投资风险控制探讨

作者: admin 分类: 理财 发布时间: 2020-09-07 04:18

  文/恒生网络张吉元

  小探说□◇□:有投资,就伴随着投资风险。投资风险是指对未来投资收益的不确定性,在投资中可能会遭受收益损失甚至本金损失的风险。因此▽…▲,在投资中采取各种措施减小风险事件发生的可能性◆▽▷…,或者把可能发生的风险控制在一定范围内是非常重要的。

  小探侦查:分散风险是有效的风险控制的方法之一。从单纯的股权类投资来讲,利用行业划分制定合理的投资策略能帮助我们有效分散风险。

  1行业分散

  根据美国摩根斯丹利公司(MSCI)和标准普尔(S&★▽☆■;P)于1999年8月联手推出了全球行业分类系统GICS▷◇,将全球市场区分为10个行业板块★▷-,分别是能源,
材料, 工业◆◇◆•, 非必需消费品, 必需消费品□=-, 医疗健康, 金融, 信息科技△-=, 通信服务▪◆■•,和通用设备▽◁•。

  下图为1962年至2014年美国各行业板块年平均收益波动情况●▪,同时结合销售水平增长情况及利润增长情况分析。通用设备板块,必需消费品板块和医疗健康板块波动幅度最小(图中标记为绿色)-▲。美国股市自1962年至2014年以来市场年平均波动率为17□☆★.3%,其中只有两个板块的波动幅度小于市场平均波动浮动▼▼◁=,如果将资金全部投资某一行业●◁◁▽,后果将不堪设想。这充分反映了分散风险的重要性•-。如果整个市场各行业之间的相关性水平更低◁▷▲△,这个现象会更加明显。

  


 

  2证券分散

  数据研究发现•▽,一个股票池组合中约需要80只股票才能降低并控制非系统性风险的发生。但是单纯地往股票池中增加股票并不能很好地消除非系统性风险。如何获得最小波动下的收益最大的投资组合?利用行业波动性和相关性分析=◆▲,计算股票池中各行业配比的最佳权重来制定一个长期投资策略,[股票000503]_去年净值型银行理财产品“井喷” 刊行数目环比增添,从而获得很好的收益★•。这个方法看似简单,并且也适用于不同金融工具组合而成的组合资产☆▲•◆,然而这个方法操作起来非常繁琐,尤其是当组合中的金融资产数目增加•△▲。我们以一个股票池中三个股票为例▽•☆,得到最佳的股票池组合含10%股票A77.6%股票B和12△□.4%股票C。虽然股票池组合中只有三只股票•◆□,但是整个分析过程却仍然很繁琐-■△,我们需要知道三个股票各自的均值和方差•-▷◆,获得相关性矩阵,计算在不同权重的情况下组合的收益和风险情况▽=■。

  很多时候我们创建的股票池收益率并不可观,无法超过基准指标,例如Russell
3000(成份指数股股数3000家,包含了美国3,000家最大市值的公司股票,以加权平均的方法来定的指数)。一直到20世纪90年代,美国许多基金公司的投资经理仍然在使用“被动”策略方法,根据基准指标内的各行业权重来安排创建股票池。具体操作方法是:1)选定合适的基准指标;2)根据基准指标各行业权重占比▪▲,分配各行业的投资资金份额;3)从各行业中挑选若干优质股票构建最佳股票池组合。比如投资者对于成长性小盘股有偏好▷=◁▪,美国的IWO基准指标(iShares
Russell 2000 Growth ETF)是成长性小盘股很好的参照指标=…。下图为2013年与2015年IWO基准指标中各行业的权重情况。

  


 

  对于“复制”基准指标的资产组合,投资经理们一般利用跟踪误差(Tracking
Error)来评估和控制组合资产的风险。所谓跟踪误差,指的就是指数基金的收益率与标的指数收益率之间的偏差=•▽,揭示基金收益波动特征。跟踪误差越小,基金经理的管理能力越强。国内至今仍然有许多基金公司采用跟踪误差来评估组合资产的收益与风险的情况,运用跟踪误差指标进行风险评估和控制,比如2015年一号招商优质成长股票型证券投资基金(LOF)。

