bgportfolio（x，y）十、十、s+gportfolio（x，y）YYs我们只计算两种情况下的投资组合f（x）为正。三分之一的系数来自所有情景的平均值，尽管只有两种情况提供了任何贡献。注意，我们保留了g（x，y）和复导数的平凡微分的分离Y沙十、s、与之前一样，更复杂的衍生工具需要A/AD，但它们仅用于底层（x，y）。标的衍生产品在所有交易中都很常见，因此我们保留了实施简化。我们可以展开等式4来查看贸易贡献CVAs=XF组合（x）≥0Xtradesgtrade（x，y）s=XtradesXfportfolio（x）≥0gtrade（x，y）s（5）=XTRADESX方案A或Bgtrade（x，y）十、十、s+gtrade（x，y）YYs注意，在投资组合价值fportfolio（x）上使用全局条件，我们可以反转求和的顺序。

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

2022-5-7 06:27:54

贸易敏感性贡献正是他们的CVA敏感性分配。CVA的二阶灵敏度及其精确分配与CVA的一阶灵敏度一样有效。2.7预期缺口计算、敏感性和精确分配该示例表明，我们的贸易水平回归、A/AD和全球条件调整组合可以应用于预期缺口。预期短缺是基于条件预期的风险度量，即高于给定百分比的平均值。通常情况下，ES（97.5%）会引起关注，因此在2500种情况下，平均值将超过显示最大损失的2.5%，即62种最严重损失情况下的平均值。由于篇幅的原因，我们考虑了五种情况下的ES（60%），因此我们对最坏两种情况下的损失进行了平均。由于ES是基于条件期望的，所以我们可以将类似的逻辑应用于它的计算和精确分配，如图4所示。有两点我们使用多项式作为基函数，从技术上讲，实数上的多项式形成一个交换环。这个环在微分作用下闭合。10.2-0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8-0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0贸易#2-0.186-0.368-0.277贸易#3-0.314-0.632 ES-0.473总计-0.593-1.184-0.8885-0.8885冲击情景（x的绝对变化）值差异图4：使用全局条件和回归的预期短缺的精确分配。一旦我们从投资组合计算中知道哪些冲击情景会导致ES（对于ES（60%），这里的冲击情景2和3），我们只需要计算这些情景的交易值，我们可以使用回归轻松地计算它们。

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

大多数88

2022-5-7 06:27:58

请注意，尽管所有交易在两个使用场景中都有损失，但一般情况下可能不会发生这种情况。注意：首先，贸易水平分配是准确的；第二，我们只计算出口商品所需的贸易价值。一般来说，这将导致ES的贸易水平分配速度提高约40倍（97.5%）。此处应用于ES的逻辑也适用于VaR，被视为具有上限和下限的ES。ES的一阶和二阶灵敏度可以用与CVA相同的方法计算，即贡献将是相加和精确的。这适用于所有敏感度等级。2.8寿命预期短缺计算、灵敏度和精确分配我们应用于CVA和ES的逻辑可以结合起来，快速计算寿命ES、其灵敏度和精确分配。不同的冲击可能发生在不同的情况下，当冲击因市场水平与原始冲击产生的差异或其他原因而正常化时（Kenyon和Green 2014b）。通过平均每个生存期场景中的交易水平ES分配，我们获得了生存期ES的交易水平分配。因为我们是平均值，所以我们假设每个场景都有适当的贴现值或其他调整值（例如，通过生存概率）。与之前的案例一样，我们可以使用贸易水平回归计算寿命周期的一阶和二阶灵敏度。我们在每个生命周期场景中使用投资组合ES计算得出的ES相关场景。因为我们是在全球条件下，我们再次具有贸易水平敏感性贡献的可加性。因此，分配和重新分配都是微不足道的。

