[论文解读] XVA Analysis From the Balance Sheet

Claudio Albanese, Stéphane Crépey+2 more|RePEc: Research Papers in Economics|Sep 1, 2020

Financial Markets and Investment Strategies被引用 4

一句话总结

本文提出了一种基于资产负债表的资本成本XVA框架，将对手方风险调整（CVA、FVA、MVA、KVA）建模为动态、路径相关的前向-后向SDE系统，确保银行权益以目标门槛收益率作为次鞅增长。该框架支持高效的GPU加速深度学习回归，实现全银行XVA计算，通过数值案例研究验证了其在各类交易中具有稳健的路径相关估值与经济一致性。

ABSTRACT

XVAs denote various counterparty risk related valuation adjustments that are applied to financial derivatives since the 2007--09 crisis. We root a cost-of-capital XVA strategy in a balance sheet perspective which is key in identifying the economic meaning of the XVA terms. Our approach is first detailed in a static setup that is solved explicitly. It is then plugged in the dynamic and trade incremental context of a real derivative banking portfolio. The corresponding cost-of-capital XVA strategy ensures to bank shareholders a submartingale equity process corresponding to a target hurdle rate on their capital at risk, consistently between and throughout deals. Set on a forward/backward SDE formulation, this strategy can be solved efficiently using GPU computing combined with deep learning regression methods in a whole bank balance sheet context. A numerical case study emphasizes the workability and added value of the ensuing pathwise XVA computations.

研究动机与目标

• 将XVA估值从银行资产负债表视角重新框架化，使XVA项基于经济现实，而非孤立定价。
• 通过在XVA框架中嵌入目标门槛收益率（KVA），确保股东权益过程的一致性与次鞅性。
• 通过建模违约敞口与自身违约风险的非完美对冲，解决对手方风险市场不完全性问题。
• 开发一种计算高效、可扩展的全银行XVA计算解决方案，结合深度学习与GPU加速。
• 通过数值案例研究验证框架，展示路径相关XVA计算与经济一致性。

提出的方法

• 该框架基于前向/后向SDE公式，通过耦合方程系统将银行的交易损失过程（L）与FVA及KVA分量关联。
• 显式建模CVA、FVA、MVA与KVA：CVA与MVA作为对手方违约的或有索赔，FVA作为追加保证金的融资成本，KVA作为风险资本的收益补偿。
• KVA通过连续时间风险溢价公式定义：KVAt = Et[∫Th(s−t)max(ECs, KVAs)ds]，与瑞士偿付能力测试方法一致。
• 采用Picard迭代方案解耦L、EC（预期短缺）与（FVA、KVA）之间的反馈关系，实现唯一平方可积解的收敛。
• 通过GPU加速的深度学习回归求解系统，实现全银行衍生品投资组合的可扩展、路径相关计算。
• 通过CSA（无CSA、(VM/IM) CSA）建模抵押品安排，RIM与PIM在分位数水平（arim, apim）上计算，通过对手方状态区分净额结算组。

实验结果

研究问题

• RQ1 如何将XVA调整根植于银行资产负债表，以反映经济现实并确保一致的资本回报？
• RQ2 KVA在确保所有交易中权益过程满足目标门槛收益率的次鞅性方面发挥何种作用？
• RQ3 在动态、不完全市场设定下，如何一致地建模对手方风险、自身违约风险与融资成本之间的反馈关系？
• RQ4 深度学习与GPU计算能否高效求解由此产生的高维前向-后向SDE系统，以实现全银行XVA计算？
• RQ5 不同抵押品安排（如(VM/IM) CSA）如何影响XVA分量的路径相关行为？

主要发现

• 所提出的XVA框架确保银行权益过程以目标门槛收益率作为次鞅增长，且在所有交易与时间段内保持一致。
• CVA、FVA、MVA与KVA的方程系统是适定的，且存在唯一平方可积解，经Picard迭代收敛性验证。
• KVA显式建模为预期短缺（EC）与前期KVA最大值的风险溢价，与瑞士偿付能力测试方法一致。
• 该框架通过GPU加速的深度学习回归，实现高效、可扩展的路径相关XVA值计算，适用于实时或回测应用。
• 数值案例研究证实了该方法的可行性，表明在不同抵押品安排下，XVA分量在投资组合中一致计算。
• 该模型考虑了风险资本与追加保证金之间的可替代性，以自洽方式解决了CR、CA与FVA之间的反馈回路。