[논문 리뷰] Statistical Learning of Value-at-Risk and Expected Shortfall

David Barrera, S Crépey외 3명|arXiv (Cornell University)|2022. 09. 14.

Statistical Methods and Inference참고 문헌 28인용 수 4

한 줄 요약

이 논문은 라데마처 복잡도와 바프니크-처보넨크스(Vapnik-Chervonenkis, VC) 이론을 사용하여 일반적인 손실 함수 하에서 비모수 회귀에 대한 비점근적이고 분포에 종속되지 않는 신뢰구간을 개발한다. 값에 대한 위험과 기대손실 근사에 대한 추정 오차에 대한 고확률 경계를 수립하며, 이는 이전 연구를 비정상적이고 의존적인 학습 샘플로 확장한 것으로, 최소 제곱법 회귀에 대해 명시적인 농도 불등식과 최적성 보장을 제공한다.

ABSTRACT

We propose a non-asymptotic convergence analysis of a two-step approach to learn a conditional value-at-risk (VaR) and a conditional expected shortfall (ES) using Rademacher bounds, in a non-parametric setup allowing for heavy-tails on the financial loss. Our approach for the VaR is extended to the problem of learning at once multiple VaRs corresponding to different quantile levels. This results in efficient learning schemes based on neural network quantile and least-squares regressions. An a posteriori Monte Carlo procedure is introduced to estimate distances to the ground-truth VaR and ES. This is illustrated by numerical experiments in a Student-$t$ toy model and a financial case study where the objective is to learn a dynamic initial margin.

연구 동기 및 목표

• 비정상적이고 의존적인 학습 샘플에서 일반적인 손실 함수를 갖는 비모수 회귀에 대해 비점근적이고 고확률 경계를 유도하는 것.
• 결합 기법을 통해 독립적 동일분포(i.i.d.) 가정을 초월하여 라데마처 복잡도 기반 오차 경계를 의존적 데이터로 확장하는 것.
• 비정상적이고 의존적인 표본 추출 조건 하에서 최소 제곱법 회귀의 평균 $L^2$-거리 기준 최적성 확립.
• 비정상적 설정에서 라데마처 이론을 다루는 종합적이고 접근 가능한 참고자료를 제공하여 문헌의 격차를 메우는 것.
• [barcregobngusaa]에서 제안한 값에 대한 위험과 기대손실 추정 방법의 수렴 분석을 뒷받침하는 것.

제안 방법

• 일반적인 손실 함수에 대해 경험 위험와 기대 위험의 이탈에 대한 고확률 상한을 도출하기 위해 라데마처 복잡도 이론을 사용한다.
• 경험 과정 이론을 통해 농도 불등식을 적용하여 회귀 추정치가 조건부 기대값에서 이탈하는 것을 통제한다.
• 중심극한정리의 제약을 피하기 위해 무거운 尾 꼬리 또는 유계가 아닌 반응을 다루기 위해 절단 기반 접근법을 도입하여 $L^2$-적분 가능성 조건 하에서 경계를 확보한다.
• [$BG20]의 결합 기법을 활용하여 독립 기반 경계를 $\beta$-혼합 의존 샘플로 확장한다.
• 추정 함수와 진짜 조건부 기대값 사이의 평균 $L^2$-거리에 대한 핵심 부등식(보조정리 4.1)을 유도하며, 이는 절단에서 비롯된 편향과 표본에서 비롯된 분산을 모두 포함한다.
• 추정 오차를 편향과 분산 성분으로 분리하기 위해 $(a+b)^2 \leq (1+\eta)a^2 + (1+1/\eta)b^2$의 부등식을 사용하여 강건한 경계를 확보한다.

실험 결과

연구 질문

• RQ1 일반적인 손실 함수를 갖는 비모수 회귀에 대해 비정상적이고 의존적인 학습 샘플에서 비점근적이고 고확률 신뢰구간을 도출할 수 있는가?
• RQ2 라데마처 복잡도는 어떻게 의존적 데이터로 확장되어 추정 오차에 대한 고확률 경계를 제공할 수 있는가?
• RQ3 비정상적이고 의존적인 설정에서 최소 제곱법 회귀의 최적 수렴 속도는 무엇이며, 오라클 리스크와 비교해 볼 때 어떻게 되는가?
• RQ4 절단과 결합 기법은 어떻게 조합되어 무거운 꼬리 반응 설정에서 편향과 분산을 통제할 수 있는가?
• RQ5 바프니크-처보넨크스 이론은 일반적인 표본 추출 조건 하에서 최소 제곱법 회귀의 최적성 확립에 어떤 역할을 하는가?

주요 결과

• 논문은 추정 회귀 함수 $\hat{g}$와 진짜 조건부 기대값 $\Phi_k$ 사이의 평균 $L^2$-거리에 대한 고확률 경계(4.63)를 확립하였으며, 이 경계는 확률 최소 $1-\delta$에서 유효하다.
• 경계(4.63)는 세 가지 성분으로 분해된다: 함수 클래스 위에서의 최소 위험 비례 항, 표본 이탈을 기록하는 $\epsilon_n(c,\lambda)$ 항, 그리고 절단에서 기인한 편향 항 $\mathbb{E}[(|W_k|-B)^2 \mathbf{1}_{\{|W_k|>B\}}]$.
• 경계는 의존성에 강건하다: [$BG20]의 결합 방법을 통해 독립 기반 라데마처 경계가 $\beta$-혼합 샘플로 확장될 수 있다.
• 결과(4.63)는 타당성이 높다. 즉, $B \to \infty$ 이면서 $\eta, \eta' \to 0$일 때, 이는 독립적인 경우로 수렴하며, 절단되지 않은 경우로 축소된다.
• 논문은 최소 제곱법 회귀 방법이 상수 인자까지 최적의 $L^2$-리스크를 달성함을 보이며, 미약한 모멘트 조건 하에서 경계가 $O(\log(1/\delta)/n)$ 비례함을 보여준다.
• 분석은 [barcregobngusaa]에서 제안한 값에 대한 위험과 기대손실 추정 방법의 수렴에 대한 엄밀한 기초를 제공하며, 특히 핀볼과 최소 제곱법 스킴에 대해 강력한 근거를 제공한다.