سیستم هشدار اولیه ریسک دم برای بازارهای سرمایه بر اساس الگوریتم های یادگیری ماشین

اندازه گیری خطر علمی و مؤثر در معرض خطر و هشدار اولیه نکات و مشکلات اصلی در شناسایی و کنترل خطرات عمده در بازارهای سرمایه است. در این مقاله ، ما از مدل Fréchet مشروط اتوگرافی (ACF) برای ساخت شاخص اندازه گیری ریسک دم برای بازار سرمایه در چین استفاده می کنیم. وضعیت ریسک دم مشخص شده با روش شاخص علمی به عنوان یک لنگر مانیتور برای ساخت و بهینه سازی یک مدل هشدار اولیه ریسک دم مبتنی بر الگوریتم های یادگیری ماشین استفاده می شود. این مطالعه سه یافته را به دست می آورد.(1) مدل ACF می تواند بر کاستی های مدلهای سنتی در اندازه گیری ریسک دم غلبه کند و به طور قابل توجهی بازده اندازه گیری ریسک دم بازار سرمایه را بهبود بخشد.(2) هم افزایی ریسک دم بین بازارهای سهام و اوراق قرضه به طور قابل توجهی قوی تر از هم افزایی عملکرد است ، و شاخص اندازه گیری ریسک دم نقش شاخص اصلی ریسک قابل توجه در بازارهای سرمایه را دارد.(3) بر اساس آزمون مشترک وضعیت ریسک و راندمان شناسایی بحران ، مدل ورود به سیستم شناسایی بحران با شکست مواجه می شود در حالی که مدل هشدار ریسک دم بهینه شده توسط الگوریتم های یادگیری ماشین به طور دقیق می تواند بحران ها و خطرات قابل توجهی را شناسایی کند. جفت شدن مدل هشدار اولیه بهینه برای بازار سهام و بازار اوراق بهادار الگوریتم جنگل بیش از حد و الگوریتم جنگلی دو نمونه برداری ، به ترتیب ، با دقت هشدار دهنده بحران خارج از نمونه از 81. 94 ٪ و 90. 20 ٪ ، به ترتیب است.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

تحقیقات موجود و تجربه بین المللی نشان می دهد که احساسات بازار و کانال های همبستگی ریسک بین بازار می توانند تأثیر منفی حوادث شدید را به دنبال قرار گرفتن در معرض خطر دم در بازارهای سرمایه تقویت کنند. خطرات مسری و در سراسر سیستم مالی گسترش یافته و منجر به بحران های مالی سیستمیک و خسارات قابل توجهی برای شرکت کنندگان در بازار می شوند (Benoit et al. ، 2017 ؛ Billio et al. ، 2012). در نتیجه جنگ تجاری Sino-US و همه گیر Covid-19 ، نظم اقتصادی بین المللی فعلی در تعدیل عمیق است و سیستم مالی حساسیت بسیار بالایی نسبت به شوک های خارجی نشان داده است زیرا نوسانات بازار غیر طبیعی آسیب پذیری درون زا از مالی را تشدید می کندسیستم (لی و همکاران ، 2020 ؛ یانگ و همکاران ، 2020). این شرایط باعث تجمع خطرات افزایشی در بازار مالی و تشدید مداوم فشار ریسک سهام شده است. به عنوان یک شاخص اصلی ریسک مالی سیستمیک ، اندازه گیری و پیش بینی خطر دم و سیگنال هشدار اولیه آن برای سیستم کنترل ریسک سیستمیک بازار سرمایه مهم است. با توجه به سیستم بازار مالی به طور فزاینده پیچیده ، توسعه یک روش اندازه گیری ریسک دم صحیح برای بازار سرمایه و بهبود کارآیی نظارت بر ریسک دم از اهمیت علمی و اهمیت عملی برخوردار است.

با توجه به تحقیقات قبلی در مورد اقدامات ریسک دم و هم افزایی ، بر اساس ارزش موجود در ریسک (VAR) اندازه گیری ریسک بازار (Engle ، 2002 ؛ Engle & Manganelli ، 2004) اقدامات ریسک دم را اجرا کرد و با استفاده از رگرسیون کمی ، هم افزایی های متقابل بازار را تجزیه و تحلیل کرد. پس از آن ، Girardi و Ergün (2013) ارزش مشروط مشروط مشروط مشروط مشروط در معرض خطر را در معرض خطر (GARCH-COVAR) برای توصیف اثر مسری خطر دم در بازارهای مالی ارائه دادند. مدل خانواده VAR به تدریج به الگوی اصلی برای مطالعات خطر دم تبدیل شد. این مدل همچنین در رابطه با بازار سرمایه چین بسیار مورد استفاده قرار می گیرد (لی و همکاران ، 2010 ؛ Xu & Huang ، 2008). علاوه بر این ، کاربرد و گسترش مدلهای متغیر مبتنی بر رگرسیون کمی ، تحقیقات را در مورد اندازه گیری خطر سیستماتیک و آلودگی بازار متقابل غنی کرده است (Adrian & Bruermeier ، 2016). اگرچه مدلهای خانواده VAR نقش مهمی در تحقیقات ریسک دم داشته اند ، سری زمانی مالی با توزیع های تند و ضخیم با رنگ های ضخیم ، چالش های غیر طبیعی بودن را ایجاد می کند. علاوه بر این ، مدل های GARCH-VAR خطر را بر اساس نوسانات فعلی اندازه گیری می کنند و در رابطه با وقایع شدید ، دوراندیشی کافی ندارند (Longin ، 2000).

