全部版块 我的主页
论坛 经济学人 二区 外文文献专区
688 17
2022-05-08
英文标题:
《Model Risk Analysis via Investment Structuring》
---
作者:
Andrei N. Soklakov
---
最新提交年份:
2015
---
英文摘要:
  \"What are the origins of risks?\" and \"How material are they?\" -- these are the two most fundamental questions of any risk analysis. Quantitative Structuring -- a technology for building financial products -- provides economically meaningful answers for both of these questions. It does so by considering risk as an investment opportunity. The structure of the investment reveals the precise sources of risk and its expected performance measures materiality. We demonstrate these capabilities of Quantitative Structuring using a concrete practical example -- model risk in options on vol-targeted indices.
---
中文摘要:
“风险的来源是什么?”以及“它们有多重要?”——这是任何风险分析中最基本的两个问题。定量结构——一种构建金融产品的技术——为这两个问题提供了经济上有意义的答案。它通过将风险视为投资机会来实现这一点。投资的结构揭示了风险的精确来源及其预期绩效衡量的重要性。我们用一个具体的实际例子——vol目标指数期权中的模型风险来展示定量构造的这些能力。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:General Finance        一般财务
分类描述:Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类:Quantitative Finance        数量金融学
二级分类:Mathematical Finance        数学金融学
分类描述:Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法,包括随机、概率和泛函分析、代数、几何和其他方法
--
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:
-->
二维码

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

全部回复
2022-5-8 20:38:21
通过投资结构进行模型风险分析*2015年7月25日“风险的来源是什么?”以及“它们的材质如何?”——这是任何风险分析中最基本的两个问题。定量结构——一种构建金融产品的技术——为这两个问题提供了经济上有意义的答案。它将风险视为投资机会。投资结构揭示了风险的确切来源,其预期表现衡量了重要性。我们用一个具体的实际例子——vol目标指数期权中的模型风险来展示定量结构的这些能力。1简介单个企业以及整个行业的成功最终取决于其产品的成功。基于这一观察结果以及当前改善金融业的明确需求,我们开始了一个量化结构项目[1,2]。虽然量化结构主要集中在产品设计上,但其技术的实用性超出了其最初的目的。例如,在这里,我们描述了建模风险的应用程序。关于模型风险,产品设计可能会告诉我们什么?试着在不提及倾斜或波动性的情况下推销倾斜或波动性产品(投资或对冲),产品设计和建模之间的深层联系变得显而易见。建模概念深深渗透到产品设计中。因此,毫不奇怪,结构重组的进展又回到了建模上。模型风险有许多不同的因素:模型选择、校准质量、实施——仅举几例。虽然我们的方法非常通用,但我们决定通过一个具体的实例来介绍它们。相关的一般概念将根据需要进行介绍。
二维码

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

2022-5-8 20:38:24
我们为本演示选择的具体示例是vol目标指数选项的模型选择。下面的例子,我们展示了如何使用相同的方法来处理模型风险的其他因素。*德意志银行股票模型风险和分析主管。本文表达的观点不应被视为投资建议或推广。它们代表作者的个人研究,不一定反映其雇主或其协会或机构的观点。安德烈。Sok lakov@(db.com,gmail.com)。2示例:dices2中针对vol的选项。金融风险和理性都是一个衡量标准。自然地,许多投资者会被那些旨在稳定、可预测地暴露在波动中的想法所吸引。其中一个想法是波动率目标,也称为波动率控制。设St为时间t时某些指数的值。该指数的目标体积版本Xt由初始条件X=和迭代关系(如Xi+1)确定- XiXi=σi·Si+1- SiSi,(1)式中,σi是原始指数在时间i的波动率,σ是波动率目标,即新指数Xt的预期波动率。法律实践需要一个无可争议的明确程序来计算σi。最近n个营业日窗口内已实现差异的USALESTIMATOR是一个简单的选择:σi=VuTunixk=i-nlnSkSk-1,(2)其中A是年化事实r(每年的总营业日数)。作为估计器准确性和时滞之间的折衷,n通常约为40个工作日。有了这样一个小的数据集,就很容易进行高效率的实验。已经提出了结合不同估计值的不同特别方案。这导致了vol-targetingscheme的一些实际变化。
二维码

