李紅玉

(佳縣機關事業(yè)單位和居民社會養(yǎng)老保險經(jīng)辦中心 陜西榆林 719200)

現(xiàn)代金融的發(fā)展速度十分迅猛，如今的金融，早已告別了傳統(tǒng)的貨幣金融時代，已經(jīng)邁入了數(shù)字金融時代。在過去10年的時間里，相比于傳統(tǒng)低速成長的資產(chǎn)如股票、債券、房地產(chǎn)黃金等，數(shù)字資產(chǎn)呈現(xiàn)高速增長態(tài)勢，包括比特幣、對沖基金。對沖基金作為數(shù)字資產(chǎn)，每天都會有大量的交易。全球對沖基金行業(yè)規(guī)模龐大，為包括養(yǎng)老金在內(nèi)的眾多機構提供了優(yōu)秀的投資渠道，通過投資對沖基金，解決了高凈值人群的特殊需求，對沖基金獨特的運行模式也給相關人才提供了更好的用武之處。

1 對沖基金的現(xiàn)狀分析

1.1 對沖基金的概念

對沖基金是一種典型的以營利為目的的金融基金，采用對沖交易手段降低風險，是私募基金的一種，也是投資基金的一種形式。因為對沖基金在危機中的出色表現(xiàn)，2008年金融危機后，我國政府實行積極和較為寬松的貨幣政策，對沖基金的規(guī)模在金融危機后迅速擴大。

1.2 對沖基金的特點

對沖基金的收益有別于傳統(tǒng)資產(chǎn)。傳統(tǒng)的投資策略是利用證券上漲所獲得的差價來獲得收益，而對沖基金綜合運用多種投資策略、充分使用多種金融工具，讓多頭和空頭風險對沖，利用杠桿效應的方法獲得收益。對沖基金可7/24不間斷開展多類型數(shù)字加密資產(chǎn)交易，投資分布于多個交易平臺，可增加及時套利機會，從而為投資者提供更加穩(wěn)健的回酬。

2 對沖基金的發(fā)展趨勢

2.1 我國對沖基金的發(fā)展

我國在 2010 年之前沒有符合對沖基金概念的基金，目前私募證券基金整體數(shù)量不多，包括混合類基金、股票類基金、固定收益類、FOF類及其他類基金。由于存在衍生品少、股指期貨及期權高收費和高進入標準的問題，導致我國的對沖基金在投資上非常單調(diào)，現(xiàn)有的對沖基金策略也只能進行單一的股票投資，因此并未融入國際主流的對沖策略。

目前我國金融衍生品市場正在逐步發(fā)展，補充對沖工具，但總體而言還是存在品種少、市場活躍性不夠高等問題。

2.2 對沖基金對我國經(jīng)濟的影響

對沖基金在全球交易市場都處于活躍狀態(tài)，尤其是金融衍生品市場，一直是證監(jiān)會的重點關注對象。對沖基金入場標準過高，因此對沖基金具有龐大的資金量，加之其在多個金融工具間同時操作、多維度的交易來影響市場交易傾向，可以主動操縱市場，從而引發(fā)市場甚至經(jīng)濟體系的非理性波動。

尤其在2020年，我國結束了股市只能做多不能做空的歷史，因此對資金規(guī)模大、杠桿高的對沖基金進行監(jiān)測具有重要的經(jīng)濟意義。

3 基于大數(shù)據(jù)的對沖基金的監(jiān)測措施

《資管新規(guī)》的實施會導致各機構在對沖基金的投資風險方面不得不更加嚴謹。如果對沖基金市場依舊波動較大，將會影響到對沖基金在我國的進一步發(fā)展。因此，包括養(yǎng)老金在內(nèi)的眾多機構紛紛對對沖基金建立監(jiān)測機制。

我國大數(shù)據(jù)化進程開始時間較晚，但隨著大數(shù)據(jù)技術在金融領域的應用，基金信貸產(chǎn)品不斷更新迭代，能夠實時自動捕捉市場信息并發(fā)掘具有高增值空間的數(shù)字資產(chǎn)，讓投資行為更智能、更高效。對沖基金的風險敞口是因為使用衍生工具，衍生工具少卻為對沖基金的監(jiān)測提供了便利，故可以基于大數(shù)據(jù)技術將衍生產(chǎn)品的風險參數(shù)加入對沖基金的風險預測數(shù)據(jù)庫中，通過建模分析，更加準確地發(fā)現(xiàn)對沖基金的潛在風險，并及時采取防治措施。

3.1 構建基于大數(shù)據(jù)的對沖基金風險監(jiān)測方法

對沖基金每天都會有大量交易，產(chǎn)生大量的數(shù)據(jù)。大數(shù)據(jù)的核心問題是數(shù)據(jù)問題。對沖基金風險的預測就是對價格趨勢的預測，具體包括股票價格預測、指數(shù)預測、外匯價格預測、大宗商品價格預測、債券價格預測、波動率預測、加密貨幣價格預測。對沖基金的目標是最大化回報，對沖基金獲得最大化回報最具挑戰(zhàn)性和令人興奮的任務之一便是：預測未來對沖基金是上漲還是下跌。

價格趨勢預測是一個分類問題，即預測價格將以何種方式變化。針對分類問題，首選深度學習神經(jīng)網(wǎng)絡模型解決。

時間序列數(shù)據(jù)是一系列按時間順序排列的數(shù)據(jù)點，根據(jù)概念可知，金融數(shù)據(jù)屬于時間序列數(shù)據(jù)，對沖基金的價格數(shù)據(jù)更是典型的時間序列數(shù)據(jù)。深度學習神經(jīng)網(wǎng)絡模型能夠充分學習對沖基金時序數(shù)據(jù)中的前后依賴關系，從而在未來的風險預測中發(fā)揮作用，對沖基金是深度學習應用中具有吸引力的領域之一，也是投資基金的一種形式，業(yè)內(nèi)針對時間序列數(shù)據(jù)的預測已經(jīng)取得了不錯的效果。

在深度學習中，有一種適用于時間序列分析的架構：遞歸神經(jīng)網(wǎng)絡。針對股票、基金等時間序列數(shù)據(jù)的預測，更典型的遞歸神經(jīng)網(wǎng)絡是長短期記憶網(wǎng)絡(LSTM)(見圖1)。

圖1 基于大數(shù)據(jù)技術的對沖基金風險監(jiān)測模型的建立方法流程

以下分小節(jié)對基于大數(shù)據(jù)技術的對沖基金風險監(jiān)測模型建立方法進行闡述。

3.1.1 基于大數(shù)據(jù)建立對沖基金交易數(shù)據(jù)庫

對沖基金交易數(shù)據(jù)庫基于對沖基金交易的歷史數(shù)據(jù)和實時數(shù)據(jù)，這里的歷史數(shù)據(jù)是指過去的時間序列數(shù)據(jù)。這是預測未來價格走向最重要和最有價值的部分。

對沖基金交易數(shù)據(jù)大都來源于大連商品交易所、鄭州商品交易所、上海期貨交易所、外匯、中國金融期貨交易所、上海證券交易所、證券期貨交易所等金融機構。以上金融機構的歷史數(shù)據(jù)有一部分是公開的，但通常情況下，公開的數(shù)據(jù)缺少很多特征，例如數(shù)據(jù)間隔時長太長，會導致對沖基金風險預測監(jiān)測模型不能夠很好地訓練和泛化，使得可用性變低。具有更豐富特征和更小時間間隔的歷史數(shù)據(jù)通常不公開，使用者需要高價從金融機構購買。但隨著大數(shù)據(jù)技術的應用，以上金融機構的歷史數(shù)據(jù)和實時數(shù)據(jù)均可通過baostock模塊下載獲取，也可以通過爬蟲技術自動、快速抓取目標數(shù)據(jù)信息。

baostock模塊和爬蟲技術的數(shù)據(jù)間隔時長可人為設置，baostock模塊和爬蟲技術都可以有效高頻地自動抓取對沖基金交易數(shù)據(jù)，并通過對抓取到的海量數(shù)據(jù)進行識別、度量、計算和分析，將數(shù)據(jù)隱藏的有效信息進行開發(fā)利用，無條件地執(zhí)行捕捉任務，定時豐富對沖基金交易數(shù)據(jù)庫。

理論上來說，如果我們擁有每一個金融衍生品近些年每一納秒的價格數(shù)據(jù)，對下一納秒的價格數(shù)據(jù)的預測就會變得簡單。但是基于數(shù)據(jù)庫的存儲能力和計算機的計算效率，對沖基金交易數(shù)據(jù)庫并不能無限大，具體的抓取時段和數(shù)據(jù)間隔時長需根據(jù)使用的數(shù)據(jù)庫和計算機的數(shù)據(jù)處理能力合理設置。

3.1.2 基于深度學習神經(jīng)網(wǎng)絡建立對沖基金風險預測模塊

本文基于深度學習神經(jīng)網(wǎng)絡建立對沖基金風險預測模塊，對沖基金風險預測模型是關于對沖基金如何使用深度學習神經(jīng)網(wǎng)絡的一個使用方法。

將上一步獲得的對沖基金時間序列數(shù)據(jù)劃分為訓練集和測試集，對測試集中的時間序列數(shù)據(jù)按波形拐點設置上漲、下跌和穩(wěn)定的評價，以此評價作為該段時間內(nèi)數(shù)據(jù)的標簽。

基于LSTM網(wǎng)絡模型建立對沖基金風險預測模型：定義LSTM網(wǎng)絡模型的目標函數(shù)，LSTM網(wǎng)絡模型的激勵函數(shù)輸出為，其中φ表示權重，，Pi-t表示第i只對沖基金時間序列數(shù)據(jù)在t時刻的數(shù)據(jù)，表示第i只對沖基金時間序列數(shù)據(jù)的均值，p表示概率，ε表示判斷系數(shù)。

將訓練集作為LSTM網(wǎng)絡模型的輸入，使用損失函數(shù)smooth-L1進行訓練，求解LSTM網(wǎng)絡模型的最優(yōu)參數(shù)，從而完成LSTM網(wǎng)絡模型的訓練，得到對沖基金風險預測模型。

對比其他網(wǎng)絡模型，LSTM網(wǎng)絡模型能夠從時間序列數(shù)據(jù)中捕捉貢獻度更高的特征向量并進行關聯(lián)建模。

由于tanh激勵函數(shù)、softmax激勵函數(shù)對數(shù)據(jù)的處理側重點不同，因此建立融合分類機制。softmax激勵函數(shù)對中央?yún)^(qū)的信號增益較大，對兩側區(qū)的信號增益小，因此當，對sigmoid激勵函數(shù)賦予較大的權值，以sigmoid激勵函數(shù)為主。tanh激勵函數(shù)具有相對寬闊的興奮邊界，因此當，對tanh激勵函數(shù)賦予較大的權值，以tanh激勵函數(shù)為主，是因為tanh激勵函數(shù)的輸出位于-1到1之間，模型收斂快。因此采用融合分類機制，對不同分類的數(shù)據(jù)采用不同的激勵函數(shù)，提高了數(shù)據(jù)處理的靈活性，減小對沖基金風險預測模型數(shù)據(jù)處理過程中的數(shù)據(jù)缺失，利用深度學習方法讓對沖基金風險預測模型向實際趨勢數(shù)據(jù)“學習”。

采用測試集對對沖基金風險預測模型的預測分類精度進行測試，若測試精度符合要求，則“學習”結束，否則對對沖基金風險預測模型進行迭代訓練。

3.1.3 基于大數(shù)據(jù)建立回測參數(shù)數(shù)據(jù)庫

回測參數(shù)數(shù)據(jù)庫包括多個回測參數(shù)的基準詞和與其對應的近義詞，回測參數(shù)的基準詞包括但不限于回測名稱、回測時間、策略名稱、初始資金、頻率、撮合方式、業(yè)績基準、滑點、交易傭金，和/或限制成交量。在使用時，基于大數(shù)據(jù)技術在后臺抓取用戶的搜索關鍵詞，將高頻出現(xiàn)的搜索關鍵詞加入回測參數(shù)的基準詞。

同時，采用哈爾濱工業(yè)大學社會計算與信息檢索研究中心做出的同義詞詞林擴展版作為同義詞近義詞庫，對回測參數(shù)的基準詞進行擴展與關聯(lián)映射，降低了回測基準詞的編寫難度，提高了回測執(zhí)行的有效性，大大提高了用戶體驗。

3.1.4 執(zhí)行回測任務，生成風險預測報告

根據(jù)輸入的回測參數(shù)，獲取對應的對沖基金的時間序列數(shù)據(jù)，將當前對沖基金的時間序列數(shù)據(jù)輸入對沖基金風險預測模型，對沖基金風險預測模型輸出未來時刻對沖基金的預測時間序列及預測時間序列對應的標簽，即上漲、下跌和穩(wěn)定。預測時間序列及預測時間序列對應的標簽組成風險預測報告。

3.1.5 顯示風險預測報告

基于模糊數(shù)學的綜合評價方法，將定性評價轉化為定量評價，具體方法：建立基于IfThen形式的模糊規(guī)則的模糊規(guī)則庫，將預測時間序列作為模糊規(guī)則庫的輸入，得到模糊輸出量，模糊規(guī)則為：

本文考慮上漲下跌和穩(wěn)定的三分類，在一些研究中，僅考慮上漲和下跌，那么模糊輸出量的輸出即可對應劃分為2分類，即漲或跌。將模糊輸出量顯示出來，以證監(jiān)局、投資機構和用戶直觀清晰的參考為后期的金融決斷提供依據(jù)，使用效果良好，貼近市場需求。

3.2 效果分析

基于大數(shù)據(jù)技術的對沖基金風險監(jiān)測模型的建立，主要作用有兩方面：一方面是投資者可以通過看漲對沖基金獲得更高收益，也可以通過看跌對沖基金進行風險防范，防止市場劇烈下跌帶來的損失，幫助投資者決定基金的傾向是做空還是做多，擇優(yōu)選擇高收益的金融衍生產(chǎn)品進行投資，以達到高于平均收益率的超額投資回報；另一方面是幫助證監(jiān)局監(jiān)測惡意做空，面對監(jiān)測惡意做空監(jiān)管層可以果斷出手間接制止這種行為。

當然，基金市場千變?nèi)f化，尤其是大額資金突然進場或退場等人為因素較多，這種人為因素一定會改變供需關系，所以價格會出現(xiàn)一定的波動，甚至會改變基金走向，造成來回震蕩。因此對沖基金風險監(jiān)測模型的使用具有一定的局限性。

4 結語

綜上所述，以大數(shù)據(jù)分析和人工智能技術為核心，合理運用大數(shù)據(jù)技術對對沖基金的風險進行預測，充分發(fā)揮人工智能技術的信息科技優(yōu)勢，建立包括分析建模、實時監(jiān)測、風險預警的監(jiān)測模型，如果模型對于大量的金融衍生產(chǎn)品的預測都表現(xiàn)得很好，那么它便可以使對沖基金管理者使用大數(shù)據(jù)技術和深度學習算法的監(jiān)測策略來預測未來對沖基金中某一個金融衍生產(chǎn)品的價格，有效增強對沖基金風險管理的及時性和前瞻性，能夠有效保證對沖基金的交易安全，提升金融市場運行效率。