به منظور بهبود کارآیی اندازه گیری خطر دم و هشدار زودهنگام ، تئوری ارزش شدید معرفی شد. توزیع مشخص شده توسط مقادیر شدید برای مطالعه توزیع ضخیم اندازه کافی است (Jansen & Vries ، 1991). سپس ، توزیع ارزش شدید عمومی و توزیع پارتو عمومی به صورت متوالی توسعه داده شد ، که مطابق با مدل سازی ارزش شدید مقدار شدید بلوک (Embrechts & Schmidli ، 1994) و روش آستانه عبور اوج (مک نیل ، 1998).

نظریه ارزش شدید فرض توزیع پیشینی داده ها را آرام می کند و کاربرد بهتری برای سری زمانی مالی با ماهیت ضخیم دارد. از تئوری ارزش شدید استاتیک برای اندازه گیری خطر دم بازار سهام چین استفاده شد و اثربخشی آن را در زمینه اندازه گیری ریسک دم بازار سرمایه چین تأیید کرد (فنگ ، 2002 ؛ وانگ و ژو ، 2012). با این حال ، به دلیل عدم توانایی آن در به تصویر کشیدن تغییرات پویا در معرض خطر دم ، محققان تئوری ارزش شدید استاتیک را به یک چارچوب پویا مانند روش آستانه عبور اوج پویا (Massacci ، 2017) یا مدل Fréchet شرطی خودجوش (ACF) گسترش داده اند.(ژائو و همکاران ، 2018). در مقایسه با روش آستانه عبور اوج پویا ، مدل ACF در حالی که به طور مستقیم مدل سازی خارج از کشور را مدل می کند ، اندازه گیری پویا از خطر دم را به دست می آورد ، که از دست دادن اطلاعات به حداقل می رسد. علاوه بر این ، این رویکرد تعصب تخمین ناشی از انتخاب آستانه مدل را کاهش می دهد. بنابراین ، راندمان تخمین مدل بیشتر بهبود می یابد.

شناسایی ریسک مالی ، نظارت و هشدار اولیه در سیستم کنترل ریسک به هم پیوسته است. هدف از اندازه گیری ریسک خدمت به مدیریت کلان است. آگاهی از ریسک آینده بر اساس اندازه گیری ریسک بازار و هشدار زودهنگام همان چیزی است که مدیریت ریسک مالی به دنبال آن است. ساخت و بهینه سازی مدل هشدار دهنده ریسک پیش نیاز مهمی برای تحقیقات و کنترل ریسک مؤثر است. نمایندگان اصلی مدل های هشدار اولیه مدل احتمال فرکانس (FR) ، مدل مقطعی مقدار ذینفعان (STV) و مدل احتمال ذهنی است. کامینسکی و همکاران ، (1998) با توجه به دقت پایین و عینیت ضعیف مدلهای هشدار دهنده اولیه قبلی ، یک سیستم شاخص هشدار دهنده اولیه (مدل KLR) را بر اساس چهار جنبه ساخت: سیستم شاخص ، مرزهای هشدار دهنده ، پردازش داده ها و نور سیگنالنمایش دادن. در مقایسه با مدل KLR ، مدل Probit دارای دقت هشدار در نمونه بهتر و هشدار خطر خارج از نمونه کارآمدتر است (Berg & Pattillo ، 1999). مدل های Logit همچنین از طرف دانشمندانی که در معرض خطر هشدار زودهنگام هستند ، مورد توجه گسترده ای قرار گرفته است (Bussiere & Fratzscher ، 2006 ؛ Duca & Peltonen ، 2013 ؛ Gong et al. ، 2020). با این حال ، مدل های هشدار دهنده ریسک سنتی ، از جمله مدل های ورود به سیستم و Probit ، اغلب به دلیل فرضیات خطی و سایر پیش نیازها ، کارایی هشدار دهنده مدل کم و توانایی شناسایی بحران کافی ندارند.

