- Рейтинговые триггеры для XVA с обеспечением с помощью машинного обучения и SDE в группах Ли (arXiv)
Автор:Кевин Камм, Мишель Муниз
Аннотация: в этой статье мы моделируем процесс рейтинга объекта, используя геометрический подход. Мы моделируем рейтинговые переходы как СДУ на группе Ли. В частности, мы фокусируемся на калибровке модели как на исторических данных (матрицы перехода рейтинга), так и на рыночных данных (котировках CDS) и сравниваем наиболее популярные варианты изменения меры для перехода от исторической вероятности к нейтральной к риску. Для этого мы покажем, как можно применить классическую теорему Гирсанова в постановке группы Ли. Кроме того, мы преодолеваем некоторые несовершенства рейтинговых матриц, публикуемых рейтинговыми агентствами, которые рассчитываются с помощью когортного метода, используя новый подход глубокого обучения. Это приводит к улучшению всей схемы и делает модель более надежной для приложений. Мы применяем нашу модель для расчета корректировок двусторонней кредитной и дебетовой оценки взаимозачета, установленного в соответствии с CSA, с пороговыми значениями, зависящими от рейтингов двух сторон.
2. Характеристики цепочки поставок как предикторы киберриска: оценка машинного обучения (arXiv)
Автор:Кевин Ху, Рецеф Леви, Рафаэль Яхалом, Эль Гали Зерхуни
Аннотация. В этом документе представлен первый крупномасштабный анализ на основе данных для оценки прогностической способности различных атрибутов для оценки риска утечки данных в результате кибератак. Кроме того, в связи с быстрым ростом числа кибератак, совершаемых третьими сторонами, в документе представлены первые количественные эмпирические данные о том, что цифровые атрибуты цепочки поставок являются важными предикторами корпоративного киберриска. В документе используются оценки внешних кибер-рисков, которые направлены на то, чтобы отразить качество внутреннего управления кибербезопасностью предприятия, но дополнить их функциями цепочки поставок, вдохновленными наблюдаемыми сценариями кибератак третьих сторон, а также концепциями исследований в области сетевых наук. Основной количественный результат статьи состоит в том, чтобы показать, что сетевые характеристики цепочки поставок значительно увеличивают возможности обнаружения для прогнозирования корпоративных киберрисков по сравнению с простым использованием корпоративных атрибутов. В частности, по сравнению с базовой моделью, которая опирается только на внутренние функции предприятия, сетевые функции цепочки поставок улучшают AUC вне выборки на 2,3%. Учитывая, что каждое нарушение киберданных представляет собой событие с низкой вероятностью и высоким риском последствий, эти улучшения в мощности прогнозирования имеют большое значение. Кроме того, модель выделяет несколько факторов риска кибербезопасности, связанных с кибератаками третьих лиц и механизмами взлома, и дает важную информацию о том, какие вмешательства могут быть эффективными для снижения этих рисков.
