張浩 張驊 邢雯 喻泉
摘要:金融科技在固定收益投資領(lǐng)域的應(yīng)用推動了資管行業(yè)的科技轉(zhuǎn)型。本文從市場分析、信用管理、組合管理等角度,總結(jié)了金融科技在資管機構(gòu)固定收益投資領(lǐng)域應(yīng)用的理論研究成果和實踐經(jīng)驗,并就未來科技在該領(lǐng)域深化應(yīng)用的方向進行了展望。
關(guān)鍵詞:固定收益投資? 金融科技? 信用管理? 組合管理
以計算機算法、大數(shù)據(jù)分析等為代表的前沿技術(shù)迅速滲透到金融行業(yè)的各個領(lǐng)域。在固定收益投資領(lǐng)域,金融科技的應(yīng)用雖然起步較晚,但是已經(jīng)對投資研究、組合管理、交易執(zhí)行、風(fēng)險管理等環(huán)節(jié)產(chǎn)生了深刻影響。各類金融機構(gòu)積極探索數(shù)字化轉(zhuǎn)型,紛紛推出金融科技應(yīng)用成果,以打造在固定收益投資領(lǐng)域的核心競爭力。
本研究將從市場分析、信用管理、組合管理等幾個角度,分析金融科技在資管機構(gòu)固定收益投資領(lǐng)域的應(yīng)用情況,嘗試提煉和總結(jié)其中的理論研究成果和實踐經(jīng)驗,旨在為同業(yè)利用科技賦能固定收益投資實務(wù)提供參考。
市場分析:量化市場情緒
當經(jīng)濟基本面沒有發(fā)生明顯變化時,市場情緒會階段性地主導(dǎo)行情走勢,此時對市場情緒的準確判斷顯得尤為關(guān)鍵。為幫助投資經(jīng)理更好地判斷市場短期行情,本研究探索如何建立客觀評價市場情緒的指標,利用基金公司及產(chǎn)品的相關(guān)數(shù)據(jù)綜合編制債市情緒指數(shù)。與傳統(tǒng)的交易員口頭傳遞債券市場交易情緒相比,該指數(shù)在切入角度、輸入數(shù)據(jù)以及處理方法上均進行了一定創(chuàng)新,試圖通過觀察和分析債券市場的交易數(shù)據(jù),提供一個更加全面、直觀和科學(xué)的市場情緒指數(shù)。
在切入角度上,債市情緒指數(shù)基于基金公司及其產(chǎn)品的交易數(shù)據(jù)進行編制。這是考慮到基金公司及其產(chǎn)品是債券交易的主要活躍參與方,其交易行為能夠比較客觀、準確地反映債券市場的交易情緒,對投資交易有實際借鑒意義。
在輸入數(shù)據(jù)上,借助計算機的大數(shù)據(jù)處理能力,對市場每天成交的債券數(shù)據(jù)進行分析,并基于對市場有效性的回測,最終選定基金杠桿率、交易久期、買方直接接受賣方價格(taken)的成交占比等指標用于合成債市情緒指數(shù)。
在處理方法上,債市情緒指數(shù)的合成方法主要采用機器學(xué)習(xí)中的主成分分析(PCA)等方法:在對輸入數(shù)據(jù)進行相應(yīng)平滑處理時,通過主成分分析量化方法進行整合編制。該方法的優(yōu)勢在于可以用單一的合成指標科學(xué)地描述其成分指標的綜合趨勢,也能對各成分的影響和貢獻進行量化和分解。與市場上較為常見的基于單維數(shù)據(jù)的研究方法相比,債市情緒指數(shù)從投資交易的視角出發(fā),選取了投資經(jīng)理和交易員關(guān)注的多維度數(shù)據(jù)進行合成。在計算頻率上,債市情緒指數(shù)可進行日頻計算,反映市場每日的情緒變化。
