联系我们
返回上一页
彭一凡

彭一凡

波士顿咨询公司(纽约)风险管理部董事总经理。曾任美银美林交易对手风险量化模型及管理高级顾问、香港美林(亚太)证券结构化产品部总监,在美国金融界从业20余年,先后在美国惠誉评级公司、瑞士信贷第一波士顿银行等担任部门副总裁、总监等职。近十年专注交易对手风险与模型风险测度的理论探讨与实践。
论文
 
 

2019,Forecasting Chinese corporate bond defaults: A comparative study of market vs accounting- based models, Frontiers of Economics in China.

交流成果
2019年
用学习算法研究信用风险(包括中国企业债违约)的动态与实例
精选视频
来源:2019TGES 高级研讨会三 金融供给侧改革背景下信用风险管理
2019年
AI在金融领域的挑战与创新(美国视频参会)
精选视频
来源:2019TGES 高级研讨会一 金融AI、数据管理与风险管理
2009年
金融创新,激励错位和金融危机
精选视频
本成果共享主题频道
来源:2009(第五届)中国金融风险经理总论坛 总论坛
论文
 
 

2019,Forecasting Chinese corporate bond defaults: A comparative study of market vs accounting- based models, Frontiers of Economics in China.

交流成果
2019年
用学习算法研究信用风险(包括中国企业债违约)的动态与实例
精选视频
来源:2019TGES 高级研讨会三 金融供给侧改革背景下信用风险管理
2019年
AI在金融领域的挑战与创新(美国视频参会)
精选视频
来源:2019TGES 高级研讨会一 金融AI、数据管理与风险管理
2009年
金融创新,激励错位和金融危机
精选视频
本成果共享主题频道
来源:2009(第五届)中国金融风险经理总论坛 总论坛

一、AI在风险管理中的应用:新的范式和挑战——以中国债券违约预期为例

(一)AI的本质及其与机器学习的区别

      1、AI的本质

      AI系统和其他简单的分析系统有两点本质的区别,分别是迭代性(Iterativeness)和适应性(Adaptiveness)。其中,迭代性是指根据系统状态的改变及误差修正,多次调整系统的参数,从而逼近最优结果的过程。适应性是指该过程是一种交互式的,即系统根据输出自动调整输入。调整不需要人工干预,而是通过结果自动进行反馈。这种根据输入与输出自动反馈的系统是人工智能的一个重要标志,这是一种学习的过程。

      2、机器学习与传统统计方法

      传统统计方法(Traditional Statistical)一般是简单的输入输出,是在对问题和数据的基本特征已有相当的认知的或对数据特征先做出某种的假设来进行的。通常来说,对模型形式也会根据某种理论或常识给予假定,建模之前会采用抽样、减少输入、降维等方法减少数据量。

      机器学习(Machine Learning)不需要对问题和数据做出预先假设,在学习之前不需要减少数据量。旨在解决数据量和高维度问题,模型形式也无需提前提出。但另一方面机器学习要求数据量比较大,对数据的质量也要求比较高,采用有偏的数据进行学习,得出的结果不一定比传统统计方法好。

      3、机器学习的基本分类

      机器学习包括三大类,分别是监督学习(supervised learning)、无监督学习(unsupervised learning)以及半监督学习(reinforcement learning)。

      在监督学习中,算法得到一组包含标签的“训练”数据,比如交易数据集,可能某些数据点包含欺诈性/非欺诈性的标签。该算法将“学习”一种通用的分类规则,用于预测余下的不在训练集中的数据分类为欺诈性/非欺诈性。

      无监督学习是指提供给算法的数据不包含标签,要求算法通过识别簇(clusters)的方式寻找规律。

      半监督学习又称为强化学习(Reinforcement learning),属于有监督和无监督学习之间的一种模式。在这种情况下,提供给算法一个没有标签的数据集,为每个数据点选择一个动作,接收有助于算法学习的反馈信息(可能来自人类)。

      4、AI与机器学习的区别

      主要区别在于AI是通过机器学习的结果来做出决策,不用人工干预,可以自己做决策。机器学习是模仿人类学习的办法,从数据中发现目标实体(人或市场变量)行为模式及趋势,挖掘和发现关联性,找到复杂数据之间的范式与关系,不对这种关系做预设,但不参与最终决策。如何使用及解释机器学习的结果一般仍由人来决定;而人工智能一般指机器可依据自己的学习自主做出行为决策。

