Explaining Risks: Axiomatic Risk Attributions for Financial Models
创建于 更新于
摘要
本文通过扩展Shapley值框架，提出了风险归因方法（RAMs），解决如何在复杂机器学习金融模型中公正分配风险的问题。研究表明，基于风险测度的Shapley值能够体现多元资产组合中的风险分解与多样化效应，兼顾了公平性、公理性质及实证示范，揭示了风险归因与均值归因(BAMs)的本质差异，为金融风险管理与模型解释提供了理论与实操工具[page::0][page::3][page::4][page::7][page::9]。