圖1展示了該指數(shù)的應(yīng)用效果。其中,綠色折線代表債市情緒指數(shù)自2020年10月以來的走勢;柱狀圖則將單日的指數(shù)值分解為5個主成分指標的貢獻;當主成分指標的變化反映積極的市場情緒時,其貢獻為正值,反之為負值。2020年11月,受某大型煤炭企業(yè)違約事件影響,債市情緒一度非常悲觀,在11月19日觸底后逐漸恢復(fù)。
信用管理:構(gòu)建自動信用評級模型和AI風(fēng)險預(yù)警模型
在固定收益信用研究體系中,信用評級是指以企業(yè)基本面研究為主的信用水平判斷。而輿情、價格等影響因素會在短期內(nèi)造成企業(yè)信用水平的波動,當積累到一定程度時,會導(dǎo)致企業(yè)基本面的變化,進而影響企業(yè)的信用資質(zhì)。但隨著信息數(shù)據(jù)呈指數(shù)級增長、發(fā)債企業(yè)數(shù)量不斷增加、違約情況逐漸復(fù)雜化,傳統(tǒng)的人工分析難以覆蓋每天全市場5000余家發(fā)債主體的信用情況,因此亟須借助大數(shù)據(jù)運用、量化分析和人工智能(AI)等手段,提升信用評級效率和效果,形成主動風(fēng)險監(jiān)控及預(yù)警能力。
(一)量化信用評級
量化信用評級是指采用自動化模型并基于大數(shù)據(jù)技術(shù)量化入模因子,及時生成信用評級結(jié)果的現(xiàn)代評級方式。結(jié)合業(yè)務(wù)經(jīng)驗,本研究充分挖掘數(shù)據(jù)與模型的效用,構(gòu)建了量化信評模型。
企業(yè)數(shù)據(jù)作為模型分析的基礎(chǔ),其廣度、深度和精度均會影響模型效果。除市場公開數(shù)據(jù)、行業(yè)特色數(shù)據(jù)外,本研究還通過非結(jié)構(gòu)化數(shù)據(jù)解析、自然語言處理(NLP)解析及特征提取等技術(shù)手段,將傳統(tǒng)意義上難以入模的非定量指標轉(zhuǎn)換成標準化指標,可持續(xù)獲取非常規(guī)數(shù)據(jù)。本研究所獲取的數(shù)據(jù)涵蓋20萬余條市場債券信息,并對所有數(shù)據(jù)進行統(tǒng)一標簽化管理。
在構(gòu)建量化模型時,本研究經(jīng)綜合考量,選取評級區(qū)分度較高、準確度經(jīng)過投資實戰(zhàn)檢驗的平安資管內(nèi)部評級作為模型學(xué)習(xí)目標,并輔以國際三大評級機構(gòu)的全球評級結(jié)果進行校準。在模型方法選擇上,通過對比多種建模方法,同時選擇多元邏輯回歸模型和XGBoost非線性模型1,以達到優(yōu)勢互補的目的,在提高準確度的同時,確保解釋性。經(jīng)過分析師對模型因子的業(yè)務(wù)含義檢查,模型結(jié)果與人工結(jié)果的交叉校驗,不斷的模型訓(xùn)練、參數(shù)調(diào)節(jié),最終形成量化信用評級模型。
從模型運用效果來看,業(yè)務(wù)部門評價其智能程度大體上可以與市場上一個中等水平分析師的能力相當。具體以2014—2019年所有發(fā)債主體的模型評級結(jié)果為樣本池進行檢驗,總體呈現(xiàn)以下特點:
第一,模型評級的區(qū)分度較高。以2019年數(shù)據(jù)為例,評級結(jié)果呈現(xiàn)如圖2所示的正態(tài)分布。
第二,模型評級的準確度較高。從2019年年報數(shù)據(jù)來看,90%以上的發(fā)債主體評級與內(nèi)部評級差異保持在1級以內(nèi),二者差異在2級以內(nèi)的主體占比達97.6%,高于行業(yè)通常水平。
