A fully automated warning system for financial systems (Q2720863)
Jump to navigation
Jump to search
Project Q2720863 in Cyprus
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | A fully automated warning system for financial systems |
Project Q2720863 in Cyprus |
Statements
102,000.0 Euro
0 references
120,000.0 Euro
0 references
85.0 percent
0 references
9 November 2018
0 references
5 October 2021
0 references
Cyprus University of Technology
0 references
Η πρόσφατη χρηματοπιστωτική κρίση ενίσχυσε την ανάγκη για βελτίωση των μεθοδολογιών προσημείωσης ακραίων καταστάσεων, προκειμένου να αποφευχθούν τυχόν μελλοντικές δυσμενείς επιπτώσεις στο χρηματοπιστωτικό σύστημα. Παρόλο που οι νέες μεθοδολογίες που εφαρμόζονται εμπλουτίστηκαν με πιο προχωρημένα στατιστικά εργαλεία και προσφέρουν μια ευρύτερη εικόνα των κινδύνων που εγκυμονούν οι χρηματοπιστωτικές δραστηριότητες των τραπεζών, εξακολουθούν να μην αποτυπώνουν τη σημερινή παγκοσμιοποίηση του χρηματοπιστωτικού συστήματος και τη διασύνδεση μεταξύ των χρηματοπιστωτικών ιδρυμάτων. Τα τρέχοντα μεθοδολογικά πλαίσια των ασκήσεων ακραίων καταστάσεων εξακολουθούν να μην κάνουν χρήση προχωρημένων στατιστικών τεχνικών, όπως το Deep Learning, που προσφέρουν την δυνατότητα να αποτυπώσουν καλύτερα τον μη γραμμικό χαρακτήρα των δυσμενών οικονομικών κρίσεων. Τέλος , οι σημερινές μεθοδολογίες ασκήσεων προσομοίωσης ακραίων καταστάσεων προσπαθούν να προσομοιώσουν ένα χρηματοπιστωτικό σύστημα χρησιμοποιώντας μια ομάδα από στατιστικά μοντέλα, καθιστώντας την συνολική εκτίμηση της επίδρασης μια χρηματοπιστωτικής κρίσης στους ισολογισμούς των τραπεζών μια επίπονη διαδικασία με σημαντικά λάθη εκτίμησης. Στην παρούσα πρόταση εισάγουμε το DeepStress, μια νέα γενιά πλαισίου ασκήσεων προσομοίωσης ακραίων καταστάσεων που βασίζεται στον συνδυασμό μεθόδων Deep Learning και Machine Learning. Το όραμά μας είναι να δημιουργήσουμε ένα μοντέλο τελευταίας τεχνολογίας ικανό να προσομοιώνει πραγματικά σενάρια λέξεων της οικονομίας με ολιστικό τρόπο, μοντελοποιώντας την αλληλεπίδραση του χρηματοπιστωτικού συστήματος με την πραγματική οικονομία, είτε για χρήση σε αυτόνομη βάση (ανά τράπεζα) είτε σε συστηματικό επίπεδο. Στόχος μας είναι να παράσχουμε ένα στατιστικό εργαλείο τόσο για τις ρυθμιστικές αρχές και τις τράπεζες όσο και για την ακαδημαϊκή κοινότητα, έτοιμο προς χρήση για την πραγματοποίηση αυτόματων ρουτινών πρόγνωσης σε όλα τα επίπεδα και σε όλα τα δυνατά μακροοικονομικά σενάρια χωρίς την ανά (Greek)
0 references
The recent financial crisis has reinforced the need to improve stress marking methodologies in order to avoid any future adverse effects on the financial system. Although the new methodologies applied have been enriched with more advanced statistical tools and provide a broader picture of the risks posed by banks’ financial activities, they still do not reflect the current globalisation of the financial system and the interconnection between financial institutions. The current methodological frameworks of stress exercises still do not make use of advanced statistical techniques, such as Deep Learning, which offer the ability to better capture the non-linear nature of adverse economic crises. Finally, today’s stress test methodologies try to simulate a financial system using a set of statistical models, making the overall assessment of the impact of a financial crisis on banks’ balance sheets a painful process with significant errors of assessment. In this proposal we introduce DeepStress, a new generation of stress test frameworks based on the combination of Deep Learning and Machine Learning methods. Our vision is to create a state-of-the-art model capable of simulating real economic words scenarios in a holistic way, modeling the interaction of the financial system with the real economy, either for use on an autonomous basis (per bank) or at a systematic level. Our aim is to provide a statistical tool for both regulators and banks and for the academic community, ready to use to make automatic prognosis at all levels and at all possible macroeconomic scenarios without (English)
31 May 2021
0.0653058702993896
0 references
La récente crise financière a renforcé la nécessité d’améliorer les méthodes de stress afin d’éviter tout effet négatif futur sur le système financier. Bien que les nouvelles méthodologies appliquées aient été enrichies d’outils statistiques plus avancés et donnent une image plus large des risques posés par les activités financières des banques, elles ne reflètent toujours pas la mondialisation actuelle du système financier et les liens entre les institutions financières. Les cadres méthodologiques actuels des exercices de stress ne font toujours pas appel à des techniques statistiques avancées, telles que l’apprentissage approfondi, qui permettent de mieux saisir la nature non linéaire des crises économiques défavorables. Enfin, les méthodes actuelles des tests de résistance tentent de simuler un système financier à l’aide d’un groupe de modèles statistiques, faisant de l’évaluation globale de l’impact d’une crise financière sur les bilans des banques un processus douloureux avec des erreurs d’estimation significatives. Dans cette