Credit Exposure Modelling Using Differential Machine Learning

Exposure modelling is a critical aspect of managing counterparty credit risk, and banks worldwide invest significant time and computational resources in this task. One approach to modelling exposure involves pricing trades with a counterparty in numerous potential future market scenarios. Suitable for this type of pricing is a framework presented in 2020 by Huge and Savine, which they call differential machine learning. It approximates the pricing function with a neural network that trains on Monte Carlo paths and the gradients along these paths. This thesis aims to demonstrate the application of differential machine learning in the context of exposure modelling. To better comply with this context, training is done on market variables, rather than some hidden model state. Simulated data is used from Heston type models to estimate the future exposure distribution of a portfolio consisting of European options. The conducted experiments reveal that training the machine learning model on market observables yields similar results to those obtained when training on hidden model states. Furthermore, the exposure modelling approach is subject to stress testing by evaluation of its performance under different levels of compatibility between the pricing model and future market scenarios in which the portfolio is priced. Results show that low compatibility leads to decreased accuracy of the predicted exposure distributions.
Maskininlärning för att beräkna bankers risk Att banker har koll på sina risker är centralt för stabiliteten av den moderna globala ekonomin. Detta visar bankkriser gång på gång. En av riskerna som är ofrånkomlig för all bankverksamhet är kreditrisk – risken att handelspartners inte fullföljer betalningar. Detta examensarbete visar hur en aspekt av kreditrisk, exponering, kan modelleras med hjälp av en ny maskininlärningsmetod. Utöver detta så utforskas tillvägagångssättets styrkor och svagheter. För banker som handlar med stora företag och andra banker för enorma belopp är det viktigt att bedöma risken att dessa motparter går i konkurs. Ifall en motpart går i konkurs är det inte säkert att banken får tillbaka sina pengar och för att detta inte ska leda till att också banken går i konkurs måste banken enligt lag beräkna den här risken. De här beräkningarna används sedan bland annat för att bestämma hur mycket kapital banken måste hålla i reserv för att täcka eventuella förluster. Förutom sannolikheten för konkurs är det också viktigt att modellera exponeringen, det vill säga storleken på det belopp som kan förloras om en motpart går i konkurs. Exponeringen beror på vilka finansiella kontrakt som handlas med motparten och hur mycket dessa är värda. Den beror också på den framtida tidpunkt då man vill modellera exponeringen, vilket betyder att man vill uppskatta dess sannolikhetsfördelning. Denna uppskattning är vad examensarbetet har handlat om. Tillvägagångssättet går ut på att först generera möjliga framtida marknadsscenarier. Ett scenario hade kunnat specificerats av att räntan är x hög och eurokursen är y. Därefter ska de finansiella kontrakten prissättas i alla dessa scenarier och på så sätt får man en uppskattning av vad exponeringen kan vara i framtiden. Vi har använt differentiell maskininlärning, som introducerades 2020 av Brian Huge och Antoine Savine, för att prissätta kontrakten. Modellen matas med simulerade data, exempelscenarier tillsammans med simuler