Market risk modelling under extreme conditions of sudden increased volatility using novel supervised statistical learning models

Niniejsza rozprawa doktorska koncentruje się na opracowaniu i empirycznej ocenie nowatorskich nadzorowanych modeli uczenia statystycznego do prognozowania ryzyka rynkowego, w szczególności Wartości Zagrożonej (Value at Risk) oraz Oczekiwanego Niedoboru (Expected Shortfall). Badanie wykorzystuje autorską, kompleksową platformę backtestingową w celu rygorystycznej oceny modeli ryzyka rynkowego w zróżnicowanych warunkach rynkowych. Otrzymane wyniki jednoznacznie wskazały, że osiągi danego modelu są silnie uzależnione od kontekstu rynkowego. Wyspecjalizowane modele z rodziny GARCH cechują się dużą odpornością w okresach stabilności rynkowej. Natomiast nowatorskie architektury, a zwłaszcza: modele prognozowania pełnego rozkładu prawdopodobieństwa oraz innowacyjna architektura łączenia modeli, dostarczają prognozy o znacznie wyższej dokładności i wiarygodności w okresach kryzysów oraz szoków zmienności.

Rozdział pierwszy odnosi się do problemu braku reprodukowalności badań w literaturze naukowej dotyczącej ryzyka rynkowego, wprowadzając platformę LIGHT Benchmark tj. kompleksowe środowisko do przeprowadzania backtestingu modeli ryzyka rynkowego. Platforma ta wykorzystuje wielowymiarową metodykę oceny do ewaluacji modeli pod kątem: zgodności z wymogami regulacyjnymi, dokładności prognoz oraz efektywności kapitałowej na przestrzeni 375 ścieżek walidacyjnych. Tworzy to rygorystyczne środowisko dla transparentnego porównywania modeli, postulując tym samym nowy standard ewaluacji w dziedzinie modelowania ryzyka rynkowego.

W rozdziale drugim przeprowadzono analizę porównawczą probabilistycznych płytkich modeli uczenia maszynowego. Wykorzystując platformę LIGHT Benchmark, w badaniu porównano metodę bezpośredniego prognozowania kwantyli wraz z modelowaniem pełnego rozkładu. Na tej podstawie stwierdzono zdecydowaną wyższość drugiej metody, szczególnie przy zastosowaniu algorytmów Gradient Boosting Machines oraz uczenia transferowego (transfer learning). Chociaż najlepsze modele z rodziny GARCH pozostają ogólnie najskuteczniejsze, to najefektywniejsze modele z rodziny płytkiego uczenia maszynowego wykazują bardzo wysoką odporność w warunkach kryzysów rynkowych.

Rozdział trzeci analizuje zastosowanie paradygmatu modeli fundamentalnych szeregów czasowych (foundation models) w kontekście ryzyka rynkowego. Dwa najnowocześniejsze wielkoskalowe modele szeregów czasowych (Large Time Series Models) poddano ewaluacji w scenariuszu zero-shot (bez dodatkowego uczenia). Wyniki wskazują, że metody te zdecydowanie przewyższają powszechnie stosowaną w sektorze finansowym metodę Symulacji Historycznej (Historical Simulation), co czyni je lepszym modelem bazowo-startowym. Nie dorównują one jednak na tę chwilę skutecznością wyspecjalizowanym modelom GARCH. Wskazuje to, że kluczowym obszarem przyszłych badań jest dostrojenie (fine-tuning) tych modeli do specyfiki dziedziny ryzyka rynkowego.

W rozdziale czwartym wprowadzono model Systematic Bagging, nowatorską architekturę uczenia zespołowego (ensembling) zaprojektowaną w celu zwiększenia stabilności prognoz. Poprzez zastąpienie losowego próbkowania z powtórzeniami deterministycznym przeszukiwaniem wzorców historycznych w zdywersyfikowanym zbiorze aktywów, proponowana metoda przezwycięża ograniczenia danych właściwe dla pojedynczych szeregów czasowych. Zaproponowana architektura systematycznie poprawia wyniki swoich modeli bazowych i przewyższa skutecznością najnowocześniejsze modele niezespołowe, wykazując odporność w okresach wysokiej zmienności rynkowej.

This doctoral dissertation focuses on the development and empirical evaluation of innovative supervised statistical learning models for forecasting market risk, in particular Value at Risk and Expected Shortfall. The study uses a proprietary, comprehensive backtesting platform to rigorously evaluate market risk models under diverse market conditions. The results showed that the performance of a given model is highly context-dependent. Specialised models from the GARCH family are highly resilient during periods of market stability. In contrast, modern architectures such as full probability distribution forecasting models and innovative model combination architectures provide significantly more accurate and reliable forecasts during crises and volatility shocks.

The first chapter addresses the reproducibility gap in the market risk literature by introducing the LIGHT Benchmark, which is a comprehensive backtesting framework. This framework employs a multi-pillar scoring methodology to evaluate models based on regulatory compliance, forecasting accuracy, and capital efficiency across 375 validation paths. This method provides a rigorous environment for transparent model comparison, thereby postulating a new standard for evaluation in the field of market risk modelling.

The second chapter conducts a comparative analysis of probabilistic shallow statistical learning models. Using the LIGHT Benchmark, the study contrasts direct quantile forecasting with distributional forecasting and finds that the latter, particularly when implemented with Gradient Boosting Machines and transfer learning, is decisively superior. However, it also notes that top-tier GARCH models remain the strongest overall, while the most effective shallow learning architectures prove highly robust during market crises.

The third chapter explores the application of the foundation model paradigm to market risk. Two state-of-the-art Large Time Series Models are evaluated in a zero-shot setting. The results show that these methods decisively outperform the flawed industry-standard Historical Simulation, establishing them as a superior baseline. However, they are still not as good as specialised state-of-the-art GARCH models. This indicates that domain-specific fine-tuning is a critical area for future research.

The fourth chapter introduces the Systematic Bagging Model, a novel ensembling framework designed to enhance forecast stability. The proposed method overcomes the data limitations of single time series by replacing random bootstrapping with a deterministic search for historical patterns across a diverse pool of assets. The framework consistently improves its base models and outperforms state-of-the-art standalone methods. Furthermore, it demonstrates exceptional robustness during periods of high market volatility.