proposition, nous introduisons DeepStress, une nouvelle génération de cadres de tests de résistance basés sur la combinaison de méthodes d’apprentissage profond et d’apprentissage automatique. Notre vision est de créer un modèle à la fine pointe de la technologie capable de simuler des scénarios de mots économiques réels d’une manière holistique, en modélisant l’interaction du système financier avec l’économie réelle, soit pour une utilisation autonome (par banque) ou à un niveau systématique. Notre objectif est de fournir un outil statistique pour les régulateurs et les banques ainsi que pour la communauté universitaire, prêt à l’emploi pour effectuer des routines de prévision automatique à tous les niveaux et dans tous les scénarios macroéconomiques possibles sans (French)
27 November 2021
0 references
Die jüngste Finanzkrise hat die Notwendigkeit verstärkt, die Stressmethoden zu verbessern, um künftige nachteilige Auswirkungen auf das Finanzsystem zu vermeiden. Obwohl die neuen Methoden mit fortschrittlicheren statistischen Instrumenten bereichert wurden und ein breiteres Bild der Risiken der Finanztätigkeit der Banken vermitteln, spiegeln sie jedoch nicht die derzeitige Globalisierung des Finanzsystems und die Verflechtungen zwischen Finanzinstituten wider. Die derzeitigen methodischen Rahmenbedingungen für Stressübungen nutzen nach wie vor keine fortgeschrittenen statistischen Techniken wie Deep Learning, die die Fähigkeit bieten, den nichtlinearen Charakter ungünstiger Wirtschaftskrisen besser zu erfassen. Schließlich versuchen die heutigen Stresstestmethoden, ein Finanzsystem anhand einer Gruppe statistischer Modelle zu simulieren und die Gesamtbewertung der Auswirkungen einer Finanzkrise auf die Bilanzen der Banken zu einem schmerzhaften Prozess mit erheblichen Schätzfehlern zu machen. In diesem Vorschlag führen wir DeepStress ein, eine neue Generation von Stresstest-Frameworks, die auf der Kombination von Deep Learning und Machine Learning Methoden basieren. Unsere Vision ist es, ein hochmodernes Modell zu schaffen, das reale ökonomische Wortszenarien auf ganzheitliche Weise simuliert und die Interaktion des Finanzsystems mit der Realwirtschaft modelliert, entweder für den autonomen Einsatz (pro Bank) oder systematisch. Unser Ziel ist es, ein statistisches Werkzeug für Regulierungsbehörden und Banken sowie für die akademische Gemeinschaft zur Verfügung zu stellen, bereit für die Durchführung automatischer Prognoseroutinen auf allen Ebenen und in allen möglichen makroökonomischen Szenarien ohne die (German)
29 November 2021
0 references
De recente financiële crisis heeft de noodzaak versterkt om de stressmethodologieën te verbeteren om eventuele negatieve gevolgen voor het financiële stelsel in de toekomst te voorkomen. Hoewel de nieuwe methoden zijn verrijkt met geavanceerdere statistische instrumenten en een breder beeld geven van de risico’s van de financiële activiteiten van banken, weerspiegelen zij nog steeds niet de huidige globalisering van het financiële stelsel en de onderlinge verbanden tussen financiële instellingen. De huidige methodologische kaders van stressoefeningen maken nog steeds geen gebruik van geavanceerde statistische technieken, zoals Deep Learning, die het vermogen bieden om het niet-lineaire karakter van ongunstige economische crises beter te vatten. Tot slot proberen de stresstestmethoden van vandaag een financieel systeem te simuleren met behulp van een groep statistische modellen, waardoor de algehele beoordeling van de impact van een financiële crisis op de balansen van banken een pijnlijk proces wordt met significante schattingsfouten. In dit voorstel introduceren we DeepStress, een nieuwe generatie stresstest frameworks gebaseerd op de combinatie van Deep Learning en Machine Learning methoden. Onze visie is om een state-of-the-art model te creëren dat in staat is om reële economische woordscenario’s op een holistische manier te simuleren, waarbij de interactie van het financiële systeem met de reële economie wordt gemodelleerd, hetzij voor autonoom gebruik (per bank) of op een systematisch niveau. Ons doel is om een statistisch instrument te bieden voor toezichthouders en banken en voor de academische gemeenschap, klaar voor gebruik om automatische prognose routines uit te voeren op alle niveaus en in alle mogelijke macro-economische scenario’s zonder de (Dutch)
29 November 2021
0 references
