Reducing Asset Weights' Volatility by Importance Sampling in Stochastic Credit Portfolio Optimization

URN to cite this document:: urn:nbn:de:bvb:355-opus-7063
DOI to cite this document:: 10.5283/epub.4533

Tilke, Stephan

Preview

PDF
(189kB)

Date of publication of this fulltext: 31 Aug 2006 13:47

Alternative links to fulltext:Repec Publisher

Details

Preview

Export bibliographical data

Abstract

Abstract

The objective of this paper is to study the effect of importance sampling (IS) techniques on stochastic credit portfolio optimization methods. I introduce a framework that leads to a reduction of volatility of resulting optimal portfolio asset weights. Performance of the method is documented in terms of implementation simplicity and accuracy. It is shown that the incorporated methods make solutions more precise given a limited computer performance by means of a reduced size of the initially necessary optimization model. For a presented example variance reduction of risk measures and asset weights by a factor of at least 350 was achieved. I finally outline how results can be mapped into business practice by utilizing readily available software such as RiskMetrics� CreditManager as basis for constructing a portfolio optimization model that is enhanced by means of IS.
Dieser Beitrag soll die Auswirkung der Anwendung von Importance Sampling (IS) Techniken in der stochastischen Kreditportfoliooptimierung aufzeigen. Es wird ein Modellaufbau vorgestellt, der zu einer deutlichen Reduktion der Volatilität der Wertpapieranteilsgewichte führt. Durch eine Darstellung der verhältnismäßig einfachen Berücksichtigung der Importance Sampling Technik im Optimierungsverfahren sowie durch ein empirisches Beispiel wird die Leistungsfähigkeit der Methode dargelegt. In diesem Anwendungsbeispiel kann die Varianz der Schätzer sowohl für die Risikomaße als auch für die optimalen Anteilsgewichte um einen Faktor von mindestens 350 reduziert werden. Es wird somit gezeigt, dass die hier vorgestellte Methode durch eine Reduktion der Größe des ursprünglich notwendigen Optimierungs-problems die Genauigkeit von optimalen Lösungen erhöht, wenn nur eine begrenzte Rechnerleistung zur Verfügung steht. Abschließend wird dargelegt, wie die Lösungsansätze in der Praxis durch eine Ankopplung an existierende Softwarelösungen im Bankbetrieb umgesetzt werden können. Hierzu wird ein Vorgehen skizziert, das auf den Ergebnissen des Programms CreditManager von RiskMetrics ein Portfoliooptimierungsmodell aufbaut.
Dieses wird um eine Importance Sampling Technik erweitert.

Owner only: item control page

Download Statistics