Reinforcement learning for the debt value adjustment hedging

Le condizioni dei mercati finanziari dopo la crisi economica e l'introduzione di nuovi standard internazionali nell'accounting hanno portato alla luce la necessità di considerare il rischio di credito e più genericamente il rischio di controparte nella valutazione dei derivati finanziari. Se prima della crisi infatti veniva considerato nullo il rischio di default di una banca, a seguito del 2008 e in particolare a seguito della crisi dei debiti sovrani, si è percepito come questo potesse essere il driver di un rischio finanziario sistemico. Gli istituti finanziari dunque non sono più solamente interessati a creare delle strategie di copertura contro un eventuale rischio di default della controparte, ma hanno la necessità di coprire anche il rischio derivante da cambiamenti nella proprià qualità di credito. La scarsità di tecniche di trading indirizzate alla copertura dell'Own Credit Risk è il motivo alla base del seguente lavoro. Questa tesi infatti nasce da una collaborazione tra il Politecnico di Milano e Banca IMI, volta alla ricerca di tecniche di reinforcement learning che permettano al Credit Treasury Desk di automatizzare il processo di copertura. La presente tesi vuole quindi formalizzare il problema dell'hedging del Debt Value Adjustment. In particolare nella prima parte si analizza la questione dal punto di vista finanziario, analizzando i derivati utilizzati per la copertura e i modelli utilizzati per il pricing di questi ultimi. Nella seconda parte invece il problema viene formalizzato sotto una prospettiva basata sul reinforcement learning, e dunque più in generale basata sulle teorie del controllo. L'implementazione degli algoritmi per la rappresentazione dell'environment sono stati svolti utilizzando linguaggio C++ e sono parte integrante del seguente lavoro.