La recente crisi finanziaria ha rafforzato la necessità di migliorare le metodologie di stress al fine di evitare futuri effetti negativi sul sistema finanziario. Sebbene le nuove metodologie applicate siano state arricchite da strumenti statistici più avanzati e forniscano un quadro più ampio dei rischi posti dalle attività finanziarie delle banche, esse non rispecchiano ancora l'attuale globalizzazione del sistema finanziario e le interconnessioni tra le istituzioni finanziarie. Gli attuali quadri metodologici degli esercizi di stress non fanno ancora uso di tecniche statistiche avanzate, come l'apprendimento approfondito, che offrono la capacità di cogliere meglio la natura non lineare delle crisi economiche avverse. Infine, le metodologie odierne delle prove di stress cercano di simulare un sistema finanziario utilizzando un gruppo di modelli statistici, rendendo la valutazione complessiva dell'impatto di una crisi finanziaria sui bilanci delle banche un processo doloroso con errori di stima significativi. In questa proposta presentiamo DeepStress, una nuova generazione di quadri di prova di stress basati sulla combinazione di metodi di apprendimento profondo e di apprendimento automatico. La nostra visione è quella di creare un modello all'avanguardia in grado di simulare scenari di parole economiche reali in modo olistico, modellando l'interazione del sistema finanziario con l'economia reale, sia per uso autonomo (per banca) sia a livello sistematico. Il nostro obiettivo è quello di fornire uno strumento statistico per le autorità di regolamentazione e le banche, nonché per la comunità accademica, pronto all'uso per effettuare procedure di previsione automatica a tutti i livelli e in tutti i possibili scenari macroeconomici senza (Italian)
11 January 2022
0 references
La reciente crisis financiera ha reforzado la necesidad de mejorar las metodologías de tensión para evitar futuros efectos adversos en el sistema financiero. Aunque las nuevas metodologías aplicadas se han enriquecido con instrumentos estadísticos más avanzados y ofrecen una visión más amplia de los riesgos que plantean las actividades financieras de los bancos, todavía no reflejan la globalización actual del sistema financiero ni las interrelaciones entre las instituciones financieras. Los marcos metodológicos actuales de los ejercicios de estrés todavía no utilizan técnicas estadísticas avanzadas, como el aprendizaje profundo, que ofrecen la capacidad de captar mejor la naturaleza no lineal de las crisis económicas adversas. Por último, las metodologías actuales de las pruebas de resistencia intentan simular un sistema financiero utilizando un grupo de modelos estadísticos, haciendo de la evaluación global del impacto de una crisis financiera en los balances de los bancos un proceso doloroso con errores de estimación significativos. En esta propuesta presentamos DeepStress, una nueva generación de marcos de pruebas de resistencia basados en la combinación de métodos de aprendizaje profundo y aprendizaje automático. Nuestra visión es crear un modelo de vanguardia capaz de simular escenarios de palabras económicas reales de manera holística, modelando la interacción del sistema financiero con la economía real, ya sea para uso autónomo (por banco) o a nivel sistemático. Nuestro objetivo es proporcionar una herramienta estadística para los reguladores y bancos, así como para la comunidad académica, lista para llevar a cabo rutinas de pronóstico automático a todos los niveles y en todos los escenarios macroeconómicos posibles sin la (Spanish)
12 January 2022
0 references
Den seneste finanskrise har øget behovet for at forbedre stressmærkningsmetoderne for at undgå eventuelle fremtidige negative virkninger for det finansielle system. Selv om de nye anvendte metoder er blevet beriget med mere avancerede statistiske værktøjer og giver et bredere billede af de risici, som bankernes finansielle aktiviteter udgør, afspejler de stadig ikke den nuværende globalisering af det finansielle system og sammenkoblingen mellem finansielle institutioner. De nuværende metodologiske rammer for stressøvelser gør stadig ikke brug af avancerede statistiske teknikker som f.eks. dyb læring, som giver mulighed for bedre at indfange den ikke-lineære karakter af negative økonomiske kriser. Endelig forsøger dagens stresstestmetoder at simulere et finansielt system ved hjælp af et sæt statistiske modeller, hvilket gør den samlede vurdering af en finansiel krises indvirkning på bankernes balancer til en smertefuld proces med betydelige fejlvurderinger. I dette forslag introducerer vi DeepStress, en ny generation af stresstestrammer baseret på kombinationen af dyb læring og maskinlæringsmetoder. Vores vision er at skabe en state-of-the-art model, der er i stand til at simulere reelle økonomiske ord scenarier på en holistisk måde, modellering af samspillet mellem det finansielle system og realøkonomien, enten til brug på et selvstændigt grundlag (pr. bank) eller på et systematisk niveau. Vores mål er at tilvejebringe et statistisk værktøj for både lovgivere og banker og for det akademiske samfund, klar til at bruge til at lave automatisk prognose på alle niveauer og på alle mulige makroøkonomiske scenarier uden (Danish)
10 July 2022
0 references
Nedavna financijska kriza pojačala je potrebu za poboljšanjem metodologija za označivanje stresa kako bi se izbjegli budući negativni učinci na financijski sustav. Iako su nove primijenjene metodologije obogaćene naprednijim statističkim alatima i pružaju širu sliku rizika koje predstavljaju financijske aktivnosti banaka, one i dalje ne odražavaju trenutačnu globalizaciju financijskog sustava i međusobnu povezanost financijskih institucija. U sadašnjim metodološkim okvirima stresnih vježbi i dalje se ne koriste napredne statističke tehnike, kao što je dubinsko učenje, koje omogućuju bolje razumijevanje nelinearne prirode nepovoljnih gospodarskih kriza. Naposljetku, današnjim metodologijama testiranja otpornosti na stres pokušava se simulirati financijski sustav primjenom skupa statističkih modela, čime ukupna procjena učinka financijske krize na bilance banaka postaje bolan proces sa znatnim pogreškama u procjeni. U ovom prijedlogu uvodimo DeepStress, novu generaciju okvira za testiranje otpornosti na stres koji se temelje na kombinaciji metoda dubokog učenja i strojnog učenja. Naša je vizija stvoriti najsuvremeniji model koji može simulirati scenarije stvarnih ekonomskih riječi na holistički način, modelirajući interakciju financijskog sustava s realnim gospodarstvom, bilo za autonomno korištenje (po banci) ili na sustavnoj razini. Naš cilj je pružiti statistički alat za oba regulatora i banaka i za akademsku zajednicu, spremni za korištenje za izradu automatske prognoze na svim razinama i na svim mogućim makroekonomskim scenarijima bez (Croatian)
10 July 2022
0 references
Recenta criză financiară a accentuat necesitatea de a îmbunătăți metodologiile de marcare a situațiilor de criză pentru a evita orice efecte negative viitoare asupra sistemului financiar. Deși noile metodologii aplicate au fost îmbogățite cu instrumente statistice mai avansate și oferă o imagine mai largă a riscurilor pe care le prezintă activitățile financiare ale băncilor, acestea încă nu reflectă globalizarea actuală a sistemului financiar și interconectarea dintre instituțiile financiare. Cadrele metodologice actuale ale exercițiilor de stres nu utilizează încă tehnici statistice avansate, cum ar fi învățarea aprofundată, care oferă capacitatea de a reflecta mai bine natura neliniară a crizelor economice negative. În cele din urmă, metodologiile de astăzi ale simulărilor de criză încearcă să simuleze un sistem financiar utilizând un set de modele statistice, ceea ce face din evaluarea globală a impactului unei crize financiare asupra bilanțurilor băncilor un proces dureros, cu erori semnificative de evaluare. În această propunere introducem DeepStress, o nouă generație de cadre de testare la stres bazate pe combinarea metodelor de învățare aprofundată și de învățare automată. Viziunea noastră este de a crea un model de ultimă generație capabil să simuleze scenarii de cuvinte economice reale într-un mod holistic, modelând interacțiunea sistemului financiar cu economia reală, fie pentru utilizare autonomă (per bancă), fie la nivel sistematic. Scopul nostru este de a oferi un instrument statistic atât autorităților de reglementare și băncilor, cât și comunității academice, gata să facă prognostic automat la toate nivelurile și la toate scenariile macroeconomice posibile fără (Romanian)
10 July 2022
0 references
Nedávna finančná kríza posilnila potrebu zlepšiť metodiky označovania stresu, aby sa zabránilo akýmkoľvek budúcim nepriaznivým účinkom na finančný systém. Hoci nové používané metodiky boli obohatené o pokročilejšie štatistické nástroje a poskytujú širší obraz o rizikách, ktoré predstavujú finančné činnosti bánk, stále neodrážajú súčasnú globalizáciu finančného systému a prepojenie medzi finančnými inštitúciami. Súčasné metodické rámce záťažových cvičení stále nevyužívajú pokročilé štatistické techniky, ako je hĺbkové učenie, ktoré ponúkajú schopnosť lepšie zachytiť nelineárny charakter nepriaznivých hospodárskych kríz. Napokon, dnešné metodiky záťažových testov sa snažia simulovať finančný systém pomocou súboru štatistických modelov, čím sa celkové posúdenie vplyvu finančnej krízy na súvahy bánk stane bolestivým procesom s výraznými chybami v hodnotení. V tomto návrhu zavádzame DeepStress, novú generáciu rámcov záťažových testov založených na kombinácii metód hĺbkového učenia a strojového učenia. Našou víziou je vytvoriť najmodernejší model schopný simulovať scenáre reálnych ekonomických slov holistickým spôsobom, modelovať interakciu finančného systému s reálnou ekonomikou, a to buď na autonómnom základe (na banku), alebo na systematickej úrovni. Naším cieľom je poskytnúť štatistický nástroj pre regulačné orgány, banky a akademickú obec, ktorý je pripravený na automatickú prognózu na všetkých úrovniach a na všetkých možných makroekonomických scenároch bez (Slovak)
10 July 2022
0 references
Il-kriżi finanzjarja reċenti saħħet il-ħtieġa li jittejbu l-metodoloġiji tal-immarkar tal-istress sabiex jiġi evitat kwalunkwe effett negattiv futur fuq is-sistema finanzjarja. Għalkemm il-metodoloġiji l-ġodda applikati ġew arrikkiti b’għodod tal-istatistika aktar avvanzati u jipprovdu stampa usa’ tar-riskji maħluqa mill-attivitajiet finanzjarji tal-banek, għadhom ma jirriflettux il-globalizzazzjoni attwali tas-sistema finanzjarja u l-interkonnessjoni bejn l-istituzzjonijiet finanzjarji. L-oqfsa metodoloġiċi attwali ta’ eżerċizzji ta’ stress għadhom ma jagħmlux użu minn tekniki avvanzati tal-istatistika, bħat-Tagħlim Profond, li joffru l-kapaċità li jaqbdu aħjar in-natura mhux lineari tal-kriżijiet ekonomiċi negattivi. Fl-aħħar nett, il-metodoloġiji tat-test tal-istress tal-lum jippruvaw jissimulaw sistema finanzjarja bl-użu ta’ sett ta’ mudelli statistiċi, u b’hekk il-valutazzjoni ġenerali tal-impatt ta’ kriżi finanzjarja fuq il-karti tal-bilanċ tal-banek issir proċess diffiċli bi żbalji sinifikanti ta’ valutazzjoni. F’din il-proposta aħna nintroduċu DeepStress, ġenerazzjoni ġdida ta’ oqfsa ta’ testijiet tal-istress ibbażati fuq il-kombinazzjoni ta’ metodi ta’ Tagħlim Profond u ta’ Tagħlim Magni. Il-viżjoni tagħna hija li noħolqu mudell tal-ogħla livell ta’ żvilupp tekniku li jkun kapaċi jissimula x-xenarji ta’ kliem ekonomiku reali b’mod olistiku, li jimmudella l-interazzjoni tas-sistema finanzjarja mal-ekonomija reali, jew għall-użu fuq bażi awtonoma (għal kull bank) jew f’livell sistematiku. L-għan tagħna huwa li tipprovdi għodda statistika kemm għar-regolaturi u l-banek u għall-komunità akkademika, lesta li tuża biex tagħmel pronjosi awtomatika fil-livelli kollha u f’kull xenarju makroekonomiku possibbli mingħajr (Maltese)
10 July 2022
0 references
A recente crise financeira reforçou a necessidade de melhorar as metodologias de avaliação do esforço, a fim de evitar futuros efeitos adversos no sistema financeiro. Embora as novas metodologias aplicadas tenham sido enriquecidas com instrumentos estatísticos mais avançados e proporcionem uma visão mais ampla dos riscos colocados pelas atividades financeiras dos bancos, ainda não refletem a atual globalização do sistema financeiro e a interligação entre as instituições financeiras. Os atuais quadros metodológicos dos exercícios de esforço ainda não utilizam técnicas estatísticas avançadas, como a aprendizagem profunda, que permitem captar melhor a natureza não linear das crises económicas adversas. Por último, as metodologias dos testes de esforço de hoje tentam simular um sistema financeiro utilizando um conjunto de modelos estatísticos, tornando a avaliação global do impacto de uma crise financeira nos balanços dos bancos um processo doloroso com erros de avaliação significativos. Nesta proposta, introduzimos o DeepStress, uma nova geração de quadros de testes de esforço baseados na combinação de métodos de aprendizagem profunda e de aprendizagem automática. A nossa visão é criar um modelo de última geração capaz de simular cenários de palavras económicas reais de uma forma holística, modelando a interação do sistema financeiro com a economia real, seja para uso autónomo (por banco) ou a um nível sistemático. O nosso objectivo é fornecer uma ferramenta estatística tanto para reguladores e bancos como para a comunidade académica, pronta a ser utilizada para fazer prognósticos automáticos a todos os níveis e em todos os cenários macroeconómicos possíveis. (Portuguese)
10 July 2022
0 references
Viimeaikainen finanssikriisi on lisännyt tarvetta parantaa stressimerkintämenetelmiä, jotta voidaan välttää mahdolliset tulevat kielteiset vaikutukset rahoitusjärjestelmään. Vaikka uusia menetelmiä on täydennetty kehittyneemmillä tilastointivälineillä ja ne antavat laajemman kuvan pankkien rahoitustoiminnan aiheuttamista riskeistä, ne eivät edelleenkään vastaa rahoitusjärjestelmän nykyistä globalisaatiota ja rahoituslaitosten välisiä yhteyksiä. Nykyisissä stressiharjoitusten menetelmäkehyksissä ei edelleenkään käytetä kehittyneitä tilastotekniikoita, kuten syväoppimista, jotka tarjoavat mahdollisuuden ottaa paremmin huomioon haitallisten talouskriisien epälineaarinen luonne. Lisäksi nykyisillä stressitestimenetelmillä pyritään simuloimaan rahoitusjärjestelmää käyttäen joukkoa tilastollisia malleja, minkä vuoksi finanssikriisin vaikutusta pankkien taseisiin koskeva kokonaisarviointi on tuskallinen prosessi, jossa on merkittäviä arviointivirheitä. Tässä ehdotuksessa otetaan käyttöön DeepStress, uuden sukupolven stressitestikehykset, jotka perustuvat syväoppimisen ja koneoppimisen menetelmien yhdistelmään. Visiomme on luoda uusin malli, joka kykenee simuloimaan reaalitalouden skenaarioita kokonaisvaltaisella tavalla ja mallintamaan rahoitusjärjestelmän vuorovaikutusta reaalitalouden kanssa joko itsenäisesti (pankkikohtaisesti) tai järjestelmällisesti. Tavoitteenamme on tarjota tilastollinen väline sekä sääntelyviranomaisille, pankeille että tiedeyhteisölle, joka on valmis käyttämään automaattista ennustetta kaikilla tasoilla ja kaikissa mahdollisissa makrotaloudellisissa skenaarioissa ilman, että (Finnish)
10 July 2022
0 references
Niedawny kryzys finansowy umocnił potrzebę poprawy metod oznaczania warunków skrajnych, aby uniknąć wszelkich negatywnych skutków dla systemu finansowego w przyszłości. Mimo że nowe zastosowane metody zostały wzbogacone o bardziej zaawansowane narzędzia statystyczne i zapewniają szerszy obraz ryzyka związanego z działalnością finansową banków, nadal nie odzwierciedlają one obecnej globalizacji systemu finansowego i wzajemnych powiązań między instytucjami finansowymi. Obecne ramy metodologiczne ćwiczeń stresowych nadal nie wykorzystują zaawansowanych technik statystycznych, takich jak głębokie uczenie się, które umożliwiają lepsze uchwycenie nieliniowego charakteru niekorzystnych kryzysów gospodarczych. Ponadto dzisiejsze metody testów warunków skrajnych mają na celu symulację systemu finansowego przy użyciu zestawu modeli statystycznych, co sprawia, że ogólna ocena wpływu kryzysu finansowego na bilanse banków jest bolesnym procesem, w którym występują poważne błędy w ocenie. W niniejszym wniosku wprowadzamy DeepStress, nową generację ram testów warunków skrajnych opartych na połączeniu metod głębokiego uczenia się i uczenia się maszyn. Naszą wizją jest stworzenie najnowocześniejszego modelu zdolnego do symulacji scenariuszy realnych słów ekonomicznych w sposób całościowy, modelując interakcję systemu finansowego z gospodarką realną, do wykorzystania w sposób autonomiczny (na bank) lub na poziomie systematycznym. Naszym celem jest zapewnienie narzędzia statystycznego zarówno dla organów regulacyjnych i banków, jak i dla środowiska akademickiego, gotowego do wykorzystania do automatycznego prognozowania na wszystkich poziomach i we wszystkich możliwych scenariuszach makroekonomicznych bez (Polish)
