Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)

Miroslav Holub

Master's thesis

Abstract:

Tato diplomová práce zkoumá aplikaci neuronových sítí, konkrétně sítí Adam a AdamW, na urychlení procesu výpočtu Credit Valuation Adjustment (CVA), který se tradičně provádí pomocí Monte Carlo metody. Cílem je výrazně snížit výpočetní čas při zachování přesných výsledků. Využitím prediktivních schopností neuronových sítí tato práce usiluje o optimalizaci finančních výpočtů při hodnocení CVA. Byl vygenerován dataset syntetických úrokových swapů (IRS), které se liší ve vybraných parametrech. Neuronové sítě byly trénovány k predikci očekávané pozitivní expozice (EPE). Výsledky ukazují, že neuronové sítě mohou dosáhnout srovnatelné přesnosti s metodami Monte Carlo, přičemž výpočetní časy jsou výrazně rychlejší. Proces generování umělých datasetů a trénování neuronové sítě je však časově náročný. Zjištění přispívají k pokračujícím snahám využití pokročilých technik strojového učení v oblasti řízení finančních rizik.

Abstract:

This thesis investigates the application of neural networks, specifically Adam and AdamW networks, to accelerate the Credit Valuation Adjustment (CVA) calculation process, traditionally performed using Monte Carlo methods. The goal is to significantly reduce computational time while maintaining accurate results. By leveraging the predictive capabilities of neural networks, this research aims to optimize financial computations in CVA assessments. A dataset of synthetic Interest Rate Swaps (IRS) was generated, varying in selected parameters. The neural networks were trained to predict the Expected Positive Exposure (EPE). Results show that neural networks can achieve comparable accuracy to Monte Carlo methods, with significantly faster computation times. However, the process of generating artificial datasets and training the neural network is time-consuming. The findings contribute to the ongoing efforts in financial risk management using advanced machine learning techniques.

Keywords

Neuronové sítě, Deep learning, Adam, AdamW, Riziko protistrany, Credit Valuation adjustment, xVA, Monte Carlo

Keywords

Counterparty Credit risk, Credit Valuation adjustment, xVA, Monte Carlo, Neural Networks, Deep learning, Adam, AdamW

Language used: English

Date on which the thesis was submitted / produced: 7. 8. 2024

Thesis defence

• Date of defence: 3. 9. 2024
• Supervisor: Jiří Witzany
• Reader: Vladislav Vacek

Vysoká škola ekonomická v Praze

Master programme:
Finanční inženýrství