01 

VaR with AI

VaR 계산방법론인 BRW, FHS 등은 모두 투자자산의 확률분포데이터가 필요하고, 분포데이터의 샘플링 기간에 따라 VaR 수치가 변합니다. 그리고, 너무 짧은 데이터는 outlier를 충분히 포함하지 못하고 너무 긴 데이터는 최근의 시장상황을 무시하게 만듭니다. 딥러닝을 적용하면 분포데이터의 적절한 샘플링 기간을 정할 수 있습니다. 매크로데이터와 자산수익률, 투자 자산간 공분산 변화의 관계를 딥러닝 모델을 이용하여 예측합니다. 개별 자산의 수익률에 대한 딥러닝 예측은 Historical Price 를 사용하는 방법보다 정확도를 개선시킬 수 있습니다. 또한, 공분산 예측은 딥러닝 모델을 사용하여 가장 큰 개선이 가능한 부분입니다.


VaR calculation methodologies, such as BRW, FHS, require probability distribution data and the results can be varied depending on the sampling period of the data. If the data are inadequate, material outliers may not be included, and other case may neglect recent trends in the market. In this case, deep-learnings can remedy the problem and find the appropriate sampling timeframe by learning macroeconomic, historical return, covariances among different asset classes, and forecasting their relationships. By doing so, the accuracy of forecasting can be significantly enhanced with deep-learning models.

 

02

AS IS :
Classic VaR Model

과거 수익률 분포에 의존

  • 임의적인 데이터 샘플링 기간

  • 매크로 상황에 따른 Covariance, 수익률 분포 고려가 없음

  • 개별 자산의 모멘텀, 자기 상관에 대한 고려가 약함 (독립 분포 가정도 많음)

  • Volatility Clustering 에 대한 고려가 약함

  • 리스크의 원인분석이 불가능


Relying on the historical return distribution has following setbacks:

  • Time windows for sampling are randomly selected

  • Macroeconomic conditions are not considered for covariance and return distribution

  • Autocorrelation and momentum for individual assets are not fully considered

  • Insufficient consideration for volatility clustering

  • Impossible to analyze the cause of risks

 

03

TO BE :
AI-enhanced VaR Model

과거 수익률 분포를 macro data, fundamental data 와의 conditional distribution으로 파악하여 그 관계를 기계학습

  • 높은 예측력을 가지는 샘플링 기간 및 outlier 분포를 최적화하여 사용

  • 매크로 상황에 따른 Covariance, 수익률 분포의 변화를 예측

  • 매크로 상황에 따른 개별 자산의 모멘텀, 자기상관의 변화를 예측

  • Volatility Clustering 을 예측

  • 결과적으로, 가격 데이터 분포만을 사용하는 VaR 모델에서 벗어나 macro data, fundamental data 등에 숨어있는 정보를 학습하여 리스크의 예측력을 향상하고, 리스크 예상 결과에 중요하게 기여한 input 변수(매크로 데이터, 밸류에이션 데이터)를 분석함으로써 리스크 예상의 원인 파악과 설명 가능


Historical returns are expressed as a conditional distribution between macroeconomic and fundamental data:

  • Sampling periods and outlier distributions are optimized to enhance the forecasting power

  • The changes in return distribution and covariances are forecasted with macro conditions

  • Individual assets’ momentum and autocorrelation are forecasted with macro conditions

  • The forecast of volatility clustering is used as an input

  • As a result, the forecasting power of the model can be reinforced as the model finds hidden information from macro and fundamental data, compared with traditional VaR model which uses historical price distribution only. The Input variables can be analyzed to find the cause and reason for potential risks.