第三,模型所評級別越高,對應(yīng)發(fā)債主體的級別穩(wěn)定性越好。AA級及以上發(fā)債主體的評級結(jié)果總體上變動較小,而中低評級發(fā)債主體的評級結(jié)果調(diào)整較為頻繁。
(二)AI風(fēng)險預(yù)警
為實現(xiàn)對企業(yè)信用風(fēng)險的主動管理,本研究從財務(wù)粉飾、經(jīng)營風(fēng)險、輿情風(fēng)險、市場異動、關(guān)聯(lián)風(fēng)險等多個方面構(gòu)建AI模型以捕捉風(fēng)險因素,從而及時監(jiān)控信用風(fēng)險波動情況。運用AI模型進行風(fēng)險預(yù)警的最大挑戰(zhàn)之一是樣本稀疏。以財務(wù)粉飾識別為例,一般常被用來作為研究樣本的曾受過監(jiān)管部門處罰的企業(yè)只有百余家。因此本研究采用兩層因子設(shè)計來解決樣本稀疏的問題。第一層為業(yè)務(wù)規(guī)則沉淀,基于專家經(jīng)驗和規(guī)則判斷,獲取精度較高但覆蓋率較低的造假樣本,同時引入風(fēng)險評估領(lǐng)域中常用的極值分布理論對尾部風(fēng)險進行廣義帕累托分布的擬合,用以捕捉疑似財務(wù)造假樣本。第二層為深度學(xué)習(xí)泛化,通過機器學(xué)習(xí)模型對上一步所得可靠性較高的財務(wù)造假可疑樣本進行泛化學(xué)習(xí),找到與之類似但無法通過簡單業(yè)務(wù)規(guī)則直接抓取的疑似造假樣本,再通過非結(jié)構(gòu)化的輔助指標,拼出完整的造假證據(jù)鏈,對財務(wù)造假情形實現(xiàn)精準預(yù)警。
另外,為了讓模型能識別“重大信用風(fēng)險的征兆”而非僅識別“近在眼前的違約”,在AI風(fēng)險預(yù)警模型的主模型層面,借鑒遷移學(xué)習(xí)的方法,將外部評級下調(diào)、列入評級觀察名單、內(nèi)部評級下調(diào)、異常成交等多種信用風(fēng)險事件共同納入模型的學(xué)習(xí)目標,使模型不僅能夠識別違約事件,也能盡早提前識別企業(yè)信用風(fēng)險暴露的征兆。與傳統(tǒng)的評級模型相比,預(yù)警更強調(diào)捕捉信用風(fēng)險的動態(tài)變化,因此在平安資管“風(fēng)險預(yù)警等級”五級分類2這一輸出形式的基礎(chǔ)上,引入了“風(fēng)險趨勢”的概念,用以描述預(yù)警模型領(lǐng)先于市場普遍認知(來自外部評級、公允估值等信息源)的風(fēng)險變動預(yù)判。簡單地說,本研究希望通過風(fēng)險預(yù)警模型助力投資者在瞬息萬變的資本市場中能最具前瞻性。
組合管理:構(gòu)建固定收益多因子體系
現(xiàn)代證券投資組合理論是美國經(jīng)濟學(xué)教授哈里·馬科維茨最早提出的,通過將概率論和線性代數(shù)的方法應(yīng)用于證券投資組合研究,探討了不同類別、運動方向各異的證券間的內(nèi)在相關(guān)性。威廉·夏普在其理論基礎(chǔ)上進一步提出了資本資產(chǎn)定價模型(CAPM),這是因子投資模型的雛形。隨后眾多的學(xué)術(shù)和市場人士加入對因子投資的研究。在固定收益投資領(lǐng)域,由于底層資產(chǎn)更為復(fù)雜,其中的因子模型開發(fā)較權(quán)益投資領(lǐng)域更為困難,強大計算能力的要求更是令人望而卻步。借助金融科技力量進行個債的因子拆解處理,組合的優(yōu)化管理才有辦法得以實施。
(一)因子構(gòu)建