10 July 2022
0 references
Nedavna finančna kriza je okrepila potrebo po izboljšanju metodologij za označevanje izjemnih situacij, da bi se izognili morebitnim prihodnjim negativnim učinkom na finančni sistem. Čeprav so bile uporabljene nove metodologije obogatene z naprednejšimi statističnimi orodji in zagotavljajo širšo sliko tveganj, ki jih predstavljajo finančne dejavnosti bank, še vedno ne odražajo sedanje globalizacije finančnega sistema in medsebojne povezanosti finančnih institucij. Sedanji metodološki okviri stresnih dejavnosti še vedno ne uporabljajo naprednih statističnih tehnik, kot je globoko učenje, ki omogočajo boljše razumevanje nelinearne narave neugodnih gospodarskih kriz. Današnja metodologija stresnih testov poskuša simulirati finančni sistem z uporabo sklopa statističnih modelov, zaradi česar je splošna ocena učinka finančne krize na bilance stanja bank boleč proces s precejšnjimi napakami pri ocenjevanju. V ta predlog uvajamo DeepStress, novo generacijo okvirov stresnih testov, ki temeljijo na kombinaciji metod globokega učenja in strojnega učenja. Naša vizija je ustvariti najsodobnejši model, ki bo sposoben celostno simulirati scenarije realnih ekonomskih besed in modelirati interakcijo finančnega sistema z realnim gospodarstvom, bodisi za samostojno uporabo (na banko) bodisi na sistematični ravni. Naš cilj je zagotoviti statistično orodje za regulatorje in banke ter za akademsko skupnost, pripravljeno za samodejno prognozo na vseh ravneh in na vseh možnih makroekonomskih scenarijih brez (Slovenian)
10 July 2022
0 references
Nedávná finanční krize posílila potřebu zlepšit metodiky pro označování stresu, aby se předešlo jakýmkoli budoucím nepříznivým dopadům na finanční systém. Přestože nové použité metodiky byly obohaceny o pokročilejší statistické nástroje a poskytují širší představu o rizicích, která představují finanční činnosti bank, stále neodrážejí současnou globalizaci finančního systému a propojení mezi finančními institucemi. Současné metodické rámce zátěžových cvičení stále nevyužívají pokročilé statistické techniky, jako je Deep Learning, které nabízejí schopnost lépe zachytit nelineární povahu nepříznivých hospodářských krizí. A konečně, dnešní metodiky zátěžových testů se snaží simulovat finanční systém pomocí souboru statistických modelů, což činí celkové posouzení dopadu finanční krize na rozvahy bank bolestivým procesem s významnými chybami hodnocení. V tomto návrhu zavádíme DeepStress, novou generaci rámců zátěžových testů založených na kombinaci metod hlubokého učení a strojového učení. Naší vizí je vytvořit nejmodernější model schopný simulovat scénáře reálných ekonomických slov holistickým způsobem, modelovat interakci finančního systému s reálnou ekonomikou, a to buď pro autonomní použití (na banku), nebo na systematické úrovni. Naším cílem je poskytnout statistický nástroj jak pro regulační orgány, tak pro banky a pro akademickou obec, připraven k automatické prognóze na všech úrovních a při všech možných makroekonomických scénářích bez (Czech)
10 July 2022
0 references
Pastarojo meto finansų krizė sustiprino poreikį tobulinti streso žymėjimo metodikas, kad ateityje būtų išvengta bet kokio neigiamo poveikio finansų sistemai. Nors naujosios taikomos metodikos buvo papildytos pažangesnėmis statistinėmis priemonėmis ir leidžia susidaryti platesnį vaizdą apie bankų finansinės veiklos keliamą riziką, jos vis dar neatspindi dabartinės finansų sistemos globalizacijos ir finansų įstaigų tarpusavio ryšio. Dabartinėse metodinėse streso pratybose vis dar nenaudojami pažangūs statistiniai metodai, pvz., gilus mokymasis, kurie suteikia galimybę geriau užfiksuoti nelinijinį nepalankių ekonomikos krizių pobūdį. Galiausiai šiandienos testavimo nepalankiausiomis sąlygomis metodikomis bandoma imituoti finansų sistemą naudojant statistinių modelių rinkinį, todėl bendras finansų krizės poveikio bankų balansams vertinimas yra skausmingas procesas su didelėmis vertinimo klaidomis. Šiame pasiūlyme pristatome naujos kartos testavimo nepalankiausiomis sąlygomis sistemas, pagrįstas giliojo mokymosi ir mašininio mokymosi metodų deriniu. Mūsų vizija – sukurti šiuolaikišką modelį, galintį holistiniu būdu imituoti realių ekonominių žodžių scenarijus, modeliuojant finansų sistemos sąveiką su realiąja ekonomika, kuri būtų naudojama autonomiškai (pagal banką) arba sistemingai. Mūsų tikslas yra pateikti statistinę priemonę tiek reguliavimo institucijoms ir bankams, tiek akademinei bendruomenei, pasirengusiai naudoti automatinę prognozę visais lygmenimis ir visais įmanomais makroekonominiais scenarijais be (Lithuanian)
