.png){kind=icon}
返回
Forecasting Financial Risk Using Quantile Random Forests
.png){kind=icon}
PRE
AI
DOI：10.1002/for.70146.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种金融风险预测模型，该模型能够有效利用大量经济和金融预测变量信息。模型采用广义分位数随机森林构建，这是一种非参数机器学习方法，自然允许变量间的交互作用和非线性关系。我们使用模型无关的变量筛选技术和稳健的交叉验证方法，以最小化过拟合风险。我们的风险模型在1天和10天预测时窗下均能产生具有竞争力的风险价值（VaR）和预期损失（ES）预测。基于该风险模型VaR和ES预测的动态投资组合保险策略，能生成有吸引力的夏普比率、索提诺比率和欧米伽比率，尤其在10天预测时窗下表现更为突出。此外，我们提供了对预测变量动态重要性的详细分析。研究发现，将大数据集与基于树的算法相结合，对于金融风险预测具有实用价值。
Keyword:
expected shortfall
machine learning
random forests
value at risk
variable screening
期刊
IF:
2.7
论文数:
2.3K
被引数:
3.0K
机构
引用论文
.png){kind=icon}
查看更多内容