[论文解读] A new approach for scenario generation in Risk management

Juan‐Pablo Ortega, Rainer Pullirsch+2 more|ArXiv.org|Apr 3, 2009

Stochastic processes and financial applications参考文献 1被引用 5

一句话总结

本文提出了一种基于随机微分方程（SDE）的动态情景生成方法，用于风险管理，该方法结合历史数据与校准后的随机微分方程（如 Black-Scholes 和 HJM），以模拟一致的、多时间 horizon 的风险因子情景。该方法保留了偏度和峰度等典型事实特征，通过跳跃过程纳入极端事件，并在 99% 置信水平下，250 天的回溯测试中表现出色，仅有 4 次 VAR 违约和 2 次预期缺口违约。

ABSTRACT

We provide a new dynamic approach to scenario generation for the purposes of risk management in the banking industry. We connect ideas from conventional techniques -- like historical and Monte Carlo simulation -- and we come up with a hybrid method that shares the advantages of standard procedures but eliminates several of their drawbacks. Instead of considering the static problem of constructing one or ten day ahead distributions for vectors of risk factors, we embed the problem into a dynamic framework, where any time horizon can be consistently simulated. Additionally, we use standard models from mathematical finance for each risk factor, whence bridging the worlds of trading and risk management. Our approach is based on stochastic differential equations (SDEs), like the HJM-equation or the Black-Scholes equation, governing the time evolution of risk factors, on an empirical calibration method to the market for the chosen SDEs, and on an Euler scheme (or high-order schemes) for the numerical evaluation of the respective SDEs. The empirical calibration procedure presented in this paper can be seen as the SDE-counterpart of the so called Filtered Historical Simulation method; the behavior of volatility stems in our case out of the assumptions on the underlying SDEs. Furthermore, we are able to easily incorporate "middle-size" and "large-size" events within our framework always making a precise distinction between the information obtained from the market and the one coming from the necessary a-priori intuition of the risk manager. Results of one concrete implementation are provided.

研究动机与目标

• 为解决静态情景生成在风险管理中的局限性，特别是历史时间序列长度不足以及无法建模极端事件的问题。
• 通过使用与市场定价和对冲一致的标准金融 SDE，弥合交易与风险管理之间的差距。
• 开发一种计算高效的动态框架，能够在任意时间 horizon 上模拟情景，同时保留风险因子的关键统计特性。
• 以一种区分市场观测数据与风险管理人员直觉的方式，系统性地纳入中等规模与大规模事件。
• 通过在模拟情景中保留波动率聚集、偏度、峰度以及极端事件分布，提升回溯测试表现。

提出的方法

• 该方法使用随机微分方程（SDE），包括 Black-Scholes、HJM 和 CIR 模型，描述风险因子的动态演化，确保无套利一致性。
• 通过历史时间序列对 SDE 进行经验校准，波动率通过 GARCH 类型滤波建模，类似于滤波历史模拟，但基于 SDE 动力学。
• 采用显式-隐式 Euler 格式求解 SDE，引入维纳增量和跳跃分量，跳跃率由用户定义。
• 跳跃通过泊松过程建模，跳跃率指定为 2%（在实现中），跳跃大小从校准后的跳跃测度中抽样。
• 引入随机时间变换（以 90%/10% 的概率分别为 0.9 或 1.9 天），以增强收益时间缩放的真实性。
• 该方法包含一个重缩放程序（通过 R 实现），将模拟分布与历史经验分布对齐，保留关键统计特征。

实验结果

研究问题

• RQ1 如何构建一个动态的、多时间 horizon 的情景生成框架，以保留金融时间序列的典型事实特征，如波动率聚集、偏度和厚尾？
• RQ2 与传统的历史方法和参数化方法相比，SDE 基于的模型在计算效率和风险覆盖范围方面能有多大程度的改进？
• RQ3 如何系统性地将极端事件和中等规模事件纳入情景生成，而不过度依赖历史数据？
• RQ4 结合 SDE 动力学与经验校准的混合方法是否能在压力时期回溯测试中优于标准滤波历史模拟？
• RQ5 跳跃过程与时间改变的布朗运动的整合如何影响模拟风险因子分布的真实感与稳健性？

主要发现

• 情景生成器成功保留了多货币和收益率曲线中风险因子收益的关键典型事实特征，包括偏度、峰度和波动率聚集。
• 该方法有效捕捉了极端事件，当 L=40 且 η=4 时识别出 32 个极端事件，当 M=1 时识别出 162 个事件，表明对尾部风险具有高度敏感性。
• 在 99% 置信水平下对 250 个交易日进行回溯测试，模型产生 4 次 VAR 违约和 2 次预期缺口违约，表明风险覆盖能力出色。
• 经过重缩放后，模拟分布与历史分布高度相似，可见平滑化和质量迁移效应，尤其在 ZAR 货币中表现明显，因许多历史收益为零。
• 跳跃过程与随机时间变换的引入显著提升了模拟收益的真实性，尤其在 2008 年第四季度等波动剧烈时期。
• 该框架可实现任意时间 horizon 的一致模拟，克服了传统方法静态的 1 至 10 天限制。