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(dòng)了資管行業(yè)的科技轉(zhuǎn)型。本文從市場(chǎng)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(jī)構(gòu)固定收益投資領(lǐng)域應(yīng)用的理論研究成果和實(shí)踐經(jīng)驗(yàn),并就未來科技在該領(lǐng)域深化應(yīng)用的方向進(jìn)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(jì)算機(jī)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(gè)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(duì)投資研究、組合管理、交易執(zhí)行、風(fēng)險(xiǎn)管理等環(huán)節(jié)產(chǎn)生了深刻影響。各類金融機(jī)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(jìng)爭(zhēng)力。
本研究將從市場(chǎng)分析、信用管理、組合管理等幾個(gè)角度,分析金融科技在資管機(jī)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(shí)踐經(jīng)驗(yàn),旨在為同業(yè)利用科技賦能固定收益投資實(shí)務(wù)提供參考。
市場(chǎng)分析:量化市場(chǎng)情緒
當(dāng)經(jīng)濟(jì)基本面沒有發(fā)生明顯變化時(shí),市場(chǎng)情緒會(huì)階段性地主導(dǎo)行情走勢(shì),此時(shí)對(duì)市場(chǎng)情緒的準(zhǔn)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(chǎng)短期行情,本研究探索如何建立客觀評(píng)價(jià)市場(chǎng)情緒的指標(biāo),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(chǎng)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(jìn)行了一定創(chuàng)新,試圖通過觀察和分析債券市場(chǎng)的交易數(shù)據(jù),提供一個(gè)更加全面、直觀和科學(xué)的市場(chǎng)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(jìn)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(zhǔn)確地反映債券市場(chǎng)的交易情緒,對(duì)投資交易有實(shí)際借鑒意義。
在輸入數(shù)據(jù)上,借助計(jì)算機(jī)的大數(shù)據(jù)處理能力,對(duì)市場(chǎng)每天成交的債券數(shù)據(jù)進(jìn)行分析,并基于對(duì)市場(chǎng)有效性的回測(cè),最終選定基金杠桿率、交易久期、買方直接接受賣方價(jià)格(taken)的成交占比等指標(biāo)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(jī)器學(xué)習(xí)中的主成分分析(PCA)等方法:在對(duì)輸入數(shù)據(jù)進(jìn)行相應(yīng)平滑處理時(shí),通過主成分分析量化方法進(jìn)行整合編制。該方法的優(yōu)勢(shì)在于可以用單一的合成指標(biāo)科學(xué)地描述其成分指標(biāo)的綜合趨勢(shì),也能對(duì)各成分的影響和貢獻(xiàn)進(jìn)行量化和分解。與市場(chǎng)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(jìn)行合成。在計(jì)算頻率上,債市情緒指數(shù)可進(jìn)行日頻計(jì)算,反映市場(chǎng)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(shì);柱狀圖則將單日的指數(shù)值分解為5個(gè)主成分指標(biāo)的貢獻(xiàn);當(dāng)主成分指標(biāo)的變化反映積極的市場(chǎng)情緒時(shí),其貢獻(xiàn)為正值,反之為負(fù)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(dòng)信用評(píng)級(jí)模型和AI風(fēng)險(xiǎn)預(yù)警模型
在固定收益信用研究體系中,信用評(píng)級(jí)是指以企業(yè)基本面研究為主的信用水平判斷。而輿情、價(jià)格等影響因素會(huì)在短期內(nèi)造成企業(yè)信用水平的波動(dòng),當(dāng)積累到一定程度時(shí),會(huì)導(dǎo)致企業(yè)基本面的變化,進(jìn)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(jí)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(chǎng)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(yùn)用、量化分析和人工智能(AI)等手段,提升信用評(píng)級(jí)效率和效果,形成主動(dòng)風(fēng)險(xiǎn)監(jiān)控及預(yù)警能力。
