Manajemen risiko dengan neural network

Manajemen Risiko Kuantitatif dengan Python

Jamsheed Shorish

Computational Economist

Pembaruan portofolio real time

Manajemen risiko
- Ukuran risiko terdefinisi (VaR, CVaR)
- Ukuran risiko terestimasi (parametrik, historis, Monte Carlo)
- Portofolio teroptimumkan (mis. Teori Portofolio Modern)
Info pasar baru => perbarui bobot portofolio
- Masalah: optimasi portofolio mahal
- Solusi: $\text{weights} = f(\text{prices})$
- Evaluasi $f$ secara real time
- Perbarui $f$ sesekali saja

Neural network

Neural Network: $\text{output} = f(\text{input})$
- Neuron: simpul pemrosesan saling terhubung dalam fungsi
Dikembangkan awal 1940–1950-an
Awal 2000-an: penerapan neural network pada "big data"
- Pengenalan & pemrosesan gambar
- Data keuangan
- Data mesin pencari
Deep Learning: neural network sebagai bagian dari Machine Learning
- 2015: Google merilis library deep learning open-source TensorFlow untuk Python

Struktur neural network

Lapisan: neuron pemroses terhubung
- Lapisan input

lapisan input dari neural network

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi

lapisan tersembunyi dari neural network

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi
- Lapisan output
Pelatihan: mempelajari hubungan input–output

gambar lapisan input, tersembunyi, dan output

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi
- Lapisan output
Pelatihan: mempelajari hubungan input–output
- Harga aset => Lapisan input

gambar harga aset masuk ke neural network

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi
- Lapisan output
Pelatihan: mempelajari hubungan input–output
- Harga aset => Lapisan input
- Pemrosesan lapisan input + tersembunyi

gambar bobot pada tepi neural network

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi
- Lapisan output
Pelatihan: mempelajari hubungan input–output
- Harga aset => Lapisan input
- Pemrosesan lapisan input + tersembunyi
- Pemrosesan lapisan tersembunyi + output

gambar bobot dari lapisan tersembunyi ke output

Struktur neural network

Struktur neural network
- Lapisan input
- Lapisan tersembunyi
- Lapisan output
Pelatihan: mempelajari hubungan input–output
- Harga aset => Lapisan input
- Pemrosesan lapisan input + tersembunyi
- Pemrosesan lapisan tersembunyi + output
- Output => bobot portofolio

gambar lapisan output sebagai bobot portofolio

Menggunakan neural network untuk optimasi portofolio

Pelatihan
- Bandingkan output dengan bobot portofolio "terbaik" yang sudah ada
- Tujuan: meminimalkan "error" antara output dan bobot
- Error kecil => network terlatih
Pemakaian
- Input: harga aset baru, belum terlihat
- Output: prediksi bobot portofolio "terbaik" untuk harga baru
- Bobot terbaik = manajemen risiko

Membuat neural network di Python

Keras: library Python tingkat tinggi untuk neural network/deep learning
Info lanjut: Introduction to Deep Learning with Keras

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(10, input_dim=4, activation='sigmoid'))
model.add(Dense(4))

Melatih network di Python

Harga aset historis: matriks training_input
Bobot portofolio historis: vektor training_output
Compile model dengan:
- fungsi minimisasi error ('loss')
- algoritma optimasi ('optimizer')
Fit model ke data latih
- epochs: jumlah loop pelatihan untuk memperbarui parameter internal

model.compile(loss='mean_squared_error', optimizer='rmsprop')

model.fit(training_input, training_output, epochs=100)

Manajemen risiko di Python

Pemakaian: berikan data harga aset baru (mis. real time)
- Vektor baru new_asset_prices masuk ke lapisan input
Evaluasi network dengan model.predict() pada harga baru
- Hasil: bobot portofolio predicted
Kumpulkan data cukup banyak seiring waktu => latih ulang network
- Uji network pada data lampau => backtesting

# new asset prices are in the vector new_asset_prices
predicted = model.predict(new_asset_prices)

Ayo berlatih!

Manajemen Risiko Kuantitatif dengan Python