可大幅度提升風(fēng)控措施的科學(xué)性與預(yù)判性

在資管計劃的長期運行中，隨著凈值的波動、投資方式的變動、資產(chǎn)類型的變化，會衍生出不同的風(fēng)險點，呆板制式風(fēng)險監(jiān)控手段已經(jīng)顯示出其過于粗糙的缺點，而量化手段的全面引進將大幅度提升風(fēng)控措施的科學(xué)性與預(yù)判性。

策略交易風(fēng)險的量化管理

剖析量化投資實施過程的行為特征，可以把策略交易端的風(fēng)險分解成模型風(fēng)險、技術(shù)風(fēng)險及運維風(fēng)險。模型風(fēng)險的發(fā)現(xiàn)與防范主要寄希望于交易前風(fēng)控，在系統(tǒng)內(nèi)上線的交易模塊越是可復(fù)盤可驗證，進行風(fēng)險管控的難度就會大幅度降低。同時，對模型風(fēng)險的交易中監(jiān)控也十分重要。

2015年1月5日，我們的風(fēng)控系統(tǒng)中發(fā)現(xiàn)某模型用于開平倉判定的參數(shù)變成空值，導(dǎo)致模型無法獲得正確的交易狀態(tài)。在系統(tǒng)報出錯誤之后，我們停止了該模型的運行，復(fù)盤后發(fā)現(xiàn)程序讀取交易時間時，是從本地計算機讀取日期，從交易所數(shù)據(jù)讀取分鐘等數(shù)據(jù)，由于兩者時間的不一致，在0點0分的幾個tick內(nèi)時間是錯誤的，在1月5日的夜盤數(shù)據(jù)中出現(xiàn)了標注為1月6日23點59分59.5秒（實際是1月5日23點59分59.5秒）這樣的數(shù)據(jù)，從而導(dǎo)致參數(shù)計算變成空值。這說明通過關(guān)鍵參數(shù)的實時跟蹤監(jiān)控，能夠及時發(fā)現(xiàn)類似問題，避免后續(xù)交易信號的紊亂。但需要指出的是，并非所有模型都有辦法做細致的風(fēng)控，信息技術(shù)的發(fā)展帶來的交易技術(shù)升級，比如FPGA技術(shù)的應(yīng)用，將軟件寫入硬件以提高運算速度，將對風(fēng)控系統(tǒng)提出全新的監(jiān)控需求。

技術(shù)風(fēng)險主要包括了交易策略的算法風(fēng)險、技術(shù)平臺、交易實現(xiàn)、軟硬件、網(wǎng)絡(luò)鏈路等所有因技術(shù)原因?qū)е鲁绦蚧灰椎南到y(tǒng)未能產(chǎn)生及完成正確交易指令的風(fēng)險。風(fēng)控系統(tǒng)對技術(shù)風(fēng)險的監(jiān)控主要解決網(wǎng)絡(luò)狀態(tài)監(jiān)聽、接口狀態(tài)與行情推送狀態(tài)監(jiān)聽、信號與成交回報比對、信號匯總與報倉信息的比對等，在發(fā)現(xiàn)異常的最短時間內(nèi)觸發(fā)警報，或根據(jù)預(yù)案觸發(fā)風(fēng)控操作。

量化策略的運維風(fēng)險具有其特殊性，由于通常量化交易研究員大多深度參與交易系統(tǒng)的開發(fā)，但隨著系統(tǒng)趨于復(fù)雜化，IT部門必然全面介入系統(tǒng)構(gòu)建，從開發(fā)部署至日常運維都離不開多部門的合作。

跨部門參與者數(shù)量大幅增加使系統(tǒng)的風(fēng)險點分布在多個環(huán)節(jié)中，機構(gòu)投資者的程序化交易便不再是僅僅啟動或關(guān)閉系統(tǒng)那么簡單，通常我們建議在每一類策略的運維方案中必須包含故障節(jié)點分析及應(yīng)急處置預(yù)案等內(nèi)容，盡可能真實的測試環(huán)境與壓力測試流程是必不可少的。

市場風(fēng)險的管理

VaR是目前國內(nèi)外一種主流的金融風(fēng)險管理工具，被深入應(yīng)用于對資產(chǎn)組合未來風(fēng)險的預(yù)估中。對于市場風(fēng)控模塊，對于單一品種的VaR在顯著性水平內(nèi)表現(xiàn)較好，在實際應(yīng)用的過程中沒有表現(xiàn)出過高或過低的評估風(fēng)險，在顯著性水平內(nèi)表現(xiàn)較好，能有效揭示市場風(fēng)險，同時對于商品組合的VaR由于相關(guān)性的存在，評估方法需要更加精細，計算方法更加復(fù)雜。

計算金融資產(chǎn)VaR的兩個關(guān)鍵要素是收益率的概率分布與波動率的計算，所以要提高VaR的精度必須準確度量收益率的概率分布與波動率。對于統(tǒng)計分布的假設(shè)，傳統(tǒng)的VaR計算將收益率設(shè)為正態(tài)分布，但金融時間序列的分布往往具有比正態(tài)分布更寬的尾部，為更精確描述尾部特征，需要對誤差項μt的分布進行恰當?shù)募僭O(shè)，為此可用t分布或廣義誤差分布(GED)擬合厚尾，從而提高VaR的計算精度。其中t分布的概率密度函數(shù)(PDF)為：，Γ(.)為garmma函數(shù), n為自由度，Rt為服從t分布的收益率序列。由t分布的性質(zhì)可知，當ν→∞時，t分布的概率密度分布收斂于標準正態(tài)分布概率密度。

GED分布是一種更加靈活的分布，通過對其中參數(shù)λ的調(diào)整，可以擬合不同的分布，其概率密度函數(shù)為：，其中λ為尾部厚度參數(shù)， Rt為服從GED分布的收益率序列。ν為廣義誤差分布參數(shù)，當ν>2，GED分布呈瘦尾分布；當ν=2，GED分布退化為正態(tài)分布；當ν<2，GED分布呈厚尾分布。

對于波動率的時變性，基于無條件分布計算下的收益率的標準差，其波動具有集簇性和爆發(fā)性，所以收益的方差(標準差)具有時變性。而GARCH模型較好地描述了誤差項波動集聚性，用GARCH模型得到的異方差參與VaR計算。

GARCH模型的主要思想是：擾動項μt的條件方差σt2依賴于它的前期值μt-1的大小，即：。

VaR通過在收益率的分布與波動率的計算方式兩個方面的改進來提高VaR的計算精度。通過GARCH_N（N代表正態(tài)分布）、GARCH_t（t代表t分布）、GARCH_GED（GED代表廣義誤差分布）等模型計算的VaR在多個品種中的表現(xiàn)，從上述計算的VaR的失敗率與顯著性水平的接近程度考慮，可以看到在VaR的計算精度上，GARCH_GED更具有優(yōu)越性。經(jīng)過在多品種VaR計算的論證，我們風(fēng)控系統(tǒng)VaR的計算最終采用GARCH_GED模型。

表1  各期貨品種四種模型的后驗測試結(jié)果

根據(jù)我們在橡膠的實盤運行中VaR方法對其的監(jiān)測結(jié)果，可以發(fā)現(xiàn)，在95%的情況下，我們的VaR可以很好地揭示風(fēng)險，并依據(jù)策略對損失的容忍度設(shè)置了閥值，當VaR超越容忍閥值時，我們對投資經(jīng)理做出了提示，及時做出倉位調(diào)整，降低風(fēng)險。

計劃凈值風(fēng)險的監(jiān)控

對于量化產(chǎn)品管理者來說，比較關(guān)注產(chǎn)品的凈值表現(xiàn)以及凈值風(fēng)險。以清盤線設(shè)0.8的某產(chǎn)品為例，對凈值風(fēng)險的監(jiān)控簡單分四個檔進行，首先是給出凈值可能到0.95的概率，凈值跌破0.95后給出可能跌到0.9的概率，以凈值間隔0.5為步長，類推到凈值可能到0.8的概率，即產(chǎn)品臨界清盤線的概率。一般當概率值超過20%時，系統(tǒng)需要發(fā)出警示，及時提示管理者是否要通過降低倉位等手段來降低風(fēng)險。

以下是一個凈值風(fēng)險監(jiān)控的模擬案例：假設(shè)最初2015年1月30日在銅的主力合約上建立一個空頭頭寸，建倉價位為39090元/噸，手數(shù)8手，總資金為100萬元，初始保證金占比15.7%，截至2015年3月24日，倉位保持不動，監(jiān)測這段時間的凈值風(fēng)險。結(jié)果顯示，隨著倉位的變動，實際凈值在跌破0.95、0.9、0.85、0.8之前的幾天，通過計算持倉頭寸的價格風(fēng)險，是可以對后市凈值表現(xiàn)做出一定的警示，供管理人參考。

表2 凈值風(fēng)險列表

從表2中可以很清晰地看到，隨著倉位實際凈值的下降，凈值接近0.95、0.9、0.85、0.8的概率也在呈現(xiàn)接力式增加，且凈值變化趨勢與凈值可能到達臨界水平出現(xiàn)的概率值呈現(xiàn)了很好的負相關(guān)關(guān)系。在實際凈值接近臨界數(shù)值（0.95、0.0.85、0.8）之前，量化的風(fēng)控系統(tǒng)都提前及時地揭示這種風(fēng)險將要發(fā)生的可能性很大，并給出了定量的數(shù)值，凈值風(fēng)控系統(tǒng)有效地監(jiān)控了這種風(fēng)險。

資管產(chǎn)品的風(fēng)控是一個系統(tǒng)化的工程，在實務(wù)中管理人還會碰到自主管理產(chǎn)品與通道產(chǎn)品風(fēng)控制度的差異，雖然很難總結(jié)出一套完美的體系架構(gòu)，但將量化技術(shù)全面引入到風(fēng)控的全流程中對產(chǎn)品的穩(wěn)健運行具有十分積極的意義。

此外，在我們最為熟悉的程序化交易領(lǐng)域，管理人面對的風(fēng)險不僅是目前所持倉位繼續(xù)持有一段時間可能帶來的風(fēng)險，更主要的是程序化交易繼續(xù)運行一段時間可能帶來的風(fēng)險。對此，收盤后用蒙特卡洛模擬的方法估計繼續(xù)交易一天可能帶來的風(fēng)險，就算沒有持倉，但模型的持續(xù)運行仍將帶來不確定性，而非僅僅估算已有持倉的影響，這對于目前很多風(fēng)控系統(tǒng)而言都是全新的挑戰(zhàn)，值得深入研究及開發(fā)。