Effektivare räntemarknader genom maskininlärning

Viktiga resultat som projektet gav

Syftet har varit att studera hur maskininlärningsmetoder kan användas för att förbättra hanteringen av ränterisker. Genom att formulera optimeringsmodeller som förbättrar mätningen av räntekurvor, skattningen av stokastiska processer och bestämmer optimala beslut har signifikanta förbättringar erhållits, relativt traditionell hedging av ränterisker.

Långsiktiga effekter som förväntas

Genom att göra befintliga optimeringsmodellerna mer realistiska genom bättre hantering av brus i marknadsdata, identifiering av prisvärda tillgångar och transaktionskostnader var förväntningen att riskhanteringen skulle effektiviseras. Vid validering med historisk data kan signifikanta förbättringar observeras. Via prestationshärledning kan förbättringen härledas till att en mer kostnadseffektiv hedge identifierats där riskexponeringen är begränsad.

Upplägg och genomförande

I samarbete med Handelsbanken, SEB och Swedbank har modellerna validerats och vidareutvecklats för att bli mer realistiska. Optimering ger både verktyget för att identifiera förbättringar och för att validera att förbättringarna erhålls när de tillämpas i praktiken. Genom systematiskt operationsanalytiskt tillvägagångssätt kan osäkerheten som finns i verkliga problemfrågeställningar hanteras, för att identifiera optimeringsmodeller som verkligen fungerar bättre i praktiken.