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

2022-5-7 06:28:01

因此，例如，我们可以提供基于ES（或VaR）类型计算的MVA敏感性的交易级分配。3方法学在给出了一组激励性的例子之后，我们现在发展出一般理论。我们首先正式介绍三个关键技术要素：贸易水平回归、分析敏感性计算和全球条件。然后，我们将这三者结合起来进行XVA管理。贸易水平回归我们用一组基函数表示整个投资组合中的每笔贸易。也就是说，我们在每个感兴趣的时间点（包括t=0）将扩展状态空间中的每个交易值与基础交易集进行回归，我们称之为停止日期。对于百慕大可调用的交易，可以使用早期启动的Longsta ff-Schwartz（Longsta ff和Schwartz 2001；Wang和Ca flish 2009）完成，对于不可调用的交易，我们可以使用更简单的增强状态空间方法（Green和Kenyon 2014a）。我们对XVacalculation的许多时间点感兴趣，因为这些时间点涉及随时间变化的积分（Burgard和Kjaer 2013；Green、Kenyon和Dennis 2014）。对于每个交易用户界面，i=1|在整个投资组合中，我们有：Ui（tk；ξ）=f*,k|Xl=1ai，j，kfl，k（B\'j，k（tk；ξ））+i、 k（tk；ξ） k=1|K |ξ∈ Ξ（tk）（6）其中fl，k（B\'j，k）是|f*,|B的k |函数*,k |以停止日期k的工具为基础，并且有| k |停止日期从t=0到最后计息日期，比如投资组合的最后现金流动日期tk。*表示时间tk时增广状态空间Ξ（tk）内ξ点处的回归误差。“\'j表示每个f（）可能依赖于基础工具的任意子集。除了标准的正则性条件外，f（）没有任何限制。增强的状态空间可以通过提前开始模拟（Wang和Ca flish 2009）或直接增强（Green和Kenyon 2014a）创建。

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

2022-5-7 06:28:04

a*是常数。在等式6中，只有ai、j、KD参与交易至关重要。OFFL、K功能和B’j、kbasis工具不依赖于交易。这意味着，虽然基础工具和功能可能任意复杂，但它们在所有行业都是常见的。由于计算精度有限，这不是一个显著的限制。有足够多的基函数j、 k（tk；ξ）可以在感兴趣的状态空间内任意调用（Longsta off和Schwartz 2001），我们不再进一步包含它。对于30年的掉期投资组合（Green and Kenyon 2014a），几十个基函数在寿命MVA计算中表现出收敛性，但每个例子都需要研究。（Gerhold 2011）提供了关于收敛性的一般渐近结果。为了清晰起见，我们选择了线性回归设置（线性回归）*, 但不是在B*) 但更复杂的版本是可能的。这是线性的，因为一旦状态空间上的点已知（或由某种机制选择），那么f*（）是简单的数字和a*可以解决。分析灵敏度计算我们使用回归的分析导数，以及下垫面的分析或算法导数来获得灵敏度。在使用敏感性回归的分析导数时，如（Wang和Ca flish 2009），我们依赖于回归是价值函数的良好代表。对于差异（Glasserman and Yu 2004）和L’evy过程（Gerhold 2011），回归到价值函数本身的收敛性已被广泛研究。在（Wang和Ca flish 2009）的定理1中涵盖的导数收敛性。

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

能者818

2022-5-7 06:28:08

AD和AAD均可用于校准仪器的底层衍生产品，这些技术已被广泛研究（Broadie and Glasserman1996；Giles and Glasserman 2006；Naumann 2012）。全局条件作用我们使用全局条件作用进行计算。所谓全局条件化，我们的意思是我们使用全局标准来选择场景（蒙特卡罗，和/或VAR或ES），然后我们只对这些场景进行计算。全球标准的一个例子是投资组合价值的符号。然后，我们可以使用选择的情景来计算贸易水平敏感性。从技术上讲，我们使用过滤概率空间上条件期望的线性性质。估值调整通常在条件预期内和跨时间内都是加性的。这只取决于ConditionalExpection的属性，它独立于可能选择的特定场景。考虑一个概率空间(Ohm, F、 P），其中Ohm 是事件的宇宙，是一种过滤Ohm P是F上的概率测度。设X（t，ω（t）），Y（t，ω（t））是定义在F上的随机变量(Ohm, F、 P），G是F的次过滤，其中ω（t）∈ G（t），α（t）是一个确定性标量，然后是（Shreve 2004）中定义2.3.1和定理2.3.2的一个基本结果：E[X（t，ω（t））+α（t）Y（t，ω（t））|G（t）]=E[X（t，ω（t））|G（t）]+α（t）E[Y（t，ω（t））|G（t）]t（7）因此，给定贴现债券价格D（t，ω（t）），也定义为(Ohm, F、显然（在适当的正则条件下）：ZTt=0E[（X（t，ω（t））+α（t，ω（t）））Y（t，ω（t）））D（t，ω（t））|G（t）]dt=0E[X（t，ω（t））D（t，ω（t））|G（t）]dt dt+ZTt=0α（t[Y（t，ω（t））| D（t），ω（t））| G（t）dtG可能依次在其中有子过滤，也就是说(Ohm, F、 P）可能包含嵌套的概率空间。