در سالهای اخیر ، الگوریتم های یادگیری ماشین غیرخطی به تحقیقات هشدار دهنده زودرس در معرض خطر قرار گرفته اند. ساخت و بهینه سازی مدل های هشدار دهنده اولیه ریسک مالی مبتنی بر الگوریتم های یادگیری ماشین می تواند به شکستن تنگنای تنظیم ریسک و بهبود کارآیی هشدار اولیه ریسک کمک کند. به عنوان مثال ، دستگاه بردار پشتیبانی (SVM) برای کشف مدیریت ریسک در بازارهای مالی معرفی شد (Groth & Munterma ، 2011) و از الگوریتم های درخت تصمیم گیری برای ساختن مدل های هشدار دهنده اولیه ریسک استفاده شد (Döpke et al. ، 2017). علاوه بر این ، Chatzis و همکاران ، (2018) اثربخشی ورود به سیستم ، سری درخت تصمیم ، دستگاه های بردار پشتیبانی ، شبکه های عصبی و سایر تکنیک های هشدار دهنده خطر سیستماتیک را مقایسه کردند ، نتیجه گیری کردند که یادگیری ماشین از مدلهای هشدار دهنده خطر سنتی مؤثر است و آنروشهای آموزش مبتنی بر مدلهای داده بزرگ منجر به افزایش قابل توجهی در صحت هشدارهای خطر می شود.

در حالی که الگوریتم های یادگیری ماشین از نظر پیش بینی در مواقع بحران کارآمدتر هستند ، می توان با استفاده از مدل سازی عصبی-فازی ، کارایی پیش بینی شده از داده های بورس روزانه در طول رکود اقتصادی بهبود یافت (Atsalakis et al. ، 2016). Beutel et al. ، (2019) توانایی پیش بینی خارج از نمونه مدل های مختلف هشدار دهنده اولیه را با استفاده از یک نمونه 45 ساله از سیستم های بانکی در اقتصادهای پیشرفته مقایسه می کنند ، و دریافتند که الگوریتم های یادگیری ماشین از روشهای ورود به سیستم برتر هستندنمونه پیش بینیBao و همکاران ، (2019) استراتژی را پیشنهاد می کنند که یادگیری بدون نظارت با یادگیری تحت نظارت را برای انجام ارزیابی ریسک اعتباری ترکیب می کند. عملکرد مدل امتیاز دهی اعتبار با استفاده ترکیبی از الگوریتم های یادگیری ماشین بهبود می یابد. الگوریتم های یادگیری ماشین می توانند الگوهای مختلف پیچیده را تشخیص دهند. استفاده از الگوریتم های یادگیری ماشین در بازارهای مالی در کشورهای در حال توسعه یک منطقه بسیار ارزشمند از تحقیقات است (هنریک و همکاران ، 2019). الگوریتم های یادگیری ماشین به دلیل توانایی آنها در تشخیص ساختارهای پیچیده و ظرفیت پیش بینی کارآمد ، به طور فزاینده ای از محققان توجه بیشتری را به خود جلب کرده اند. همچنین تقاضای شدیدی از صنعت و دولت برای ایجاد یک سیستم هشدار زودرس خطر هوشمند وجود دارد. به این ترتیب ، ایجاد یک سیستم کنترل ریسک مبتنی بر الگوریتم های یادگیری ماشین ، جهت جدیدی برای تحقیقات هشدار دهنده خطرناک در بازارهای مالی است.

نوآوری های اصلی و مشارکت این مقاله سه برابر است. ابتدا از یک مدل ACF برای ساخت اندازه گیری پویا ریسک دم در بازار سرمایه چین استفاده می شود. این اندازه گیری یک راه حل امکان پذیر برای مشکل انتخاب مدل که توسط توزیع غیر عادی و ضخیم از سری بازده بازار مالی روبرو است ، فراهم می کند. این اندازه گیری همچنین با دقت بیشتری ویژگی های حرکات ریسک را در مراحل مختلف بازار سرمایه به تصویر می کشد و باعث افزایش کارایی اندازه گیری ریسک دم در بازار سرمایه چین می شود. دوم ، تأثیر منفی حرکت هماهنگ بازار ریسک دم در بازارهای سرمایه از منظر سرریزهای ریسک قوی دم و آلودگی بازار متقابل بررسی شده است. ما می دانیم که شاخص اندازه گیری ریسک دم دارای عملکرد هشدار دهنده بحران است و شاخص اصلی خطرات قابل توجه در بازارهای مالی است. سوم ، ما مدل هشدار اولیه ریسک دم از بازار سرمایه را بر اساس الگوریتم های یادگیری ماشین می سازیم و بهینه می کنیم. ما از شاخص اندازه گیری پویا ریسک ریسک ریسک بازار سرمایه به عنوان پایه استفاده می کنیم و آزمون مشترک تحقیقات وضعیت ریسک و راندمان شناسایی بحران را می گذرانیم ، که باعث افزایش کارایی هشدار دهنده بحران ضمن افزایش صحت تحقیقات و قضاوت در معرض خطر می شود. این امر می تواند کوتاه شود تا تأخیر زمان پاسخ ریسک تنظیم کننده و ترویج توسعه فناوری نظارتی بازار سرمایه داشته باشد.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 اندازه گیری خطر دم و ساخت مدل هشدار اولیه را معرفی می کند. بخش 3 نتایج اصلی تجربی را از نظر اندازه گیری پویا ریسک دم در بازارهای سرمایه گزارش و بحث می کند. بخش 4 اعتبار را آزمایش می کند و مدل هشدار اولیه ریسک ریسک بازار سرمایه را بهینه می کند. بخش 5 مقاله را نتیجه می گیرد.

