Data-driven xVA exposure calculation for a portfolio of interest rate swaps
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2023-05-15
Department
Major/Subject
Computer Science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
66 + 2
Series
Abstract
The thesis introduces a data-driven way for calculating the valuation adjustment exposure profile of an interest rate swap portfolio with machine learning methods. The machine learning problem to be solved is learning the exposure profile of the portfolio by using the input features that are available before applying the traditional method of exposure profile calculation, that is, the Monte Carlo method. As the recurrent neural network is optimal for sequence processing, two of its variations are selected for further evaluation. These include networks having layers with gated recurrent units (GRU) and long short-term memory (LSTM) cells. In addition to those, the random forest is selected for benchmarking, which comprises evaluating the prediction error of the methods as well as the computational efficiency. It turns out that the neural networks having GRU and LSTM layers outperform the random forest in terms of prediction error measured as mean-squared, absolute and percentage error. When considering the percentage error proportionally to the summed-up notionals of the interest rate swaps in the portfolio, the errors are mostly under 20% which is also associated with a noticeable absolute error when the exposures are high. The suggested methods are computationally much more efficient than the traditional Monte Carlo method, so the proposed methods provide a significant computational benefit. This thesis demonstrates that it is possible to train a machine learning model to learn an exposure profile of an interest rate swap portfolio and predict efficiently with the trained model, but a calibration to real market data would be needed before applying the study in a practice.Tämä diplomityö esittelee dataan pohjautuvan tavan laskea altistusprofiili koronvaihtosopimusportfoliolle vastapuoliriskin mukaista arvonmäärityksen säätöä varten. Ratkaistava koneoppimisongelma on portfolion altistusprofiilin oppiminen käyttäen ainoastaan informaatiota, joka on saatavilla ennen tavanomaisen Monte Carlo -menetelmään pohjautuvan laskentatavan soveltamista. Koska takaisinkytketty neuroverkko on optimaalinen sarjojen käsittelyyn, kaksi sen variaatiota valitaan jatkoarviointiin. Nämä variaatiot käsittävät neuroverkkorakenteet, joiden kerrokset sisältävät portillisia takaisinkytkettyjä yksiköitä ja pitkäkestoisen lyhytkestomuistin soluja. Näiden lisäksi satunnaismetsä valitaan mukaan vertailuun, jossa mallien arviointikriteerejä ovat ennustusten virhe ja altistusprofiilin laskennan tehokkuus. Selviää, että neuroverkkomallit portillisia takaisinkytkettyjä yksiköitä ja pitkäkestoisen lyhytkestomuistin soluja sisältävillä kerroksilla pärjäävät vertailussa satunnaismetsää paremmin, kun arviointikriteerinä on ennustusten virhe. Virhettä mitataan keskineliövirheellä sekä absoluuttisella ja prosentuaalisella tasolla. Prosentuaalinen virhe lasketaan suhteuttamalla absoluuttinen virhe koronvaihtosopimusportfolion yhteenlaskettujen nimellisarvojen määrään. Saatu prosentuaalinen virhe on pääsääntöisesti alle 20 %, mutta enimmillään tämä voi tarkoittaa huomattavaa absoluuttista virhettä altistusten ollessa suuria. Ehdotetut mallit ovat laskennallisesti selvästi tehokkaampia kuin perinteinen Monte Carlo -menetelmä, joten mallien voidaan sanoa tarjoavan merkittävän laskennallisen hyödyn. Diplomityö demonstroi mahdollisuutta kouluttaa koneoppimismalli ennustamaan koronvaihtosopimusportfolion altistusprofiili tehokkaasti, mutta kalibrointi markkinoilta saatavaan dataan tarvitaan ennen kuin voidaan ajatella mallin soveltamista käytännössä.Description
Supervisor
Jung, AlexanderThesis advisor
Zhu, ShengyaoKeywords
xVA, exposure profile, interest rate swap, machine learning, big data
