[논문 리뷰] Performing Bayesian Risk Aggregation using Discrete Approximation Algorithms with Graph Factorization

Peng Lin|arXiv (Cornell University)|2015. 06. 02.

Bayesian Modeling and Causal Inference참고 문헌 42인용 수 5

한 줄 요약

이 논문은 하이브리드(연속형 및 이산형) 변수와 고차원적 의존성을 가진 모델에서 베이지안 리스크 집계를 위한 두 가지 이산 근사 알고리즘을 제안한다. 복잡한 베이지안 네트워크를 분해하기 위해 그래프 분해를 활용함으로써, 이 방법들은 효율적인 추론과 리스크 추정을 가능하게 하여 계산적 확장성은 크게 향상시키면서도 금융 리스크 모델링 응용에서 정확성을 유지한다.

ABSTRACT

Risk aggregation is a popular method used to estimate the sum of a collection of financial assets or events, where each asset or event is modelled as a random variable. Applications, in the financial services industry, include insurance, operational risk, stress testing, and sensitivity analysis, but the problem is widely encountered in many other application domains. This thesis has contributed two algorithms to perform Bayesian risk aggregation when model exhibit hybrid dependency and high dimensional inter-dependency. The first algorithm operates on a subset of the general problem, with an emphasis on convolution problems, in the presence of continuous and discrete variables (so called hybrid models) and the second algorithm offer a universal method for general purpose inference over much wider classes of Bayesian Network models.

연구 동기 및 목표

• 복잡한 의존성을 가진 재무 및 운영 리스크 모델에서의 베이지안 리스크 집계 문제를 해결하기 위해.
• 연속형 및 이산형 랜덤 변수를 조합한 하이브리드 베이지안 네트워크를 위한 효율적인 추론 알고리즘을 개발하기 위해.
• 기반 그래프 기반 분해를 통해 고차원 리스크 집계 문제에서의 계산적 확장성을 향상시키기 위해.
• 스트레스 테스트, 민감도 분석, 운영 리스크 모델링과 같은 응용 분야에서 정확하고 확장 가능한 리스크 추정을 가능하게 하기 위해.

제안 방법

• 첫 번째 알고리즘은 하이브리드 모델에서의 컨볼루션 문제에 초점을 맞추며, 연속형 변수에 이산 근사를 적용하고 조건부 의존성을 단순화하기 위해 그래프 분해를 사용한다.
• 두 번째 알고리즘은 인접한 범주에 속하는 베이지안 네트워크 클래스로 접근을 일반화하기 위해 분해된 그래프 구조에 대한 모듈러 추론을 수행한다.
• 그래프 분해를 통해 결합 확률 분포를 다룰 수 있는 조건부 구성요소로 분해함으로써 계산 복잡도를 감소시킨다.
• 이산 근사는 연속형 변수를 양자화된 표현으로 대체하여, 이산화된 네트워크에서 동적 프rogram밍 또는 신뢰 전파를 통한 정확한 추론을 가능하게 한다.
• 베이지안 네트워크 내 조건부 독립 구조를 활용하여 모델 크기 증가에 따른 계산 비용 증가를 제한한다.
• 정확한 추론과 근사 추론을 모두 지원하며, 이산화 해상도를 조절함으로써 정밀도를 조절할 수 있다.

실험 결과

연구 질문

• RQ1 혼합된 연속형 및 이산형 변수를 가진 모델에서 베이지안 리스크 집계를 어떻게 효율적으로 수행할 수 있는가?
• RQ2 그래프 분해가 고차원 베이지안 네트워크에서 리스크 집계의 확장성과 정확성에 어떤 영향을 미치는가?
• RQ3 이산 근사 기법은 리스크 모델링에서 계산 복잡도를 감소시키면서도 충분한 정확도를 유지할 수 있는가?
• RQ4 기존 방법과 비교할 때 제안된 알고리즘이 재무 리스크 응용 분야에서 런타임과 정밀도 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 그래프 구조와 이산 근사를 활용함으로써 제안된 알고리즘은 고차원 리스크 집계 작업에서 계산 복잡도를 크게 감소시킨다.
• 그래프 분해를 통해 복잡한 네트워크를 다룰 수 있는 조건부 하위모델로 분해함으로써 확장 가능한 추론을 가능하게 한다.
• 이산 근사 접근법은 중간 수준의 이산화 수준에서도 리스크 추정에서 높은 정확도를 유지한다.
• 기존 방법이 연속적 적분이 비가역적이기 때문에 실패하는 하이브리드 모델에서도 효율적인 추론을 달성한다.