Relación riesgo-retorno utilizando ML probabilidad de incumplimiento

Question

Tengo acceso a una gran cantidad de bonos la base de datos (>20m filas) donde el 50% de la serie son madurado bonos para que una variable ficticia identifica si los bonos en mora o no. El 50% restante son "en vivo" de los bonos.

Ya he entrenado un ML clasificador y predice la probabilidad de incumplimiento para el "en vivo" el componente de la serie. Mi final es evaluar el conjunto de datos en vivo de una rentabilidad ajustada al riesgo de la perspectiva. He llegado a la siguiente aumentada ratio de Sharpe $\tilde{S_i}$ que puede ser aplicado en un vínculo individual base:

$\tilde{S_i} = \log [ \frac{R_i}{\hat{p_i}(\text{Default})}]$

Es que nadie conocimiento de otros métodos para evaluar el riesgo ajustado de la rentabilidad esperada de los títulos de deuda? ¿Mi método de hacer sentido para usted? Yo podría altamente el uso de algunos comentarios.

Answer 1

Descargo de responsabilidad: estos son solo opiniones, no necesariamente han autorizado conocimiento en este tema.

Si usted considera que la tradicional Sharpe definición:

$$S = \frac{recompensa}{riesgo}$$ donde la recompensa es el retorno esperado (arriba de la tasa libre de riesgo) y el riesgo es la desviación estándar de la recompensa, no es claro para mí cómo su aumentada ratio de Sharpe está relacionado con este. En cambio, mi instintivo enfoque sería el modelo de la devolución de la fianza en virtud de un benoulli de distribución con $p_i$ la probabilidad de incumplimiento, es decir, cuando la variable aleatoria $X_i=1$ y no tiene valor predeterminado si $X_i=0$. Además necesitamos un poco de coherencia de tiempo, así que voy a medir a través de un período de tiempo $\Delta t$.

$$ reward_i = (100 + r_i) (1 - X_i) + 100(1-L_{gd})X_i - C_i$$

donde $r_i$ es la devolución de la fianza de más de $\Delta t$, $C_i$ es cierta estandarización, como restando la tasa libre de riesgo, y tenemos una pérdida en caso de incumplimiento de los factores. Si usted deja $R_i=100+r_i$ y $L_i=100(1-L_{gd})$ , entonces;

$$ E[reward_i] = R_i(1-p_i)+L_ip_i-C_i$$ y $$ Var(reward_i) = Var((-R_i+L_i)X_i)=(R_i-L_i)^2p_i(1-p_i)$$

Así que al final termina con una fórmula que establece que;

$$Sharpe(p_i; R_i, L_i, C_i) = \frac{R_i(1-p_i)+L_ip_i - C_i}{\pm(R_i-L_i)\sqrt{p_i(1-p_i)}} \;.$$

Como en un momento me iba a sospechar que su proceso de aprendizaje se beneficiarían por el condicionamiento de sí mismo en los datos de la sincronización de los valores predeterminados. Este fue un fracaso de los modelos basados en cúpulas en la crisis de crédito, si mal no recuerdo. Que podría llegar a ser bastante complicado formulación de un modelo que representa la similitud basado en la puntualidad de los valores predeterminados.

Feliz por las duras críticas.. no te detengas..