Глоссарий ИИ
Полный словарь искусственного интеллекта
Условный Value at Risk (VaR)
Мера риска, которая оценивает максимальные потенциальные потери портфеля за заданный период, при условии определенного набора информации или рыночных состояний, часто рассчитываемая с использованием моделей ИИ, таких как рекуррентные нейронные сети.
Expected Shortfall (ES) с глубоким обучением
Оценка средних потерь портфеля в наихудших сценариях, превышающих порог VaR, где распределение экстремальных потерь моделируется с помощью глубоких нейронных сетей для учета нелинейностей и сложных зависимостей.
Стресс-тестирование, генерируемое ИИ
Техника, в которой модели ИИ, такие как GAN (Generative Adversarial Networks), используются для генерации правдоподобных, но новых сценариев экономических и финансовых кризисов с целью оценки устойчивости портфеля или института.
Глубокая модель копулы
Архитектура глубокого обучения, которая изучает сложную структуру зависимости (копулу) между несколькими финансовыми переменными, позволяя более точно моделировать хвостовые корреляции, важные для оценки контрагентского риска.
Квантовые нейронные сети для оценки опционов
Применение квантовых алгоритмов или нейронных сетей, работающих на квантовых компьютерах, для решения сложных стохастических дифференциальных уравнений оценки опционов, особенно для экзотических продуктов.
Обучение с подкреплением для тактического распределения активов
Использование агентов обучения с подкреплением, которые изучают оптимальную инвестиционную политику, взаимодействуя с смоделированной рыночной средой, чтобы максимизировать доходность с учетом риска на краткосрочных/среднесрочных горизонтах.
Обнаружение аномалий в финансовых временных рядах
Использование неконтролируемых алгоритмов ИИ (например, автоэнкодеры, isolation forest) для выявления аномальных паттернов транзакций или движений цен, которые могут указывать на мошенничество, рыночные ошибки или зарождающиеся системные события.
Моделирование кредитного риска с помощью Graph Neural Networks (GNN)
Подход, который представляет сущности (заемщики, гарантии, компании) и их отношения в виде графа, а затем использует GNN для прогнозирования вероятности дефолта, учитывая эффекты заражения и структурные зависимости сети.
Прогнозирование волатильности с помощью Transformer Networks
Применение моделей Transformer, изначально разработанных для NLP, к финансовым временным рядам для прогнозирования будущей волатильности путем эффективного захвата долгосрочных зависимостей и сложных паттернов в рыночных данных.
XAI (Explainable AI) для регуляторной валидации моделей
Набор методов (например: SHAP, LIME), направленных на интерпретацию и обоснование решений моделей ИИ 'черного ящика', используемых в финансах, для удовлетворения требований прозрачности и документирования, предъявляемых регуляторами, такими как ЕЦБ или EFSA.
Калибровка моделей риска с помощью обратного обучения с подкреплением
Метод, который выводит параметры модели риска (например: неприятие риска, вероятности перехода), наблюдая за решениями, принимаемыми экспертами, предполагая, что эти решения являются оптимальными согласно определенному критерию риска.
Мета-обучение для быстрой адаптации моделей риска
Техника, при которой модель учится учиться, позволяя ей адаптироваться к новым рыночным режимам или новым типам инструментов с очень небольшим количеством данных, что крайне важно для поддержания релевантности моделей риска во время кризиса.
Количественная оценка неопределенности моделей ИИ (Deep Ensembles)
Подход, который обучает несколько моделей ИИ на различных подмножествах данных и агрегирует их прогнозы не только для получения более надежной оценки, но и для измерения неопределенности или доверия, связанного с каждым прогнозом риска.
Моделирование риска ликвидности с помощью агентов на основе ИИ
Симуляция рынка, где интеллектуальные искусственные агенты, оснащенные стратегиями обучения, взаимодействуют для формирования цен и объемов, позволяя изучать влияние шоков на ликвидность и транзакционные издержки портфелей.
Анализ системного риска с помощью NLP на финансовых новостях
Использование обработки естественного языка (NLP) и моделей transformers для анализа в реальном времени потоков текстовых данных (новости, отчеты, социальные сети) с целью количественной оценки рыночного настроения и идентификации предупреждающих сигналов системного риска.