On forecasting Value-at-Risk with GARCH model using deep neural quantile estimator with regularization

Abstract

Αυτή η διπλωματική εργασία εξετάζει την πρόβλεψη της Αξίας σε Κίνδυνο (VaR) χρησιμοποιώντας το μοντέλο GARCH σε συνδυασμό με Εκτιμητή Ποσοστιαίου Βαθμού Βαθιάς Νευρωνικής Δικτύωσης (DNQE) και τεχνικές κανονικοποίησης. Η VaR είναι βασικό μέτρο στη διαχείριση κινδύνου, και τα παραδοσιακά μοντέλα GARCH χρησιμοποιούνται για την πρόβλεψη της μεταβλητότητας. Η ενσωμάτωση με νευρωνικά δίκτυα επιτρέπει τη σύλληψη πιο ευέλικτων, μη γραμμικών σχέσεων. Ο DNQE βελτιώνει την πρόβλεψη της VaR μέσω της άμεσης εκτίμησης της μεταβλητότητας και της καλύτερης διαχείρισης ακραίων τιμών. Τεχνικές κανονικοποίησης όπως οι ποινές L1 και L2 αποτρέπουν την υπερπροσαρμογή, βελτιώνοντας τη γενίκευση του μοντέλου. Τα τεστ Kupiec και Christoffersen δείχνουν ότι το DNQE βελτιώνει την πρόβλεψη VaR, ειδικά σε ασταθείς αγορές. Επιπλέον, το SHAP (SHapley Additive exPlanations) χρησιμοποιείται για την εξήγηση των προβλέψεων του μοντέλου.This thesis explores forecasting Value-at-Risk (VaR) using the GARCH model combined with a Deep Neural Quantile Estimator (DNQE) and regularization techniques. VaR is a key measure in risk management, and traditional models like GARCH are widely used for volatility prediction. By integrating GARCH with neural networks, more flexible, non-linear relationships in volatility can be captured.The DNQE method improves VaR forecasting by estimating conditional volatilities directly, handling outliers more effectively. Regularization techniques like L1 and L2 penalties prevent overfitting and enhance model generalization. The performance is evaluated using the Kupiec and Christoffersen tests, with results showing that DNQE improves VaR forecasting, especially in volatile markets.Furthermore, SHAP (SHapley Additive exPlanations) is used to explain the model's predictions by showing the contribution of each feature. Deep SHAP, which combines SHAP and DeepLIFT, helps interpret the output of neural networks in this context.