  探长视点一:随着一些追求阿尔法收益的基金出现,人们开始关注组合资产可能承受的最大损失。逐渐的▪◇●,许多用于分析资产组合的风险模型也随之演变发展而来☆◆■。

  20世纪90年代后期,美国出现了一些追求阿尔法收益(相对于基准指标收益情况,获得超额收益)的基金投资经理☆■◇▷,运用专业技能,积极管理基金,目的是超过指数基金的收益◆◁。在风控角度上△=☆,人们也开始关注组合资产可能会承受的最大损失◆▼◁。逐渐地,人们从运用跟踪基准指标误差(tracking
error)到采用BVaR(Benchmark VaR)和ES(expected
shortfall)来进行风险评估和控制。许多用于分析资产组合的风险模型也随之演变发展而来。

  风险价值模型VaR(Value at
Risk),是用于评估资产组合在未来特定时期内最大的损失,度量市场风险。该模型能计算由多个金融工具组成的投资组合风险,这是传统金融风险管理所不能做到的。如果执行严格的VaR管理,一些金融交易的重大亏损也许就可以完全避免◆★●□。VaR不仅指出了市场风险的大小,同时也给出了发生风险的概率。P(ΔP_t

  模型中最重要的两个参数是◇-:1)显著性水平α(置信区间1-α);2)风险时期t▽▽□▪。对于显著性水平α来说,α值随着投资者的风险偏好态度而改变,保守的投资者所选取的α值较小•◇•,为了确保在大概率的情况下不会发生巨额损失。根据资产组合的流动性情况,受险资产的规模大小,基金赎回净值按哪天的算交易发生的频率大小和市场变动情况来制定风险暴露的时间长短。比如投资经理会设定显著性水平为1%(置信区间为99%)=▼◁,期限为1天的VaR来控制每个交易员每日交易损失上限,在这种情况下★=•☆,每个交易员要满足这一天的99%的交易损失额不超过已经设定好的隔夜最大损失额。也就是说,如果一个交易员当日有100次交易,最多只能有1次损失超过最大损失上限。但是至于剩下那1%情况发生时,超过VaR估计值的损失具体数额是无法衡量的。

  因此在风控体系上又出现了配合VaR而存在的ETL(expected loss
tail),它可以明确指出VaR估计失败时损失的条件期望值,有助于我们对投资组合为尾部风险的分析和控制。前面我们提到的BVaR和ES是在这个基础上演变而来,广泛地被追求阿尔法收益的投资经理所运用◆▼○▷。BVaR和ES是相对于基准指标而提出的相对最大损失和相对尾部风险,与基准指标的收益和风险进行比较•▽=。

  现在非常流行的风险评估和控制方法是自下而上分析法(Bottom-Up),一般从单个非系统性风险开始控制,然后分析并控制整个组合资产的非系统性风险。VaR风险模型的优势在于可以单独分析每种金融资产的风险因素(Risk
Factor Mapping)。比如一个国际投资公司◇▪□○,创建的资产组合中包括货币,股票=△△,债券和期权。那么在分析风险的时候,基于利率风险而存在的IR
VaR模型和基于股票市场非系统性风险而存在的Equity VaR模型等等能计算每种风险可能带来的最大损失。IR VaR模型和Equity
VaR模型公式如下(省略计算过程)▷•:

  IR VaR_(h★=,α)=ϕ^(-1) (1-α)√(θ^ Ω_h θ)

  Equity VaR_(h◁◆○,α)=β(ϕ^(-1) (1-α)σ_h-μ_h)

  这样我们根据不同金融资产的活动和风险水平,分别控制不同种类金融资产的风险,分配合适的投资金额比例。通过对VaR模型中每种风险因素的分析,使交易员确切地了解他们金融资产交易的风险大小,同时设置每个交易员的VaR限额以防止过度投机行为的出现。并且投资经理可以限制每个交易员的投资范围●■,每个交易员只需要了解自己特定资产的风险。因人员的专业性,投资的专一性,对于风险的认识,挖掘潜在风险的水平会进一步提升

  目前比较流行的VaR的计算方法有三种★☆:

  1)正态分布法。假定组合资产回报满足正态分布,利用正态分布置信度和分位数相对应,得出VaR模型的公式是VaR=Z_α×σ×√Δt;其中〖,Z〗_α表示标准正态分布下置信度对应的分位数,σ是组合收益率的标准差◇▼◁□,Δt是持有期。

  2)历史模拟法●◁。这个方法是根据市场因子的历史数据模拟资产组合的未来损益分布,核心在于将当前的权重放到历史资产收益率时间序列中。虚拟收益率通过R_(p,k)=∑_(i=1)^n▒•△●○;〖w_(i…▷▼◆,t)
R_(i,k)
〗计算得出,其中•◁,R_(p,k)表示投资组合在时间k的收益率,w_(i,t)是当前时间t的投资权重,R_(i,k)是组合中第i只证券在时间k的收益率。得到虚拟投资组合时间序列的n个损益后,将收益率从小到大排序▼★,得到损益分布,通过给定的置信度对应的分位数求出VaR值。

  3)蒙特卡罗模拟法(Monte Carlo
Simulation)■☆▷。这个方法计算原理和历史模拟法相似,不同之处在于市场价格的变化不是来自历史观察值,而是通过随机数模拟得到。假设资产价格的变动服从随机过程形态●…•★,利用电脑模拟在目标时间范围内产生随机价格•▽•,依次建立资产报酬分布=◆,求出VaR值。

  风险价值方法基于很多的假设,必然存在其自身的缺陷▪▷◇。这就是为什么金融危机之后,巴塞尔委员会要求补充压力风险价值(Stress
VaR)并强调压力测试(Stress
Testing)的原因。但是,VaR仍然是金融机构市场风险管理的关键工具。所谓压力测试△○,是测算在特定的事件中可能会发生的最大损失●•●,这里的特定事件发生的概率较小但是可能会产生巨额的损失•★▷…,比如2008年的美国金融危机和2015年6月以来的A股股灾等等。芝加哥商品交易所在1988年开始运用SPAN(Standard
Portfolio Analysis of Risk)系统来控制期货保证金水平,SPAN系统就是基于多种标准压力测试后得出的••,从数学角度上来讲就是对收益率曲线进行平行移动(Parallel
shift)和改变倾斜度(Tilt),得到各种极端情况下的损益情况。

  探长视点二:国内根据监管部门的要求▽▲●,建立了系统的风险控制制度▽▲△。主要包括业务的基本管理制度与业务流程、公平交易制度、异常交易监控与报告制度等,力求对投资进行立体△▲=◁、系统化的风险防控。

  前面谈了许多美国风控的基本情况,国内根据监管部门的要求,建立了系统的风险控制制度。主要包括业务的基本管理制度与业务流程、公平交易制度、异常交易监控与报告制度◆□;对同一投资组合的同向与反向交易、不同投资组合的同向与反向交易进行监控制度内部风险控制制度等=△▪,力求对投资进行立体、系统化的风险防控…●▼。

  国内的基本情况更多的是在于政策制度角度上出发■■,量化的风控模型,风控指标用的比较少。目前就我所知的国内常用的投资风控指标有夏普比率(Sharpe
Ratio)和信息比率(Information Ratio)。

  夏普比率的目的是计算投资组合每承受一单位总风险▽△•,会产生多少的超额报酬。比率依据资本市场线(Capital Market Line,
CML)的观念而来,是市场上最常见的衡量比率。当投资组合内的资产皆为风险性资产时,适用夏普比率。夏普指数代表投资人每多承担一分风险=▲…◆,可以获得的投资回报;若为正值,证劵开户代表基金报酬率高过波动风险;若为负值,代表基金操作风险大过于报酬率▪○◁•。这个比例越高,投资组合越佳△☆▪•。

  信息比率是衡量某一投资组合是否优于一个特定指数的的风险调整超额报酬。它从主动管理的角度描述风险调整后收益■▪,它不同于夏普比率从绝对收益和总风险角度来描述。信息比率较大的基金的表现要优于信息比率较低的基金。

  探长陈词:我们有理由相信,未来国内的风控力度会不断加强,风控的手段也会更加多元化。基于大数据的风险分析方法和基于国外成熟的风险控制模型的风控体系将会在中国发展起来●◇□▪。

如果觉得我的文章对您有用,推荐阅读。您的支持将鼓励我继续创作!