結(jié)合投資實踐需要,本研究著手對各類資產(chǎn)進行因子拆解,建立了多因子體系。其中,對個債因子的拆解采用以利率久期(細化到短端、中端及長端)收益因子、利差調(diào)整久期收益因子、套息收益因子為主要部分的固定收益多因子模型,以此輔助投資經(jīng)理管理固定收益投資組合。在針對中國市場的回測研究中,這套因子對過去一段時間組合投資收益的解釋性非常好,在不同的市場狀態(tài)下均能表現(xiàn)穩(wěn)定。
對于利率久期收益因子,選取整條國債收益率曲線上的幾個關(guān)鍵期限點,通過關(guān)鍵期限點收益率的變化即可解釋絕大多數(shù)國債價格的變化。
對于利差調(diào)整久期收益因子,將信用債與同期限國債的信用利差變化3進一步拆解為信用主體所在領(lǐng)域(可以按行業(yè)、信用等級等劃分)的總體變化及其個體變化。
對于套息收益因子,將持有債券的靜態(tài)利息收益進一步細分為對應(yīng)回購融資成本的套息(base rate carry)、相同久期國債收益率的套息(duration equivalent carry)以及期權(quán)調(diào)整后相對國債利差的套息(OAS carry)。債券的剩余期限在持有期會越來越短,在收益率曲線上將逐漸向左移動,而正常的收益率曲線一般向右上方傾斜,還會存在相應(yīng)的騎乘(rolldown)收益。
(二)組合管理及優(yōu)化
基于以上覆蓋固定收益類資產(chǎn)的底層因子框架,投資經(jīng)理在構(gòu)建一個組合和后續(xù)的調(diào)倉優(yōu)化過程中,即可以使用組合管理中的優(yōu)化算法,更科學(xué)地選擇資產(chǎn)和配置投資權(quán)重。
本研究開發(fā)了一套借鑒AI算法的創(chuàng)新型多目標優(yōu)化算法,可以在給定多個投資目標和受到多個投資限制時,基于多因子體系給出多個帕累托最優(yōu)前沿上可投資產(chǎn)權(quán)重配置的結(jié)果,實現(xiàn)在因子層面的最優(yōu)化。這套算法充分考慮了中國債券市場的交易規(guī)則慣例,如銀行間市場債券的最小交易面值為1000萬元、新老券的流動性差異等,使得優(yōu)化的結(jié)果具備相當高的實操性。在此基礎(chǔ)上,本研究進一步推出了組合管理平臺。該平臺能夠根據(jù)投資目標的變化,為投資經(jīng)理在管理被動組合、主動組合、貨幣產(chǎn)品等固定收益產(chǎn)品時提供投資建議。
當管理被動組合時,投資目標往往是使組合的投資收益盡量與作為業(yè)績基準的指數(shù)收益保持一致。組合管理平臺計算出指數(shù)在各因子上的風(fēng)險暴露權(quán)重后,通過算法優(yōu)選出一些跟蹤誤差最小的投資組合,從而使得投資經(jīng)理構(gòu)建組合的過程變得更客觀和輕松。
當管理主動組合時,投資目標就有多種可能,如達到一個絕對收益水平、超越指數(shù)基準等。組合管理平臺在將投資經(jīng)理對市場的預(yù)期觀點(如對無風(fēng)險收益率、信用利差走勢的判斷)反映到資產(chǎn)配置的過程中,借助多目標優(yōu)化為投資經(jīng)理提供風(fēng)險收益曲線上的有效前沿選擇,從而構(gòu)建風(fēng)險收益更均衡的投資組合。
對于一個貨幣產(chǎn)品,投資經(jīng)理必須在收益與流動性之間進行權(quán)衡。通過對個債流動性成本的計算,組合管理平臺可以幫助投資經(jīng)理在滿足組合流動性目標的同時,優(yōu)化得到收益更高的資產(chǎn)配置方案。
