Scenario Reduction in Debt Simulations Using Recurrent Autoencoders : Finding Meaningful Patterns in Stochastic Processes

• Main Author: Eklund, Love
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2021
• Subjects: Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-301308

This thesis studies how improvements can be made to a simulation model used to analyse debt portfolios. Today, the simulation model needs to evaluate a portfolio over a large sample of scenarios to get accurate results. This can be time-consuming if the portfolios consist of many different and complex securities. The proposed improvement method uses recurrent neural network autoencoders together with clustering for scenario reduction. Different architectures of the networks and a different number of hidden features are tested, to study what impact this has on the performance of the method. The autoencoders are also trained with auxiliary tasks in the form of clustering in the latent space and classifying shuffled samples. The results show that the scenario reduction method outperforms random sampling on all experiments conducted, in some cases more than halving the number of scenarios needed. Furthermore, the scenario reduction method performed well for a majority of the architectures tested. Indicating that the method is robust and requires little work in terms of hyperparameter optimisation to improve the simulation model. The views and opinions expressed in this thesis are those of the author and do not necessarily reflect the official policy or position of the Swedish National Debt Office.  === Denna uppsats studerar hur en simuleringsmodell för skuldportföljer kan förbättras. Idag behöver simuleringsmodellen evaluera en portfölj över en stor mängd scenarier för att skapa tillförlitliga resultat. Detta kan vara tidskrävande om portföljerna innehåller många olika, samt komplexa instrument. Den föreslagna förbättringsmetoden använder neurala nätverk och autoencoders tillsammans med klustring för scenarioreduktion. Olika utformningar, i form av antal lager och noder på de neurala nätverken testas. Detta för att kunna studera vilken inverkan detta kan ha på hur bra metoden fungerar. Vidare tränas även nätverken genom extra uppgifter så som att skapa kluster under träning samt klassificering av scenarier som blivit blandade. Resultaten visar att den föreslagna scenarioreduktionen presterar bättre än att slumpmässigt välja scenarier i alla de experiment som utförts och kan i vissa fall mer än halvera antalet scenarier som behöver evalueras. Metoden visade sig även fungera för en majoritet av de olika utformningarna på neurala nätverk som användes. Detta indikerar att metoden är robust och behöver lite arbete i form av optimering av hyperparametrar för att fungera. De åsikter som uttrycks i denna uppsats är författarens egna och speglar inte nödvändigtvis Riksgäldens uppfattning.