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

2022-5-7 06:28:11

因此，我们已经证明了条件数量的寿命成本计算的线性，例如，风险敞口（包括生存加权）、VAR、预期短缺等。这是分配和重新分配的关键，而无需使用贸易水平回归进行重新模拟。这也意味着分配方法可以是精确的，只要对Ohm 通常是风险中性过滤，另一个是它的增强。例如，在t=0时，增广状态空间Ξ（0）包含一组广泛的事件，用于获得适用于VAR或ES的回归。Ξ（t）由一组具有给定概率的事件（通常是一组历史事件）驱动。xVA** 5CVA C+DVA B-FCA B+FVA=DVA+FCA B（空白）表1：替代方案* 5选择了文本中不同的xVA可能性不等式8（方程式改编自Burgard和Kjaer 2013）。考虑线性方程：Ax=b，其中A是非方数据矩阵，x，b是向量，b是数据，x是未知量。现在假设A包含一组场景的基本工具的值，b包含目标工具在相同场景集上的值。x（基本仪器的系数）的最小二乘解可通过使用奇异值分解（SVD）获得，该奇异值分解（SVD）由后代换步骤（Press、Teukolsky、Vetterling和Flannery2007；String 2009）完成。虽然投资组合中有许多工具，但基础工具的（整体）集合是固定的，因此只需完成一次SVD（或一次完成日期）。在每个停止日期（在工具到期之前），投资组合中每一笔交易的反向替换步骤都可以并行完成，是GPU实现的理想选择。

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

2022-5-7 06:28:15

百慕大可调用工具需要进一步的步骤（Longsta off和Schwartz 2001），但仍然包含使用A的回归步骤，因此这是常见的。美国选项的快速GPU实现已在基准测试中得到证明（Denmouth 2014）。现在，我们将技术要点应用到XVA管理中，并展示它们如何简化和加速计算。3.1 CVA、DVA、FVA：定价、敏感度和分配我们从a银行、B银行及其交易对手C之间的无担保净额结算的一般估值调整开始。估值调整可以针对CVA、DVA或FVA，因此我们将其标记为xVA。战略一：在自身违约情况下无短缺的半复制（Burgard和Kjaer，2013年）的等式为：xVA*= -Lgd*ZTtλ*（u） Dq（t，u）EtV（u）杜（8）在哪里*确定计算哪个xVA，请参见表1。* B代表银行，C代表交易对手。5可以选择正风险敞口、负风险敞口，或者根据特定的估值调整不做任何事情。Dq（t，u）是利率q的u和t之间的贴现系数，q=r+λB+λC:r是无风险利率，λ*银行或交易对手的风险率。V是网络设置的未调整值。假设净额集V由一组交易πi组成，那么等式8变成：xVA*= -Lgd*ZTtλ*（u） Dq（t，u）EtXiπi（u）！du（9）现在假设期望值和时间积分都是使用我们（使用最简单的时间积分方案）的观测集（例如，通过模拟生成）来计算的：xVA*= -Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）njnjXj=1Xiπi（英国；ωj，k）！其中NK是时间步数，NJ是每个时间点的场景数。ωj，k表示时间tkinscenario j时随机因子的实现∈ G（tk），其中G是过滤。应用方程式6，即。