10 July 2022
0 references
Nesenā finanšu krīze ir pastiprinājusi nepieciešamību uzlabot stresa novērtēšanas metodes, lai izvairītos no jebkādas turpmākas negatīvas ietekmes uz finanšu sistēmu. Lai gan jaunās izmantotās metodes ir bagātinātas ar progresīvākiem statistikas instrumentiem un sniedz plašāku priekšstatu par riskiem, ko rada banku finanšu darbības, tās joprojām neatspoguļo pašreizējo finanšu sistēmas globalizāciju un savstarpējo saistību starp finanšu iestādēm. Pašreizējos stresa mācību metodoloģiskajos ietvaros joprojām netiek izmantotas progresīvas statistikas metodes, piemēram, padziļināta mācīšanās, kas dod iespēju labāk atspoguļot nelabvēlīgu ekonomikas krīžu nelineāro raksturu. Visbeidzot, šodienas stresa testa metodoloģijas cenšas simulēt finanšu sistēmu, izmantojot statistikas modeļu kopumu, padarot vispārējo novērtējumu par finanšu krīzes ietekmi uz banku bilancēm par sāpīgu procesu ar ievērojamām novērtējuma kļūdām. Šajā priekšlikumā mēs ieviešam DeepStress, jaunas paaudzes stresa testu sistēmas, kuru pamatā ir dziļās mācīšanās un mašīnmācīšanās metožu kombinācija. Mūsu vīzija ir radīt modernu modeli, kas spēj holistiskā veidā simulēt reālus ekonomiskos scenārijus, modelējot finanšu sistēmas mijiedarbību ar reālo ekonomiku vai nu autonomi (katrai bankai), vai sistemātiskā līmenī. Mūsu mērķis ir nodrošināt statistikas rīku gan regulatoriem, gan bankām, gan akadēmiskajai sabiedrībai, kas ir gatava izmantot, lai veiktu automātisku prognozi visos līmeņos un visos iespējamos makroekonomiskajos scenārijos bez (Latvian)
10 July 2022
0 references
Неотдавнашната финансова криза засили необходимостта от подобряване на методологиите за оценка на стреса, за да се избегнат евентуални бъдещи неблагоприятни последици за финансовата система. Въпреки че прилаганите нови методологии бяха обогатени с по-усъвършенствани статистически инструменти и предоставят по-широка представа за рисковете, свързани с финансовите дейности на банките, те все още не отразяват настоящата глобализация на финансовата система и взаимовръзката между финансовите институции. Настоящите методологични рамки на стреса все още не използват усъвършенствани статистически техники, като например дълбокото учене, които предлагат възможност за по-добро отразяване на нелинейния характер на неблагоприятните икономически кризи. И накрая, днешните методики за стрес тестове се опитват да симулират финансова система, като използват набор от статистически модели, което прави цялостната оценка на въздействието на финансовата криза върху счетоводните баланси на банките болезнен процес със значителни грешки в оценката. В настоящото предложение въвеждаме DeepStress, ново поколение рамки за стрес тестове, основани на комбинацията от методи за задълбочено учене и машинно обучение. Нашата визия е да създадем най-съвременен модел, способен да симулира сценарии на реални икономически думи по холистичен начин, като моделира взаимодействието на финансовата система с реалната икономика, или за самостоятелно използване (на банка), или на системно ниво. Нашата цел е да предоставим статистически инструмент както за регулаторите, така и за банките, и за академичната общност, готова да използва, за да направи автоматична прогноза на всички равнища и при всички възможни макроикономически сценарии без (Bulgarian)
10 July 2022
0 references
A közelmúltbeli pénzügyi válság megerősítette, hogy a pénzügyi rendszerre gyakorolt esetleges jövőbeli kedvezőtlen hatások elkerülése érdekében javítani kell a stresszjelző módszereket. Bár az alkalmazott új módszerek fejlettebb statisztikai eszközökkel gazdagodtak, és szélesebb képet adnak a bankok pénzügyi tevékenységei által jelentett kockázatokról, még mindig nem tükrözik a pénzügyi rendszer jelenlegi globalizációját és a pénzügyi intézmények közötti kapcsolatot. A stresszgyakorlatok jelenlegi módszertani keretei még mindig nem alkalmaznak olyan fejlett statisztikai technikákat, mint például a Deep Learning, amelyek lehetővé teszik a kedvezőtlen gazdasági válságok nem lineáris jellegének jobb megragadását. Végezetül, a mai stresszteszt-módszerek egy sor statisztikai modell segítségével próbálják szimulálni a pénzügyi rendszert, ami a pénzügyi válság bankok mérlegére gyakorolt hatásának átfogó értékelését jelentős értékelési hibákkal járó fájdalmas folyamattá teszi. Ebben a javaslatban bevezetjük a DeepStress-t, a mély tanulási és gépi tanulási módszerek kombinációján alapuló stressztesztek új generációját. Elképzelésünk az, hogy a legkorszerűbb modellt hozzunk létre, amely képes a valós gazdasági szavak forgatókönyveit holisztikus módon szimulálni, modellezve a pénzügyi rendszer és a reálgazdaság közötti kölcsönhatást, akár autonóm alapon (bankonként), akár szisztematikus szinten. Célunk, hogy statisztikai eszközt biztosítsunk mind a szabályozók, mind a bankok, valamint a tudományos közösség számára, amely készen áll arra, hogy automatikus prognózist készítsen minden szinten és minden lehetséges makrogazdasági forgatókönyv esetén anélkül, hogy (Hungarian)