市場每天都在變化,投資是一個動態(tài)的過程,組合管理平臺也提供了客觀準確的回溯歸因,直觀展示組合收益在各因子上的分解情況,方便投資經(jīng)理持續(xù)了解自己的預(yù)期觀點為組合帶來的收益情況。當投資經(jīng)理更新預(yù)期觀點后,通過多因子模型重新進行多目標優(yōu)化,即可為投資經(jīng)理提供優(yōu)化組合的建議,以便作出調(diào)倉決策。
(三)組合風(fēng)險管理
資管新規(guī)實施以來,各類固定收益產(chǎn)品均在進行凈值化轉(zhuǎn)型,如何降低組合波動率、控制收益的最大回撤率成為整個資管行業(yè)的痛點。
由于債券資產(chǎn)間的歷史協(xié)方差矩陣無法捕捉波動性趨勢的變化,固定收益多因子模型引入歷史波動率(Historical Vol)、隨機波動率(Stochastic Vol)、波動率的波動率(Vol of Vol)等統(tǒng)計指標,通過計算各因子間的前瞻性方差協(xié)方差矩陣和投資組合在各因子上的風(fēng)險暴露權(quán)重,及時反映市場波動性的趨勢性變化。而且當計算好各因子間方差的協(xié)方差后,可以將模型系統(tǒng)地應(yīng)用到各種投資組合中,以更準確地預(yù)估組合的波動率,幫助投資經(jīng)理更好地控制組合收益的回撤率。這些對于投資決策及風(fēng)險管理均具有指導(dǎo)意義。
固定收益多因子模型同樣也能更好地刻畫壓力測試場景下的組合收益率變化,是對波動率及VaR等風(fēng)險度量的補充,主要防范回報分布的“肥尾效應(yīng)”。在多因子傳導(dǎo)的壓力測試中, 通過對關(guān)鍵因子施壓并納入因子的相關(guān)關(guān)系進行風(fēng)險傳導(dǎo),計算其他因子被動變化后的收益,從而得到對投資組合整體的沖擊,模型結(jié)果更貼近現(xiàn)實且具有前瞻性。
未來展望
從長遠角度看,大數(shù)據(jù)、計算機算法和AI等技術(shù)在固定收益投資領(lǐng)域所能提供的價值遠非上述所列幾項,其在債券流動性成本及溢價預(yù)估、市場精準化定價、多資產(chǎn)組合精細化分析支持等方面仍有很大的應(yīng)用空間。
隨著金融科技的蓬勃發(fā)展,如何使其與固定收益投資實務(wù)有效融合,將是金融機構(gòu)打造在固定收益投資領(lǐng)域核心競爭力的關(guān)鍵所在,同時也是解決我國固定收益市場流動性問題以及提升市場有效性的重要抓手。
注:
1.多元邏輯回歸模型的解釋性好,更接近人的思維,但準確度不足;XGBoost非線性模型的準確度高,能處理更高維的數(shù)據(jù),但解釋性較差。
2.平安資管“風(fēng)險預(yù)警等級”五級分類是指根據(jù)信用風(fēng)險程度將企業(yè)劃分為高風(fēng)險、中高風(fēng)險、中風(fēng)險、中低風(fēng)險、低風(fēng)險五個等級。
3.信用債價格除受無風(fēng)險收益率的影響外,還受預(yù)期違約率的影響,體現(xiàn)在與同期限國債的信用利差變化上。
作者單位:平安資產(chǎn)管理金融工程團隊
平安資產(chǎn)管理創(chuàng)新規(guī)劃團隊
責(zé)任編輯:孫惠玲? 印穎
參考文獻
[1] 陳秀梅.我國債券市場信用風(fēng)險管理的現(xiàn)狀及對策建議[J].宏觀經(jīng)濟研究,2012(2).
[2] 溫彬,張友先,汪川.國際債券市場的發(fā)展經(jīng)驗及對我國的啟示[J].上海金融,2010(9).