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

可人4

2022-5-7 06:28:19

对我们获得的贸易价值进行回归：xVA*= -Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）×njxj=1Xi | f*,k|Xl=1ai，l，kfl，k（B\'j，k（tk；ωj，k））= -Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）×njxj=1|F*,k | Xl=1al，kfl，k（B\'j，k（tk；ωj，k））al，k=Xiai，l，k因为基础工具在所有交易中都是常见的，所以我们现在有一个只涉及这些工具的等式。现在我们可以展开xVA的方程*以消除（）支架的非线性，如：xVA*= -Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）×njnjXj=1IVj，k | f*,k | Xl=1al，kfl，k（B\'j，k（tk；ωj，k））（10）=-Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）×njXj | Vj，k | f*,k|Xl=1al，kfl，k（B\'j，k（tk；ωj，k））（11）方框表示开发的关键点——我们根据我们的调节标准选择的一组全局场景进行计算。这是全球调节的一个例子。我们在未经调整的未来净额结算设定值的符号上使用IVj、kas指标函数（选项见表1）。等式11我们在每个时间点都选择了这样的场景，即设置集值满足标准（即与指标函数相同的选择）。这些场景在每个时间点都会有所不同。在这一点上，可以说我们做了更多的工作，而不是更少。我们必须在所有（增加的）场景和所有时间点对所有原始交易进行估值，以获得回归系数。此外，我们还必须计算回归。然而，xVA只是第一步，我们的目标也是xVA管理。现在，我们将展示我们在敏感性、分配和分配xVA敏感性方面取得的成就。一般来说，所有这些计算都比最初的xVA计算成本更高。在下一节中，我们将使用与MVA计算、灵敏度、分配和MVA灵敏度分配完全相同的回归。

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

2022-5-7 06:28:23

因此，即使对于XVA计算，我们也将展示其巨大的优势。敏感度通过敏感度，我们指的是对冲的敏感度，即校准、仪器。我们假设这两组是相同的。我们进一步假设灵敏度是通过分析计算的（或通过算法计算的，除了不颠簸之外，我们对方法没有区别）。显然，我们已经立即降低了分析衍生工具的实施成本，从整个投资组合中的所有交易类型到基础工具集。在这种情况下，实施通常意味着节省大量时间。下一个关键观察结果是，由于分析灵敏度基于微小变化，我们以有限的精度计算，因此我们计算的场景集j | Vj，k不变。因此，对于我们需要灵敏度的校准仪器：xVA*s=。fl，k（B′j，k（tk；ωj，k））B\'j，k（tk；ωj，k）B\'j，k（tk；ωj，k）盐碱活性JxVA*,s=。Jfl，k（），B\'j，k（）JB\'j，k（），swhere j*,*他们是雅各比派。我们预先选择了场景j | Vj，kT，以便计算，因此所有内容都是线性的——由于微分是一个线性算子，所以这一点仍然存在。一般来说，jfl，k（），B\'j，k（）将是分析的，因为该属性将选择fl，k（）。典型的正交基函数集，如正弦和余弦，或切比雪夫多项式，具有简单的解析导数（Press、Teukolsky、Vetterling和Flannery 2007）。xVA交易平台的交易级别分配估值调整价格分配是xVA交易平台的核心活动。xVA的贸易水平分配通过考虑各贸易对其回归系数的贡献，由方程式11直接给出。