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

2022-5-8 20:38:28
当然,在这些变化中没有明确的赢家,因此为了演示的目的,我们选择将重点放在eqs捕获的vol-targeting的核心思想上。(1)和(2)n=40。想象一下,现在有一个结构部门正在推广一种新的投资策略,他们将这种策略包装成一个指数,用于营销目的。由于其定制性质,此类指数的波动率信息不完整,因此使用了波动率目标。像ideabut这样的客户要求额外的资本保护。换句话说,客户需要Xt上的选项。2.2车型选择EXT上我们应该使用什么车型为vanillas定价?熟悉电压目标的实践者很容易认识到使用恒定波动率(Black Scho-les)模型的建议,该模型的spot X=且波动率等于目标值σ。让我们想象一下,我们第一次遇到这个提议。我们需要对该提议做出回应,但也需要就此类交易的最低建模要求形成独立的数据驱动意见。为了清晰起见,让我们选择STS作为真正的索引。让我们以2011年1月28日的欧洲斯托克50指数为例——与我们用于定量结构的其他完全不相关的市场数据相同。此外,让我们设定目标σ=10%。这是一个典型的目标波动率水平,通常显著低于标的指数的初始波动率。我们考虑一个广阔的替代预订市场。为此,我们在蒙特卡罗(10万条路径)中实施了波动率目标方案(1)-(2),使用St.oBS(target)10%的下列差异——这只是假设St遵循对数正态过程且波动率σ=10%不变的最简单基准模型。
二维码

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

2022-5-8 20:38:31
如果遵循这一过程,波动率目标将是多余的BS(ATMF)23.95%——与上述数据相同,只是波动率设置为6个月的ATM值,恰好为23.95%。o本地波动率——标准本地波动率模型[3,4],根据欧洲斯托克-瓦尼拉斯的实际市场进行校准SLVρη/κ–这是一个随机的局部波动模型。我们将该模型的所有相关描述推迟至附录4.1。这里我们提到,这是局部波动率模型的一个流行推广,它为波动率引入了一个额外的随机因素。参数η和κ,即vol的vol和均值回复,决定了这个额外因子的演化,ρ表示它与t的相关性。为什么我们要考虑SLVρη/κ?查看公式(2),我们注意到XT上的期权可能被视为St波动性的衍生品。此外,查看t公式(1),我们发现vol-spot相关性也可能发挥作用。SLVρη/κ是一个标准模型,它捕捉了这种影响(体积的体积和沃德倾斜)。我们使用了这个模型的几个实例,从SLV开始-70%5/10和SLV-70%2.25/10. 第一个例子是一个非常突出的例子。当模型被迫匹配一个压力巨大且流动性不足的cliquet市场时(当价格受到报价差价的严重影响,且无法用附录4.1的影响来解释时),就会发生这种情况。大多数公关人员会说,这些参数值太过极端,模型正在崩溃。SLV-70%2.25/10提供了一个更真实的场景。我们还考虑了[5]中的参数,以进一步了解我们关于模型选择的结论的稳定性。2.3模型风险分析良好的预订方案忠实地反映了交易市场的观点,并介绍了他们自己的进一步观点。
二维码

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

2022-5-8 20:38:34
如果情况并非如此,不同的预订方案可以相互对比,也可以与市场对比,以创造投资机会。在上面,我们介绍了vol-tar-geted指数的预订选项,并列出了一系列可能的市场替代方案。想象一下,现在有一位投资者相信这项预订计划,并希望将其作为其投资策略的唯一基础。这种投资策略会是什么样的?它的表现如何?定量结构为我们提供了答案。让我们一步一步地找到他们。我们首先要做的是确定投资的基本变量。例如,如果我们的投资者认为预订方案对vanillason来说特别好,那么6个月内的目标指数的价值,当所讨论的变量为X600时。既然我们有了一个变量,我们就可以从投资者和市场中提取关于这个变量的知识。从数学上来说,这意味着提取投资者的信念和市场隐含的概率分布。这是按照下面的步骤完成的。对于Mont e-Carlo预订,投资者认为X6mis的概率分布只是模拟值X6m的直方图。让我们想象柱状图上有n个buckts,让b,B是投资者认为这些桶的分配的实现频率。市场暗示了我们选择的变量X6mis的分布,再一次,只是一个历史图。
二维码

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…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群