[ad_1]
我们所说的金融危机是什么意思？ 预测此类危机的经典方法有哪些？ 机器学习算法如何有助于预测它们？
金融危机有多种形式：从主权违约到银行挤兑再到货币危机。 这些事件的共同点是，内部脆弱性会随着时间的推移而恶化，并在相关触发因素之后引发金融危机。
查明具体的触发因素可能很困难，因此必须监控内部漏洞的演变。 这些内部漏洞究竟是什么？ 在统计方面，它们是危机模型中的解释变量。 在历史性的危机事件中，它们通常作为响应变量。
虽然这是模拟金融危机的经典方法的一部分，但它并不是模拟金融风险的唯一方法。
在经典危机模型中，标准方法是使用逻辑回归来估计金融危机的概率。 解释变量通过非线性链接函数连接到响应变量。 因变量为 0 表示没有危机，1 表示有危机。 这种方法取决于金融危机的定义。 通过改变解释变量对响应变量的暴露，在最大似然的帮助下对过去的变量进行建模。 在机器学习术语中，这是一种监督学习技术或具有一个隐藏层的逻辑回归。 它也被称为浅层神经网络。
根据市场价格确定违约或危机概率是其他危机建模方法之一。 例如，从信用违约掉期 (CDS) 中，可以计算出隐含的违约概率。 当然，这与上面描述的逻辑回归和下面描述的机器学习算法的应用都有根本的不同。
那么，机器学习算法可以做些什么来改进对金融危机概率的估计呢？ 首先，无监督学习与监督学习的不同之处在于没有响应变量。 聚类是一种值得强调的技术。 聚类的目标是以合理的方式对数据点进行分组。 这些数据组将与质心相关联，以帮助确定数据集中的结构。 聚类可以应用于因变量和自变量。 例如，我们可以将货币收益分成不同的集群，并从每个集群中得出合理的含义，而不是使用固定阈值来确定货币危机。
机器学习算法可以通过这种方式增加重要价值。 虽然聚类只是编码能力的一个例子，但这些算法还有许多其他有用的应用
当然，虽然机器学习只是许多有用算法的总称，但机器是否真正学习是完全不同的问题。
然而，在训练和测试集中分割时间序列仍然是机器学习的主要弱点之一。 你如何确定分裂？ 该决定通常是任意的。
无论这些缺点如何，它们几乎都不会减损机器学习可以带来的显着好处。 事实上，现在是投资这些能力的时候了。
如果你喜欢这篇文章，别忘了订阅 进取的投资者
所有帖子都是作者的意见。 因此，它们不应被解释为投资建议，所表达的观点也不一定反映 CFA 协会或作者雇主的观点。
图片来源：©Getty Images/noLimit46
CFA协会会员的专业学习
CFA 协会成员有权自行决定和报告所获得的专业学习 (PL) 学分，包括关于 进取的投资者. 会员可以使用他们的在线 PL 跟踪器轻松记录学分。
塞巴斯蒂安·佩特里奇，CFA
[ad_2]
Source link