二)AI在风险管理领域的主要应用

      AI在风险管理领域的主要应用包括四个方面:一是以客户为中心(或“前台”)的应用,包括自动信用评分及精算决策系统;二是以运营为重点(或“后台”)的应用,包括资本优化、模型风险管理和市场影响分析;三是金融市场的交易和资产组合管理;四是人工智能和机器学习在监管科技方面的应用,包括金融机构合规(regulatory compliance, RegTech)或监督(supervision, SupTech)。

(三)AI和机器学习在风险管理中的挑战

      第一, 适用数据的可用性。数据通常存放在跨部门的孤岛中,可能在不同的系统上,并且可能存在限制数据共享的内部政治和监管问题。

      第二, 是否有熟练的工作人员来实施这些新技术。在技术方面,数据是一个主要问题,机器学习是从数据中学习技术,而数据的来源还要依赖于人。

      第三, 完全自动化的危险。

      第四, 透明度问题。因为模型在输入数据和输出决策之间的隐藏层的基础上进行工作。这种类型的黑匣子系统不利于有效的风险监督,并且可能导致监管合规性问题,尤其是在证明模型有效性方面。

      第五, 道德问题。

(四)什么是机器学习不能做的

      一般而言,机器学习识别的模式仅仅是相关性,但机器学习不能推得因果关系(causality)。

      来源:《风险管理》2019年第5期

 

二、风险信息在股市和债市之间的传递——兼论资本结构套利及莫顿模型在中国的适用性

(一)风险管理的第一要务是信息优化

      风险管理的第一要务是进行信息优化,不消除信息不确定性无法进行风险管理。信息的来源有很多,其他领域信息的交互和传播也会造成市场的波动。正是由于风险因素错综复杂的相互作用,使得危机在不同领域爆发,最终导致系统性的风险事件,演变出全面的信贷危机,造成不可预测的后果。

(二)莫顿模型建立了债券市场和股票市场的联系

      股票收益率和信用风险溢差相关,有充分证据表明,股票收益率与CDS溢差的变化呈负相关,而波动率和杠杆率的变化与CDS溢差变化成正相关。莫顿模型作为一个理论模型可以将债务与股权很好地联系起来。莫顿模型在理论上将债务和股票联系起来,都归结为企业总资产的期权,极大地扩展并丰富了期权理论。可以通过期权理论计算出资产价格达到行权价的概率,即企业总资产足以清偿负债的概率,而这一概率实际上就是违约概率。

(三)KMV模型计算违约概率的问题

      1997年美国旧金山市KMV公司以Black-Scholes公式和莫顿期权模型为理论基础建立了KMV模型,通过企业股权价值及其波动率求解出企业资产的市场价值及其波动率,用于计算企业预期违约概率。

      但实际上KMV模型在现实应用中存在很多问题。首先,人们普遍认为KMV模型高估了债券价格,低估了信贷收益率,结构模型所隐含的信用利差远低于数据显示的水平,信用价差和预期违约损失之间的这种巨大差异就是所谓的“信用价差之谜”。其次,静态结构模型预测的杠杆率远高于现实生活中观察到的杠杆率,企业动态改变资本结构的能力可能是一个重要的影响因素。

(四)针对中国市场,KMV模型需做出适当改进

      由于中国市场结构的特殊性,我们在应用KMV模型研究中国企业的违约概率时需要对模型做出适当的改进,并对结果进行校正。结合莫顿模型违约距离和传统的会计变量对中国市场上的债券违约进行实证研究发现,当莫顿模型结合其他市场变量,包括一些宏观变量和部门变量之后,得到的结果更加有效。

      归根结底,KMV模型为分析债市与股市表现之间的关系提供了一个很好的工具,如何有效利用债券市场和股票市场的信息并采取行动还是风险管理中的重要议题,值得我们进一步的研究与思考。

      来源:2020TGES系列论坛-01:金融市场交易与市场风险管理-彭一凡《风险信息在股市和债市之间传递》