Methoden des maschinellen Lernens zur Value-at-Risk-Schätzung

Grundsätzlich können Methoden des maschinellen Lernens Schätzungen statistischer Größen verbessern und Schätzfehler reduzieren. Dies gilt nicht nur für die Messung von Asset-Risikoprämien, sondern auch für Schätzungen des Value at Risk. Dr. Michael Klawunn, Warburg, und Prof. Dr. Andreas G. F. Hoepner, University College Dublin, zeigen, dass insbesondere generative Regime-Switching Frameworks mit rekurrenten neuronalen Netzen das Potenzial haben, die Risikomessung für verschiedene Asset-Klassen zu verbessern.

Abonnenten finden den Beitrag in Ausgabe 4|2020 des Absolut|report auf Seite 32.