admin 
[ad_1]
O que queremos dizer com crise financeira? Que métodos clássicos prevêem tais crises? Como os algoritmos de aprendizado de máquina podem contribuir para sua previsão?
As crises financeiras assumem muitas formas: variam de inadimplência soberana a corridas bancárias a crises cambiais. O que todos esses episódios têm em comum é que a vulnerabilidade doméstica piora com o tempo e, após um gatilho associado, causa uma crise financeira.
Identificar um gatilho específico pode ser difícil, por isso é importante monitorar o desenvolvimento de vulnerabilidades internas. Quais são exatamente essas vulnerabilidades internas? Do ponto de vista estatístico, são variáveis explicativas em modelos de crise. Em episódios históricos de crise, muitas vezes serviram como variável de resposta.
Embora isso faça parte da abordagem clássica para modelar crises financeiras, não é a única maneira de modelar riscos financeiros.
No modelo clássico de crise, o método padrão é usar a regressão logística para estimar a probabilidade de uma crise financeira. As variáveis explicativas estão relacionadas à variável de resposta com uma função de ligação não linear. A variável dependente é 0 para nenhuma crise e 1 para uma crise. Esta abordagem é baseada na definição de uma crise financeira. As variáveis passadas são modeladas usando a verossimilhança máxima variando os efeitos das variáveis explicativas na variável de resposta. Em termos de aprendizado de máquina, esse é um método de aprendizado supervisionado ou regressão logística com uma camada oculta. Também é conhecida como Rede Neural Rasa.
Outros métodos de modelagem de crise incluem a determinação da probabilidade de inadimplência ou crise a preços de mercado. Por exemplo, swaps de inadimplência de crédito (CDS) podem ser usados para calcular a probabilidade estimada de inadimplência. Obviamente, isso é fundamentalmente diferente da regressão logística descrita acima e da aplicação de algoritmos de aprendizado de máquina descritos abaixo.
Então, o que os algoritmos de aprendizado de máquina podem fazer para melhorar as estimativas da probabilidade de uma crise financeira? Primeiro, o aprendizado não supervisionado difere do aprendizado supervisionado porque não há variável de resposta. Clustering é uma técnica que vale a pena destacar. O objetivo do agrupamento é agrupar pontos de dados de maneira razoável. Esses grupos de dados serão associados a um centro de massa para ajudar a definir a estrutura nos conjuntos de dados. O agrupamento pode ser aplicado à variável dependente ou independente. Por exemplo, em vez de usar um limite fixo para definir uma crise cambial, podemos dividir o rendimento da moeda em diferentes clusters e derivar um valor razoável de cada cluster.
Dessa forma, os algoritmos de aprendizado de máquina podem agregar valor significativo. Embora o agrupamento seja apenas um exemplo do poder da codificação, esses algoritmos têm várias outras aplicações úteis
Obviamente, embora o aprendizado de máquina seja apenas um termo genérico para muitos algoritmos úteis, se uma máquina realmente aprende é outra questão.
A separação de séries temporais no conjunto de treinamento e teste, no entanto, ainda é uma das principais desvantagens do aprendizado de máquina. Como você define uma divisão? Muitas vezes a decisão é arbitrária.
Quaisquer que sejam essas desvantagens, elas dificilmente diminuem os benefícios significativos que o aprendizado de máquina pode trazer. De fato, agora é a hora de investir nessas oportunidades.
Se você gostou deste post, não se esqueça de se inscrever investidor empreendedor
Todas as postagens são a opinião do autor. Como tal, eles não devem ser interpretados como conselhos de investimento, e as opiniões expressas não refletem necessariamente as opiniões do CFA Institute ou do empregador do autor.
Crédito da imagem: ©Getty Images/noLimit46
Formação profissional para membros do CFA Institute
Os membros do CFA Institute são livres para determinar e relatar os créditos de aprendizagem profissional (PL) ganhos, incluindo conteúdo sobre investidor empreendedor. Os membros podem facilmente registrar créditos usando seu rastreador PL online.
Sebastian Petrich, CFA
[ad_2]
Source link