(一)量化信用評(píng)級(jí)
量化信用評(píng)級(jí)是指采用自動(dòng)化模型并基于大數(shù)據(jù)技術(shù)量化入模因子,及時(shí)生成信用評(píng)級(jí)結(jié)果的現(xiàn)代評(píng)級(jí)方式。結(jié)合業(yè)務(wù)經(jīng)驗(yàn),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(píng)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(huì)影響模型效果。除市場(chǎng)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(biāo)轉(zhuǎn)換成標(biāo)準(zhǔn)化指標(biāo),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(chǎng)債券信息,并對(duì)所有數(shù)據(jù)進(jìn)行統(tǒng)一標(biāo)簽化管理。
在構(gòu)建量化模型時(shí),本研究經(jīng)綜合考量,選取評(píng)級(jí)區(qū)分度較高、準(zhǔn)確度經(jīng)過投資實(shí)戰(zhàn)檢驗(yàn)的平安資管內(nèi)部評(píng)級(jí)作為模型學(xué)習(xí)目標(biāo),并輔以國際三大評(píng)級(jí)機(jī)構(gòu)的全球評(píng)級(jí)結(jié)果進(jìn)行校準(zhǔn)。在模型方法選擇上,通過對(duì)比多種建模方法,同時(shí)選擇多元邏輯回歸模型和XGBoost非線性模型1,以達(dá)到優(yōu)勢(shì)互補(bǔ)的目的,在提高準(zhǔn)確度的同時(shí),確保解釋性。經(jīng)過分析師對(duì)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(yàn),不斷的模型訓(xùn)練、參數(shù)調(diào)節(jié),最終形成量化信用評(píng)級(jí)模型。
從模型運(yùn)用效果來看,業(yè)務(wù)部門評(píng)價(jià)其智能程度大體上可以與市場(chǎng)上一個(gè)中等水平分析師的能力相當(dāng)。具體以2014—2019年所有發(fā)債主體的模型評(píng)級(jí)結(jié)果為樣本池進(jìn)行檢驗(yàn),總體呈現(xiàn)以下特點(diǎn):
第一,模型評(píng)級(jí)的區(qū)分度較高。以2019年數(shù)據(jù)為例,評(píng)級(jí)結(jié)果呈現(xiàn)如圖2所示的正態(tài)分布。
第二,模型評(píng)級(jí)的準(zhǔn)確度較高。從2019年年報(bào)數(shù)據(jù)來看,90%以上的發(fā)債主體評(píng)級(jí)與內(nèi)部評(píng)級(jí)差異保持在1級(jí)以內(nèi),二者差異在2級(jí)以內(nèi)的主體占比達(dá)97.6%,高于行業(yè)通常水平。
第三,模型所評(píng)級(jí)別越高,對(duì)應(yīng)發(fā)債主體的級(jí)別穩(wěn)定性越好。AA級(jí)及以上發(fā)債主體的評(píng)級(jí)結(jié)果總體上變動(dòng)較小,而中低評(píng)級(jí)發(fā)債主體的評(píng)級(jí)結(jié)果調(diào)整較為頻繁。
(二)AI風(fēng)險(xiǎn)預(yù)警
為實(shí)現(xiàn)對(duì)企業(yè)信用風(fēng)險(xiǎn)的主動(dòng)管理,本研究從財(cái)務(wù)粉飾、經(jīng)營風(fēng)險(xiǎn)、輿情風(fēng)險(xiǎn)、市場(chǎng)異動(dòng)、關(guān)聯(lián)風(fēng)險(xiǎn)等多個(gè)方面構(gòu)建AI模型以捕捉風(fēng)險(xiǎn)因素,從而及時(shí)監(jiān)控信用風(fēng)險(xiǎn)波動(dòng)情況。運(yùn)用AI模型進(jìn)行風(fēng)險(xiǎn)預(yù)警的最大挑戰(zhàn)之一是樣本稀疏。以財(cái)務(wù)粉飾識(shí)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(jì)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(yàn)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(shí)引入風(fēng)險(xiǎn)評(píng)估領(lǐng)域中常用的極值分布理論對(duì)尾部風(fēng)險(xiǎn)進(jìn)行廣義帕累托分布的擬合,用以捕捉疑似財(cái)務(wù)造假樣本。第二層為深度學(xué)習(xí)泛化,通過機(jī)器學(xué)習(xí)模型對(duì)上一步所得可靠性較高的財(cái)務(wù)造假可疑樣本進(jìn)行泛化學(xué)習(xí),找到與之類似但無法通過簡(jiǎn)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(biāo),拼出完整的造假證據(jù)鏈,對(duì)財(cái)務(wù)造假情形實(shí)現(xiàn)精準(zhǔn)預(yù)警。
另外,為了讓模型能識(shí)別“重大信用風(fēng)險(xiǎn)的征兆”而非僅識(shí)別“近在眼前的違約”,在AI風(fēng)險(xiǎn)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(píng)級(jí)下調(diào)、列入評(píng)級(jí)觀察名單、內(nèi)部評(píng)級(jí)下調(diào)、異常成交等多種信用風(fēng)險(xiǎn)事件共同納入模型的學(xué)習(xí)目標(biāo),使模型不僅能夠識(shí)別違約事件,也能盡早提前識(shí)別企業(yè)信用風(fēng)險(xiǎn)暴露的征兆。與傳統(tǒng)的評(píng)級(jí)模型相比,預(yù)警更強(qiáng)調(diào)捕捉信用風(fēng)險(xiǎn)的動(dòng)態(tài)變化,因此在平安資管“風(fēng)險(xiǎn)預(yù)警等級(jí)”五級(jí)分類2這一輸出形式的基礎(chǔ)上,引入了“風(fēng)險(xiǎn)趨勢(shì)”的概念,用以描述預(yù)警模型領(lǐng)先于市場(chǎng)普遍認(rèn)知(來自外部評(píng)級(jí)、公允估值等信息源)的風(fēng)險(xiǎn)變動(dòng)預(yù)判。簡(jiǎn)單地說,本研究希望通過風(fēng)險(xiǎn)預(yù)警模型助力投資者在瞬息萬變的資本市場(chǎng)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(jì)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(yùn)動(dòng)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(jìn)一步提出了資本資產(chǎn)定價(jià)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(chǎng)人士加入對(duì)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(qiáng)大計(jì)算能力的要求更是令人望而卻步。借助金融科技力量進(jìn)行個(gè)債的因子拆解處理,組合的優(yōu)化管理才有辦法得以實(shí)施。
(一)因子構(gòu)建
結(jié)合投資實(shí)踐需要,本研究著手對(duì)各類資產(chǎn)進(jìn)行因子拆解,建立了多因子體系。其中,對(duì)個(gè)債因子的拆解采用以利率久期(細(xì)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(duì)中國市場(chǎng)的回測(cè)研究中,這套因子對(duì)過去一段時(shí)間組合投資收益的解釋性非常好,在不同的市場(chǎng)狀態(tài)下均能表現(xiàn)穩(wěn)定。
對(duì)于利率久期收益因子,選取整條國債收益率曲線上的幾個(gè)關(guān)鍵期限點(diǎn),通過關(guān)鍵期限點(diǎn)收益率的變化即可解釋絕大多數(shù)國債價(jià)格的變化。
對(duì)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(jìn)一步拆解為信用主體所在領(lǐng)域(可以按行業(yè)、信用等級(jí)等劃分)的總體變化及其個(gè)體變化。
對(duì)于套息收益因子,將持有債券的靜態(tài)利息收益進(jìn)一步細(xì)分為對(duì)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(duì)國債利差的套息(OAS carry)。債券的剩余期限在持有期會(huì)越來越短,在收益率曲線上將逐漸向左移動(dòng),而正常的收益率曲線一般向右上方傾斜,還會(huì)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(gè)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(biāo)優(yōu)化算法,可以在給定多個(gè)投資目標(biāo)和受到多個(gè)投資限制時(shí),基于多因子體系給出多個(gè)帕累托最優(yōu)前沿上可投資產(chǎn)權(quán)重配置的結(jié)果,實(shí)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(chǎng)的交易規(guī)則慣例,如銀行間市場(chǎng)債券的最小交易面值為1000萬元、新老券的流動(dòng)性差異等,使得優(yōu)化的結(jié)果具備相當(dāng)高的實(shí)操性。在此基礎(chǔ)上,本研究進(jìn)一步推出了組合管理平臺(tái)。該平臺(tái)能夠根據(jù)投資目標(biāo)的變化,為投資經(jīng)理在管理被動(dòng)組合、主動(dòng)組合、貨幣產(chǎn)品等固定收益產(chǎn)品時(shí)提供投資建議。
當(dāng)管理被動(dòng)組合時(shí),投資目標(biāo)往往是使組合的投資收益盡量與作為業(yè)績(jī)基準(zhǔn)的指數(shù)收益保持一致。組合管理平臺(tái)計(jì)算出指數(shù)在各因子上的風(fēng)險(xiǎn)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(dāng)管理主動(dòng)組合時(shí),投資目標(biāo)就有多種可能,如達(dá)到一個(gè)絕對(duì)收益水平、超越指數(shù)基準(zhǔn)等。組合管理平臺(tái)在將投資經(jīng)理對(duì)市場(chǎng)的預(yù)期觀點(diǎn)(如對(duì)無風(fēng)險(xiǎn)收益率、信用利差走勢(shì)的判斷)反映到資產(chǎn)配置的過程中,借助多目標(biāo)優(yōu)化為投資經(jīng)理提供風(fēng)險(xiǎn)收益曲線上的有效前沿選擇,從而構(gòu)建風(fēng)險(xiǎn)收益更均衡的投資組合。
對(duì)于一個(gè)貨幣產(chǎn)品,投資經(jīng)理必須在收益與流動(dòng)性之間進(jìn)行權(quán)衡。通過對(duì)個(gè)債流動(dòng)性成本的計(jì)算,組合管理平臺(tái)可以幫助投資經(jīng)理在滿足組合流動(dòng)性目標(biāo)的同時(shí),優(yōu)化得到收益更高的資產(chǎn)配置方案。
市場(chǎng)每天都在變化,投資是一個(gè)動(dòng)態(tài)的過程,組合管理平臺(tái)也提供了客觀準(zhǔn)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(diǎn)為組合帶來的收益情況。當(dāng)投資經(jīng)理更新預(yù)期觀點(diǎn)后,通過多因子模型重新進(jìn)行多目標(biāo)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(xiǎn)管理
資管新規(guī)實(shí)施以來,各類固定收益產(chǎn)品均在進(jìn)行凈值化轉(zhuǎn)型,如何降低組合波動(dòng)率、控制收益的最大回撤率成為整個(gè)資管行業(yè)的痛點(diǎn)。
由于債券資產(chǎn)間的歷史協(xié)方差矩陣無法捕捉波動(dòng)性趨勢(shì)的變化,固定收益多因子模型引入歷史波動(dòng)率(Historical Vol)、隨機(jī)波動(dòng)率(Stochastic Vol)、波動(dòng)率的波動(dòng)率(Vol of Vol)等統(tǒng)計(jì)指標(biāo),通過計(jì)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(xiǎn)暴露權(quán)重,及時(shí)反映市場(chǎng)波動(dòng)性的趨勢(shì)性變化。而且當(dāng)計(jì)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(zhǔn)確地預(yù)估組合的波動(dòng)率,幫助投資經(jīng)理更好地控制組合收益的回撤率。這些對(duì)于投資決策及風(fēng)險(xiǎn)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(cè)試場(chǎng)景下的組合收益率變化,是對(duì)波動(dòng)率及VaR等風(fēng)險(xiǎn)度量的補(bǔ)充,主要防范回報(bào)分布的“肥尾效應(yīng)”。在多因子傳導(dǎo)的壓力測(cè)試中, 通過對(duì)關(guān)鍵因子施壓并納入因子的相關(guān)關(guān)系進(jìn)行風(fēng)險(xiǎn)傳導(dǎo),計(jì)算其他因子被動(dòng)變化后的收益,從而得到對(duì)投資組合整體的沖擊,模型結(jié)果更貼近現(xiàn)實(shí)且具有前瞻性。
未來展望
從長遠(yuǎn)角度看,大數(shù)據(jù)、計(jì)算機(jī)算法和AI等技術(shù)在固定收益投資領(lǐng)域所能提供的價(jià)值遠(yuǎn)非上述所列幾項(xiàng),其在債券流動(dòng)性成本及溢價(jià)預(yù)估、市場(chǎng)精準(zhǔn)化定價(jià)、多資產(chǎn)組合精細(xì)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(shí)務(wù)有效融合,將是金融機(jī)構(gòu)打造在固定收益投資領(lǐng)域核心競(jìng)爭(zhēng)力的關(guān)鍵所在,同時(shí)也是解決我國固定收益市場(chǎng)流動(dòng)性問題以及提升市場(chǎng)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(zhǔn)確度不足;XGBoost非線性模型的準(zhǔn)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(xiǎn)預(yù)警等級(jí)”五級(jí)分類是指根據(jù)信用風(fēng)險(xiǎn)程度將企業(yè)劃分為高風(fēng)險(xiǎn)、中高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、中低風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)五個(gè)等級(jí)。
3.信用債價(jià)格除受無風(fēng)險(xiǎn)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(tuán)隊(duì)
平安資產(chǎn)管理創(chuàng)新規(guī)劃團(tuán)隊(duì)
責(zé)任編輯:孫惠玲? 印穎
參考文獻(xiàn)
[1] 陳秀梅.我國債券市場(chǎng)信用風(fēng)險(xiǎn)管理的現(xiàn)狀及對(duì)策建議[J].宏觀經(jīng)濟(jì)研究,2012(2).
[2] 溫彬,張友先,汪川.國際債券市場(chǎng)的發(fā)展經(jīng)驗(yàn)及對(duì)我國的啟示[J].上海金融,2010(9).