銀行壓力測試
AFAIK 通常
stress test通過假設風險因素的壓力值或通過考慮與某些歷史壓力時期（例如 2008-2009 年金融危機時期）相對應的時間序列來為其交易組合存入銀行。
machine learning techniques所以我的問題是，銀行在他們的壓力測試應用程序中是否有任何高級應用程序？
以美國為中心的答案。
監管機構為銀行/金融機構提供了CCAR和 DFAST（多德-弗蘭克法案壓力測試）的標準壓力情景。
可以肯定的是，未來幾年不同司法管轄區的許多機構也將面臨氣候風險的壓力情景。
對於許多機構來說，這些都是相同的情況。
此外，許多機構確實根據一些歷史事件進行了壓力測試，例如 2008 年的雷曼兄弟破產，或 1998 年的俄羅斯主權違約，或 2020 年 3 月的 COVID-19 封鎖。
然而，許多機構也進行了“反向”分析。他們尋找可能對他們造成最大傷害的壓力情景。
沒有必要為此使用 AI/ML。例如，如果該機構必須計算 VaR，並選擇使用 Monte Carlo 生成 VaR 場景，那麼您會“免費”獲得分佈尾部的 MC 場景，這些場景會傷害您。您可以分析這些情況並想辦法對沖它們。
然而，來自 MC 的場景並不詳盡。可能會有看起來不像近期歷史的場景或看起來像近期歷史的蒙地卡羅模擬的任何場景。
我知道在生成會損害給定投資組合/資產負債表（有時使用 AI/ML）的壓力情景方面做有趣工作的地方是Straterix / Alla Gil。我認為她最近的一些 GARP 文章與您的問題有關：
機器學習（相關）技術的兩個應用是使用複雜產品的神經網路進行估值，例如“深度 xVA 求解器——基於神經網路的交易對手信用風險管理框架”或使用伴隨算法微分，例如“通過算法微分的快速希臘人” .
這兩種技術都旨在加快計算速度。我不知道使用 ML 來提出壓力情景或壓力源。