Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)
Autor(ka) práce:
Holub, Miroslav
Typ práce:
Diploma thesis
Vedoucí práce:
Witzany, Jiří
Oponenti práce:
Vacek, Vladislav
Jazyk práce:
English
Abstrakt:
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.
Klíčová slova:
Counterparty Credit risk; Credit Valuation adjustment; xVA; Monte Carlo; Neural Networks; Deep learning; Adam; AdamW
Název práce:
Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)
Autor(ka) práce:
Holub, Miroslav
Typ práce:
Diplomová práce
Vedoucí práce:
Witzany, Jiří
Oponenti práce:
Vacek, Vladislav
Jazyk práce:
English
Abstrakt:
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.
Klíčová slova:
Neuronové sítě; Deep learning; Adam; AdamW; Riziko protistrany; Credit Valuation adjustment; xVA; Monte Carlo