本报告建立了针对抵押贷款前市场中流动性较差资产TBA债券的请求报价(RFQ)成交率预测模型,采用包括Logistic回归、随机森林、XGBoost及Bayesian Neural Tree在内的多种可解释AI模型。通过模拟生成RFQ数据,进行特征工程及模型训练,最终构建了集成模型提升预测准确性,并利用市场制造商效用函数优化报价,提升了RFQ价格发现效率,促进抵押贷款融资市场透明与风险管理
研究背景与目标
数据生成与特征工程
模型设计与Bayesian Neural Tree介绍
模型训练与参数调优
模型性能与结果
Bayesian Neural Tree模型在测试集准确率约90%,预测成交概率高度集中于0和1。
重要特征包括响应次数(Response)、MOM5、MOM20和交易对手标识。
多个模型结合投票形成集成模型,集成1(LR + ABR2 + ABR6)取得最高准确率0.913和F1值0.914。
| 模型 | 参数描述 | 准确率 | 精准率 | 召回率 | F1值 |
|---|---|---|---|---|---|
| Logistic Regression | L1正则(Lasso) | 0.90 | 0.91 | 0.896 | 0.903 |
| Reticulum 2 | Beta(1,1) / pruning=1.0 / stiffness=2 | 0.906 | 0.914 | 0.903 | 0.909 |
| Reticulum 6 | Beta(1,1) / pruning=1.0 / stiffness=6 | 0.906 | 0.94 | 0.874 | 0.906 |
| XGBoost | binarylogistic目标 | 0.891 | 0.959 | 0.824 | 0.887 |
| Random Forest | 叶子节点最小样本=2/最大深度=12 | 0.879 | 0.956 | 0.803 | 0.873 |
| Ensemble 1 | LR+ABR2+ABR6 | 0.913 | 0.939 | 0.89 | 0.914 |
| Ensemble 2 | LR+ABR6+XGB | 0.908 | 0.935 | 0.884 | 0.909 |
| Ensemble 3 | LR+ABR2+ABR6+RF+XGB | 0.907 | 0.953 | 0.863 | 0.906 |
市场制造商报价与效用优化
结论
报告标题: Explainable AI in Request-for-Quote
作者: Qiqin Zhou
发布机构: Cornell University, Department of Operations Research and Information Engineering
日期: 未明确标注(基于引用文献及研究内容,大致为2024年)
主题: 利用解释型人工智能(Explainable AI, XAI)模型预测和优化Request-For-Quote (RFQ) 执行概率,特别聚焦于To-be-Announcement (TBA) 抵押贷款支持证券的市场定价机制
本报告旨在通过开发和应用多种机器学习及XAI模型(包括Logistic回归、随机森林、XGBoost和Bayesian Neural Tree,BNT)对RFQ填单概率进行预测,并基于预测结果及对下一个中间价的估计,帮助市场做市商定价,从而最大化其效用并最小化库存风险。作者希望通过XAI赋予模型透明性,提高金融交易中的信任与合规性,同时促进TBA市场的定价效率,有助于抵押贷款行业更好服务借款人。报告主要贡献在于:
,1,2,3,4,5,6,7]
关键论点:
逻辑支撑: 通过引入模拟数据解决监管限制,保证方法实操性;利用多模型比较强化结论可信度;关注模型透明帮助金融机构合规且提升风险管理。
报告回顾了RFQ流程的交易特点,指出市场做市商面对报价之后风险敞口需动态管理;同时详细介绍XAI发展和分类,包括后验解释模型(如LIME、SHAP)与内在解释模型(Logistic回归、决策树、朴素贝叶斯等),揭示二者的利弊权衡。然后提出创新的Bayesian Neural Tree (BNT) 框架,结合神经网络的表现力和决策树的结构解释力,辅以贝叶斯推理处理不确定性。
数据生成过程与特征工程(Section III-IV)运用模拟算法:
,1,2]
,3,4,5]
结果表现:
重要特征解释:
,6]
下一期中间价预测:
市场做市商效用函数设计:
实际定价效果:
,7]
,5,6,7]
本报告并非典型公司估值研究,核心在于交易概率预测和价格优化,估值方法并不存在传统DCF或P/E计算。核心“估值”体现在对“下一期中间价”(NextMidPrice)的预测和通过概率模型计算“填单概率”及“效用最大化”的报价。此价格预测采用线性回归模型,基于当前价格和买卖方向,具备高度统计拟合度(R^2=98%)。不强调复杂价差预测,意在为效用函数决策提供稳定的中间价基准。
报告在市场效用函数的定义上创新地结合了成交概率与潜在亏损概率,设定一定罚分机制和加价/减价阈值,构成优化目标函数,具备一定的经济合理性和实用导向。
报告未明确列出专项风险章节,但隐含了以下风险考量:
本报告系统地探讨了利用解释型机器学习模型预测RFQ成交概率的创新应用,特别针对TBA债券市场中低流动性资产的报价策略。通过自主设计的模拟数据生成算法和综合特征工程,结合包含贝叶斯神经树在内的多模型集成,成功建立了一个高效且透明的预测框架。预测准确率较高,关键特征识别合理。基于预测结果设计的市场做市商定价优化函数体现创新,既考虑概率成功率又内嵌风险罚分,最终实测5个测试样本中成效显著。
图表深入展现了各部分的关键关系:
总体来看,作者在数字模拟、模型创新、特征解释、定价优化方面均给予丰富细节支持,突出XAI在金融交易尤其是流动性受限资产市场报价中的实用潜力,且推动了算法交易系统和合规风险管理的协同发展。该框架不仅具备理论创新价值,也为实际市场运作提供了可操作工具和思路。
2407.15038.pdf