[论文解读] Performing Bayesian Risk Aggregation using Discrete Approximation Algorithms with Graph Factorization

Peng Lin|arXiv (Cornell University)|Jun 2, 2015

Bayesian Modeling and Causal Inference参考文献 42被引用 5

一句话总结

本文提出了两种用于混合（连续与离散）变量及高维依赖关系模型中贝叶斯风险聚合的离散近似算法。通过利用图因子分解将复杂贝叶斯网络分解，该方法实现了高效的推理与风险估计，在保持金融风险建模准确性的同时，显著提升了计算可扩展性。

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.

研究动机与目标

• 解决具有复杂依赖关系的金融与操作风险模型中贝叶斯风险聚合的挑战。
• 为结合连续与离散随机变量的混合贝叶斯网络开发高效的推理算法。
• 通过基于图的分解方法，提升高维风险聚合问题的计算可扩展性。
• 实现适用于压力测试、敏感性分析及操作风险建模等应用的准确且可扩展的风险估计。

提出的方法

• 第一种算法通过将连续变量进行离散近似，并利用图因子分解简化条件依赖关系，专注于混合模型中的卷积问题。
• 第二种算法通过在因子化图结构上进行模块化推理，将该方法推广至更广泛的贝叶斯网络类别。
• 图因子分解用于将联合概率分布分解为可处理的条件分量，从而降低计算复杂度。
• 离散近似将连续变量替换为量化表示，使在离散化网络上通过动态规划或信念传播实现精确推理成为可能。
• 该方法利用贝叶斯网络中的条件独立结构，限制计算成本随模型规模增长。
• 该方法支持精确与近似推理，可通过离散化分辨率调节精度。

实验结果

研究问题

• RQ1 如何在混合连续与离散变量的模型中高效执行贝叶斯风险聚合？
• RQ2 图因子分解对高维贝叶斯网络中风险聚合的可扩展性与准确性有何影响？
• RQ3 离散近似技术能否在降低计算复杂度的同时保持足够的准确性？
• RQ4 在金融风险应用中，所提出的算法与现有方法相比，在运行时间与精度方面表现如何？

主要发现

• 所提出的算法通过利用图结构与离散近似，显著降低了高维风险聚合任务的计算复杂度。
• 图因子分解通过将复杂网络分解为可管理的条件子模型，实现了可扩展的推理。
• 即使采用中等离散化水平，离散近似方法在风险估计中仍保持了高精度。
• 该方法在传统方法因难以处理连续积分而失效的混合模型上实现了高效推理。