数据驱动的动态金融风险度量研究

Financial risk measures are important indicators of risk of financial portfolios and even stability of financial institutions, so how to estimate them accurately and promptly is the key to financial risk management. Stochastic simulation, which is an important tool for studying complex systems, is commonly used in estimating risk measures. Previous work in the literature focuses almost on estimating risk measures under a static framework, and almost all of the methods need plenty of time to implement, due to the complicated structures of financial assets and securities contained in the portfolios. However, taking advantage of the recent development of machine learning methods and big data analytics, we propose to take an alternative view and formulate the risk measure estimation problem under a dynamic framework. The main research problems are (1) data-driven financial asset models analysis; (2) dynamic risk measure estimation; (3) practical applications of real financial risk measures. Based on the financial data and the methodologies of stochastic simulation and machine learning, this project targets on building accurate financial asset models and calibration methods, then proposing dynamic risk measures and the estimation methods. This project enhances the research on financial risk management, and provides theoretical methods and technical supports for the practice of financial risk management.

金融风险度量是衡量金融资产组合风险和金融机构稳定性的重要指标，因此如何准确及时地估计金融风险度量是管理金融风险的关键。作为研究复杂系统的重要工具，随机仿真常被用来解决金融风险度量估计问题。现有文献对于该问题的研究大多在静态的框架下进行，由于金融资产与证券的复杂性，相应的估计方法需要大量的时间进行运算。而借助近些年发展迅速的机器学习及数据挖掘方法，本项目将从另一个的角度来构建和估计金融风险度量，将其延伸到更为切合实际的动态框架下。本项目的主要研究内容包括：(1)数据驱动的金融资产模型分析；(2)动态金融风险度量的估计；(3)金融风险度量的应用研究。本项目旨在以金融数据为出发点，以随机仿真理论与机器学习方法为工具，建立精确的资产模型与参数校正方法，进而提出动态金融风险度量与估计方法，丰富金融风险管理问题的研究，为金融风险管理的实践提供理论方法与技术支持。

防范化解金融风险是我国金融工作的重要内容，也是管理科学领域的一个热点问题。随机建模与仿真是度量复杂金融资产风险的重要工具，它通过对复杂金融资产进行建模，并模拟资产演化的过程来估计风险测度。随着计算机技术的不断发展，同时人们对于管理决策精细化的要求越来越高，越来越多的决策问题需要根据所处于的市场状态和所对应的风险测度来实时地进行管理决策。传统的随机仿真方法需要大量计算时间进行仿真实验，无法解决实时估计问题。本项目研究了基于随机仿真与机器学习方法相结合的风险测度实时估计方法，将传统的仿真从解决静态问题的设计工具拓展为解决动态问题的实时决策工具。项目完成了预计的研究目标，得出了较为重要的研究成果：（1）完成数据驱动的金融资产模型分析，建立了Levy过程资产模型和模型参数的极大似然估计校正方法，用来刻画传统金融资产和新兴金融资产价格变动情况；（2）提出了动态金融风险测度的实时估计方法，构造了线下仿真-线上估计的仿真新方式，将仿真模型视为数据生成器，利用逻辑回归、随机克里金、自然梯度Boost等方法挖掘仿真数据，构建预测模型，然后使用预测模型进行风险实时监测、衍生产品实时定价与对冲等；（3）开展金融风险度量应用研究，与相关企业开展合作，进行算法示范性应用等。相关的研究成果发表在《INFORMS Journal on Computing》、《Naval Research Logistics》等学术期刊上。本项目的科学意义主要体现在下列几个方面：建立了描述传统与新兴金融资产的复杂随机过程模型；丰富了随机仿真领域的方法与理论，将传统随机仿真方法解决问题的范畴拓展到实时决策问题；改进了传统的逻辑回归、正则化、随机克里金等机器学习方法，提出了一系列适应本框架的线下仿真数据分析的新方法，并深入地分析了这些方法的理论性质。