Zkrocení tržních rizik vyplývajících z málo pravděpodobných událostí

Rozsáhlá empirická literatura v ekonomii a financích se snaží zkoumat různé asymetrie v datech a zejména jejich důsledky pro rozhodování. Digitální věk zároveň způsobuje revoluci v rozhodování v ekonomice způsobem, kterému teprve nyní začínáme rozumět. Rostoucí propojení subjektů, společností a počítačů vytváří nové dynamické sítě, které změnily povahu finančních interakcí. Rostoucí role algoritmů a počítačů ve finančních rozhodnutích, dostupnost obrovských a trvalých informačních toků ovlivňujících jednotlivce, firmy, země a globální obchodní systém dramaticky mění způsob, jakým finanční sektor ovlivňuje společnost. Samotná data se stávají cenným ekonomickým zdrojem, rozsáhlé soubory dat generují rizika a odměny, které jsou stále více klíčové pro ekonomické rozhodování, a představují výzvu pro systémy správy a vlastnictví dat. 

Z diskuse jasně vyplývá, že standardní předpoklady vedoucí ke klasickým modelům oceňování aktiv neodpovídají realitě. V řadě projektů a publikací se snažíme ukázat, že modely schopné učit se vzorce z dat mohou být vytvořeny pro informativnější a přesnější modely ve financích, které lépe charakterizují heterogenní chování investorů. Naším cílem je ukázat, že pro pochopení tvorby očekávaných výnosů je třeba hlouběji prozkoumat vlastnosti výnosů aktiv, které jsou klíčové z hlediska preferencí reprezentativního investora. Tvrdíme, že dvěma důležitými, s rizikem souvisejícími rysy jsou chvostové události a frekvenčně specifické (spektrální) riziko zachycující chování v různých investičních horizontech, a navrhujeme, jak tato rizika z dat odvodit pomocí moderních nástrojů strojového učení.

Tradiční finance ztratily kontakt s mnoha z těchto trendů a potřebují přeorientovat svůj výzkum. Příklady typů nově identifikovaných rizik: