可大幅度提升风控措施的科学性与预判性

在资管计划的长期运行中，随着净值的波动、投资方式的变动、资产类型的变化，会衍生出不同的风险点，呆板制式风险监控手段已经显示出其过于粗糙的缺点，而量化手段的全面引进将大幅度提升风控措施的科学性与预判性。

策略交易风险的量化管理

剖析量化投资实施过程的行为特征，可以把策略交易端的风险分解成模型风险、技术风险及运维风险。模型风险的发现与防范主要寄希望于交易前风控，在系统内上线的交易模块越是可复盘可验证，进行风险管控的难度就会大幅度降低。同时，对模型风险的交易中监控也十分重要。

2015年1月5日，我们的风控系统中发现某模型用于开平仓判定的参数变成空值，导致模型无法获得正确的交易状态。在系统报出错误之后，我们停止了该模型的运行，复盘后发现程序读取交易时间时，是从本地计算机读取日期，从交易所数据读取分钟等数据，由于两者时间的不一致，在0点0分的几个tick内时间是错误的，在1月5日的夜盘数据中出现了标注为1月6日23点59分59.5秒（实际是1月5日23点59分59.5秒）这样的数据，从而导致参数计算变成空值。这说明通过关键参数的实时跟踪监控，能够及时发现类似问题，避免后续交易信号的紊乱。但需要指出的是，并非所有模型都有办法做细致的风控，信息技术的发展带来的交易技术升级，比如FPGA技术的应用，将软件写入硬件以提高运算速度，将对风控系统提出全新的监控需求。

技术风险主要包括了交易策略的算法风险、技术平台、交易实现、软硬件、网络链路等所有因技术原因导致程序化交易的系统未能产生及完成正确交易指令的风险。风控系统对技术风险的监控主要解决网络状态监听、接口状态与行情推送状态监听、信号与成交回报比对、信号汇总与报仓信息的比对等，在发现异常的最短时间内触发警报，或根据预案触发风控操作。

量化策略的运维风险具有其特殊性，由于通常量化交易研究员大多深度参与交易系统的开发，但随着系统趋于复杂化，IT部门必然全面介入系统构建，从开发部署至日常运维都离不开多部门的合作。

跨部门参与者数量大幅增加使系统的风险点分布在多个环节中，机构投资者的程序化交易便不再是仅仅启动或关闭系统那么简单，通常我们建议在每一类策略的运维方案中必须包含故障节点分析及应急处置预案等内容，尽可能真实的测试环境与压力测试流程是必不可少的。

市场风险的管理

VaR是目前国内外一种主流的金融风险管理工具，被深入应用于对资产组合未来风险的预估中。对于市场风控模块，对于单一品种的VaR在显著性水平内表现较好，在实际应用的过程中没有表现出过高或过低的评估风险，在显著性水平内表现较好，能有效揭示市场风险，同时对于商品组合的VaR由于相关性的存在，评估方法需要更加精细，计算方法更加复杂。

计算金融资产VaR的两个关键要素是收益率的概率分布与波动率的计算，所以要提高VaR的精度必须准确度量收益率的概率分布与波动率。对于统计分布的假设，传统的VaR计算将收益率设为正态分布，但金融时间序列的分布往往具有比正态分布更宽的尾部，为更精确描述尾部特征，需要对误差项μt的分布进行恰当的假设，为此可用t分布或广义误差分布（GED）拟合厚尾，从而提高VaR的计算精度。其中t分布的概率密度函数（PDF）为：，Γ（。）为garmma函数， n为自由度，Rt为服从t分布的收益率序列。由t分布的性质可知，当ν时，t分布的概率密度分布收敛于标准正态分布概率密度。

GED分布是一种更加灵活的分布，通过对其中参数λ的调整，可以拟合不同的分布，其概率密度函数为：，其中λ为尾部厚度参数， Rt为服从GED分布的收益率序列。ν为广义误差分布参数，当ν》2，GED分布呈瘦尾分布；当ν=2，GED分布退化为正态分布；当ν《2，GED分布呈厚尾分布。

对于波动率的时变性，基于无条件分布计算下的收益率的标准差，其波动具有集簇性和爆发性，所以收益的方差（标准差）具有时变性。而GARCH模型较好地描述了误差项波动集聚性，用GARCH模型得到的异方差参与VaR计算。

GARCH模型的主要思想是：扰动项μt的条件方差σt2依赖于它的前期值μt-1的大小，即：。

VaR通过在收益率的分布与波动率的计算方式两个方面的改进来提高VaR的计算精度。通过GARCH_N（N代表正态分布）、GARCH_t（t代表t分布）、GARCH_GED（GED代表广义误差分布）等模型计算的VaR在多个品种中的表现，从上述计算的VaR的失败率与显著性水平的接近程度考虑，可以看到在VaR的计算精度上，GARCH_GED更具有优越性。经过在多品种VaR计算的论证，我们风控系统VaR的计算最终采用GARCH_GED模型。

表1 各期货品种四种模型的后验测试结果

根据我们在橡胶的实盘运行中VaR方法对其的监测结果，可以发现，在95%的情况下，我们的VaR可以很好地揭示风险，并依据策略对损失的容忍度设置了阀值，当VaR超越容忍阀值时，我们对投资经理做出了提示，及时做出仓位调整，降低风险。

计划净值风险的监控

对于量化产品管理者来说，比较关注产品的净值表现以及净值风险。以清盘线设0.8的某产品为例，对净值风险的监控简单分四个档进行，首先是给出净值可能到0.95的概率，净值跌破0.95后给出可能跌到0.9的概率，以净值间隔0.5为步长，类推到净值可能到0.8的概率，即产品临界清盘线的概率。一般当概率值超过20%时，系统需要发出警示，及时提示管理者是否要通过降低仓位等手段来降低风险。

以下是一个净值风险监控的模拟案例：假设最初2015年1月30日在铜的主力合约上建立一个空头头寸，建仓价位为39090元/吨，手数8手，总资金为100万元，初始保证金占比15.7%，截至2015年3月24日，仓位保持不动，监测这段时间的净值风险。结果显示，随着仓位的变动，实际净值在跌破0.95、0.9、0.85、0.8之前的几天，通过计算持仓头寸的价格风险，是可以对后市净值表现做出一定的警示，供管理人参考。

表2 净值风险列表

从表2中可以很清晰地看到，随着仓位实际净值的下降，净值接近0.95、0.9、0.85、0.8的概率也在呈现接力式增加，且净值变化趋势与净值可能到达临界水平出现的概率值呈现了很好的负相关关系。在实际净值接近临界数值之前，量化的风控系统都提前及时地揭示这种风险将要发生的可能性很大，并给出了定量的数值，净值风控系统有效地监控了这种风险。

资管产品的风控是一个系统化的工程，在实务中管理人还会碰到自主管理产品与通道产品风控制度的差异，虽然很难总结出一套完美的体系架构，但将量化技术全面引入到风控的全流程中对产品的稳健运行具有十分积极的意义。

此外，在我们最为熟悉的程序化交易领域，管理人面对的风险不仅是目前所持仓位继续持有一段时间可能带来的风险，更主要的是程序化交易继续运行一段时间可能带来的风险。对此，收盘后用蒙特卡洛模拟的方法估计继续交易一天可能带来的风险，就算没有持仓，但模型的持续运行仍将带来不确定性，而非仅仅估算已有持仓的影响，这对于目前很多风控系统而言都是全新的挑战，值得深入研究及开发。