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

2022-5-7 06:28:27

例如，贸易i:xVA*= -Lgd*nkXk=1（tk- tk-1)λ*（英国）Dq（t，英国）×njXj | Vj，k | f*,k|Xl=1ai，l，kfl，k（B|j，k（tk；ωj，k）），其中与等式11的区别在于，我们现在使用贸易i的回归系数ai，l，krather，而不是净集回归系数al，k。使用贸易水平回归和全局条件，即在选定情景j|Vj，k内计算，分配既精确又可加性。因此，重新分配，也就是说，将不同行业的xVA重新分配给不同的集团，例如报告，是微不足道的。敏感度的交易级别分配套期保值成本通常来自敏感度，因此这些敏感度的交易级别分配是XVA交易台的核心活动。由于微分是一个线性算子，我们可以结合前两部分的参数，观察使用我们的回归和调节方法，对于校准仪器s：CVA（C，t）s=XiCVA（πCi，t）在这里，我们只计算选定情景下的“交易”敏感度。我们引用贸易是因为我们可以利用回归系数的可加性任意创建新的贸易分组。因此，我们可以自由地分配和重新分配对冲成本。也就是说，成本是线性的，我们只将标量数之和重新分配到不同的盆（桌子、小组等）。此外，我们仅使用适当的回归系数计算所需的最粗略水平的灵敏度。增量xVA在一个交易日内，投资组合将持续变化，xVA交易台必须向其他交易台提供这些变化的价格。投资组合的变化可能会改变调节集j | Vj，k。对于xVA，调节集是针对每个交易对手的。

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

2022-5-7 06:28:30

首先请注意，我们已经计算了每个场景中的无条件投资组合值：VUnconditionedj，k（π）=Vj，kWe通过计算交易水平回归，对新交易和现有投资组合遵循相同的程序。现在，我们计算与现有投资组合相同的一组总体情景的值，并计算更新的条件情景j | Vj，k（原始）+变化））=j |{j | Vj，k（原始）+j | Vj，k（变化））}=j | Vj，k（更新）要计算上面的第一行，我们只需要原始投资组合的情景值和投资组合的变化。不需要重新计算原始投资组合。因此，我们可以在不重新计算原始投资组合的情况下重新计算CVA，我们只包括额外情况下的先前值。我们似乎再次计算了投资组合变化的回归，作为额外工作。然而，这些额外的工作使其他XVA元素及其管理（敏感性和分配）更快。对于增加的敏感性，前面几节的论点直接适用。增量贸易水平分配和增量贸易水平敏感性分配也是如此。3.2 MVA定价、敏感性和分配中央交易对手通常要求公布初始保证金（IM），该保证金可用于投资组合VAR或ES（Gregory 2014）。为该IM提供资金的终身成本称为保证金估值调整（MVA）。如示例部分所示，我们的技术也适用于融资初始保证金的终身成本，即保证金估值调整（MVA）。与中央交易对手交易的初始保证金通常基于VARand和/或Vares，因此我们接下来考虑这些因素。如示例所示，全局情景选择的使用使VAR和ES计算相加。ES是定义上的条件期望。

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

可人4

2022-5-7 06:28:33

因此，上述CVA的推导完全适用。此外，由于我们已经计算了交易水平回归函数和分析导数，因此对于CVA，不需要计算它们。CVA和ES之间唯一的区别是不同的条件：j | PES（Vj，k）≤ α而不是j | Vj，kOnce确定了相同的计算。我们使用了DPES来分配投资组合价值，就像ES一样。这种分配通常是对Ohm 与风险中性测量所用的方法相同（但显然有不同的测量方法）。我们使用α作为感兴趣的百分比，通常为97.5%或类似。我们将VAR作为ES定义的一个极限，即j | PES（Vj，k）=α=limβ→α{j|β≤ PES（Vj，k）≤ α} 因此，上述CVA和ES的发展也适用于VAR。在实践中，使用模拟，VAR可以从非常少的场景（可能只有一个）计算出来。由于我们只更改了条件假设，上一节中的参数完全适用于所有管理案例，包括敏感性计算和分配。4结论我们已经展示了XVA管理如何结合三个技术要素从根本上提高效率：贸易水平回归；解析导数；以及全球条件反射。这三个要素都是计算效率和实现效率的根本提高所必需的。XVA指的是CVA、FVA、DVA和MVA的寿命成本。（Green和Kenyon 2014b）详细介绍了KVAI回归的使用。根据XVA管理层的规定，包括定价、套期保值以及价格和套期保值成本的分配。实施成本大幅降低，因为现在只需要对回归本身进行分析衍生工具的实施，而回归本身的计算非常简单——而不是对原始投资组合中的所有交易类型。

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