اندازه گیری خطر دم و ساخت مدل هشدار اولیه

ساخت شاخص اندازه گیری ریسک دم بر اساس مدل ACF

نظریه ارزش شدید بر مشکل کاربرد توزیع غیر عادی سری بازده بازار سرمایه غلبه می کند. این امر به اندازه گیری مؤثر سطح ریسک دم تحت شرایط توزیع ضخیم از سری بازده بازار مالی می رسد. مدل ACF با مدل سازی پویایی مشاهدات شدید در دم توزیع ، از دست دادن اطلاعات به حداقل می رسد. بنابراین ، مدل ACF برای ساخت شاخص اندازه گیری ریسک دم بازار سرمایه انتخاب شده است. جوهر مدل ACF مدل سازی با ارزش شدید است و اولین چیزی که قبل از مدل سازی تعیین می کنید ، سری ارزش شدید است. وقتی مدل سازی ارزش شدید سری TIME T>، عملکرد توزیع به شرح زیر است.

جایی که q_حرفیک سری زمانی یک متغیره است که بر اساس مجموعه ای از سری زمانی مالی به دست می آید (< X_>_^

) . In Eq. (1), (mu ,sigma in R) , H is referred to as the generalized extreme value (GEV) distribution, and (xi ) is the shape parameter. When ( xi > 0) , ( alpha = 1/xi) and (>left( >;mu ,sigma ,xi > ight)) denotes the extreme value type II distribution; when (xi = 0) , (>left( >;mu ,sigma ,xi > RIGHT) ) توزیع مقدار شدید نوع I را نشان می دهد. وقتی ( xi< 0) , (>left( >;mu ,sigma ,xi > راست) ) توزیع مقدار شدید نوع III را نشان می دهد. سری بازگشت بازار سرمایه با سنبله ها و دم های ضخیم مشخص می شود و داده های ارزش شدید گرفته شده از بازار سرمایه باید از توزیع Fréchet پیروی کنند. توزیع استاتیک Fréchet با استفاده از پویایی پارامتر به یک چارچوب پویا گسترش می یابد: ( سمت چپ (<mu_,sigma_ ,alpha_ > ight) in >_ = sigma سمت چپ ( راست) ) ، جایی که ( alpha_ = 1/ xi_ ، ؛ چپ < >_ > ight>) یک متغیر تصادفی واحد فری با توزیع یکسان مستقل ، ( سمت چپ (()<mu_,sigma_ ,alpha_ > ight) in >_ = sigma سمت چپ (درست)) .

برای سادگی ، فرض کنید که μ_حرفثابت است (یک رویکرد کلی در مطالعات تئوری ارزش شدید) (ژائو و همکاران ، 2018). متغیرهای کلیدی در مدل سازی رفتار دم پارامترهای مقیاس و شکل هستند و ساختار اتورگرایی به پارامترهای متغیر زمان به شرح زیر در معادلات اختصاص می یابد.(2) و (3).

با توجه به تأثیر خوشه بندی حوادث شدید ، دوره قبلی q بزرگتر می شود ، نوسانات افزایش می یابد و η₁به صورت یکنواخت افزایش می یابد. مقدار q بزرگتر می شود ، دم ضخیم α_حرفکوچکتر می شود ، و η₂به صورت یکنواخت کاهش می یابد. ساختار خودکار بر اساس پارامترهای متغیر زمان نشان می دهد که مدل ACF یک مدل سازی پویا مشترک از نوسانات و شاخص های دم را پیاده سازی می کند. جایی که η () یک تابع نمایی از فرم است ( rho_ exp سمت چپ (< - ho_>> راست) ) (مداوم ، متفاوت ، محدود ؛ ساده ، انعطاف پذیر ، بصری و غیرقابل برگشت) ، و جایی که ρ₁ >0 و ρ₀برای کنترل یکنواختی عملکرد استفاده می شود و مدل توسط Eqs ساده تر می شود.(4) ، (5) و (6).