Taming the tail risks in financial markets with data-driven methods
Project goals
The project will develop a new family of models for identification of tail risks in financial markets from possibly large datasets using deep learning algorithms. Our newly developed methods will allow us to revisit several classical problems in empirical asset pricing. We believe that the results will be of fundamental character and will open number of questions. Specifically, we aim to explore how deep learning and reinforcement learning can help us to understand the behavior of preference makers departing from classical rationality assumptions, especially those looking at quantile preferences and or heterogeneously persistent investment horizons.
Keywords
Tail riskdeep machine learningfinancial marketsasset pricingreinforcement learningfactor models
Public support
Provider
Czech Science Foundation
Programme
Standard projects
Call for proposals
SGA0202400001
Main participants
Ústav teorie informace a automatizace AV ČR, v. v. i.
Contest type
VS - Public tender
Contract ID
24-11555S
Alternative language
Project name in Czech
Zkrocení tržních rizik vyplývajících z málo pravděpodobných událostí
Annotation in Czech
Projekt se zameří na vývoj nové rodiny modelů pro identifikaci tržních rizik vyplývajících z málo pravděpodobných událostí pomocí velkých datových sad a algoritmů hlubokého učení. Naše nově vyvinuté metody nám umožní revidovat několik klasických problémů v oceňování aktiv. Věříme, že výsledky budou mít zásadní charakter a otevřou řadu dalších otázek. Konkrétně se zaměřujeme na prozkoumání chování investorů, kteří se odchylují od klasických předpokladů racionality pomocí hlubokého učení a zpětnovazebného učení. Zejména těch, kteří sledují riziko z událostí s nízkou pravděpodobností výskytu a mají různé investiční horizonty.
Scientific branches
Solution timeline
Realization period - beginning
Jan 1, 2024
Realization period - end
Dec 31, 2026
Project status
B - Running multi-year project
Latest support payment
Mar 19, 2024
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP25-GA0-GA-R
Data delivery date
Feb 21, 2025
Finance
Total approved costs
6,606 thou. CZK
Public financial support
6,606 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Recognised costs
6 606 CZK thou.
Public support
6 606 CZK thou.
0%
Provider
Czech Science Foundation
OECD FORD
Applied Economics, Econometrics
Solution period
01. 01. 2024 - 31. 12. 2026