10 July 2022
0 references
Leis an ngéarchéim airgeadais a tharla le déanaí, treisíodh an gá atá le feabhas a chur ar mhodheolaíochtaí marcála struis chun aon éifeachtaí díobhálacha ar an gcóras airgeadais a sheachaint amach anseo. Cé gur saibhríodh na modheolaíochtaí nua a cuireadh i bhfeidhm le huirlisí staidrimh níos forbartha agus go dtugann siad léargas níos leithne ar na rioscaí a bhaineann le gníomhaíochtaí airgeadais na mbanc, ní léirítear leo fós domhandú reatha an chórais airgeadais ná an t-idirnasc idir institiúidí airgeadais. Ní bhaineann na creataí modheolaíochta reatha de chleachtaí struis úsáid fós as ardteicnící staidrimh, amhail an Fhoghlaim Dhomhain, a thugann an cumas chun léargas níos fearr a fháil ar nádúr neamhlíneach na ngéarchéimeanna eacnamaíocha díobhálacha. Ar deireadh, déanann modheolaíochtaí tástála struis an lae inniu iarracht córas airgeadais a ionsamhlú trí shraith samhlacha staidrimh a úsáid, rud a fhágann gur próiseas pianmhar é an measúnú foriomlán ar thionchar géarchéime airgeadais ar chláir chomhardaithe na mbanc le hearráidí suntasacha measúnaithe. Sa togra seo, tugtar isteach DeepStress, glúin nua de chreataí tástála struis atá bunaithe ar mheascán de mhodhanna Deep Learning and Machine Learning. Is í an fhís atá againn ná samhail úrscothach a chruthú a bheidh in ann fíorchásanna focal eacnamaíocha a ionsamhlú ar bhealach iomlánaíoch, rud a mhúnlaíonn idirghníomhaíocht an chórais airgeadais leis an bhfíorgheilleagar, lena n-úsáid ar bhonn uathrialach (in aghaidh an bhainc) nó ar leibhéal córasach. Is é an aidhm atá againn ná uirlis staitistiúil a chur ar fáil do rialtóirí agus do bhainc araon agus don phobal acadúil, a bheidh réidh le húsáid chun prognóis uathoibríoch a dhéanamh ar gach leibhéal agus ag gach cás maicreacnamaíocha a d’fhéadfadh a bheith ann gan (Irish)
10 July 2022
0 references
Den senaste finanskrisen har ökat behovet av att förbättra stressmärkningsmetoderna för att undvika framtida negativa effekter på det finansiella systemet. Även om de nya metoder som tillämpas har berikats med mer avancerade statistiska verktyg och ger en bredare bild av riskerna med bankernas finansiella verksamhet, återspeglar de fortfarande inte den nuvarande globaliseringen av det finansiella systemet och kopplingen mellan finansinstituten. I de nuvarande metodologiska ramarna för stressövningar används fortfarande inte avancerade statistiska tekniker, t.ex. djupt lärande, som ger möjlighet att bättre fånga in de negativa ekonomiska krisernas icke-linjära karaktär. Slutligen försöker dagens stresstestmetoder simulera ett finansiellt system med hjälp av en uppsättning statistiska modeller, vilket gör den övergripande bedömningen av finanskrisens inverkan på bankernas balansräkningar till en smärtsam process med betydande fel i bedömningen. I detta förslag introducerar vi DeepStress, en ny generation av stresstestramar baserade på kombinationen av djupinlärning och maskininlärningsmetoder. Vår vision är att skapa en toppmodern modell som kan simulera verkliga ekonomiska ordscenarier på ett holistiskt sätt, modellera det finansiella systemets interaktion med realekonomin, antingen för autonom användning (per bank) eller på en systematisk nivå. Vårt mål är att tillhandahålla ett statistiskt verktyg för både tillsynsmyndigheter och banker och för den akademiska världen, redo att använda för att göra automatiska prognoser på alla nivåer och i alla möjliga makroekonomiska scenarier utan (Swedish)
10 July 2022
0 references
Hiljutine finantskriis on suurendanud vajadust parandada stressi hindamise metoodikat, et vältida tulevikus negatiivset mõju finantssüsteemile. Kuigi kohaldatud uusi meetodeid on täiendatud täiustatud statistiliste vahenditega ja need annavad laiema ülevaate pankade finantstegevusest tulenevatest riskidest, ei kajasta need ikka veel finantssüsteemi praegust üleilmastumist ega finantseerimisasutuste omavahelist seotust. Praegustes stressiõppuste metoodilistes raamistikes ei kasutata siiani täiustatud statistilisi meetodeid, nagu süvaõpe, mis võimaldab paremini kajastada ebasoodsate majanduskriiside mittelineaarset olemust. Lõpetuseks püüavad tänased stressitestide metoodikad simuleerida finantssüsteemi, kasutades statistilisi mudeleid, muutes finantskriisi mõju pankade bilanssidele üldiselt valulikuks protsessiks, millel on märkimisväärsed hindamisvead. Käesolevas ettepanekus tutvustame DeepStressi, uue põlvkonna stressitestide raamistikke, mis põhinevad süvaõppe ja masinõppe meetodite kombinatsioonil. Meie visioon on luua tipptasemel mudel, mis on võimeline simuleerima reaalmajanduslike sõnade stsenaariume terviklikult, modelleerides finantssüsteemi ja reaalmajanduse vastasmõju kas iseseisvaks kasutamiseks (panga kohta) või süstemaatiliseks kasutamiseks. Meie eesmärk on pakkuda nii reguleerivatele asutustele kui ka pankadele ja akadeemilistele ringkondadele statistilist vahendit, mida saab kasutada automaatse prognoosi tegemiseks kõikidel tasanditel ja kõigis võimalikes makromajanduslikes stsenaariumides ilma (Estonian)
10 July 2022
0 references
*Δεν έχει γεωγραφική διάσταση*
0 references
Identifiers
34587
0 references