Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)

Thesis title: Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)
Author: Holub, Miroslav
Thesis type: Diploma thesis
Supervisor: Witzany, Jiří
Opponents: Vacek, Vladislav
Thesis language: English
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: Counterparty Credit risk; Credit Valuation adjustment; xVA; Monte Carlo; Neural Networks; Deep learning; Adam; AdamW
Thesis title: Aplikace strojového učení pro výpočet CVA (Credit Valuation Adjustment)
Author: Holub, Miroslav
Thesis type: Diplomová práce
Supervisor: Witzany, Jiří
Opponents: Vacek, Vladislav
Thesis language: English
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.
Keywords: Neuronové sítě; Deep learning; Adam; AdamW; Riziko protistrany; Credit Valuation adjustment; xVA; Monte Carlo

Information about study

Study programme: Finanční inženýrství
Type of study programme: Magisterský studijní program
Assigned degree: Ing.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Finance and Accounting
Department: Department of Banking and Insurance

Information on submission and defense

Date of assignment: 1. 3. 2024
Date of submission: 7. 8. 2024
Date of defense: 3. 9. 2024
Identifier in the InSIS system: https://insis.vse.cz/zp/87987/podrobnosti

Files for download

    Last update: