杨一民

杨一民

蒲瀚咨询(原安达信咨询)信用风险、市场风险和资本管理唯一董事级高级总监。曾担任明尼苏达大学终身教席等。

杨一民博士,男,出生于江苏省常州市。

教育经历

1992年 芝加哥大学  数学博士

1999年 卡内基梅隆大学  计算机网络硕士

1986年 中国科学院数学研究所  数学硕士

1983年 北京大学数学系  数学学士

工作经历:

高级总监  美国第六大风险管理咨询公司

       杨博士担任公司第一个合伙人级别的高级总监,负责信用风险、市场风险和资本管理,以及金融科技中的大数据和机器学习,主要客户是前50大银行和保险公司。过去曾为美国十大银行中的PNC和SunTrust银行建立并领导了风险分析部门,在对冲基金公司 EBF & Associates 做过投资分析。毕业于北京大学,获芝加哥大学数学博士,卡内基梅隆大学计算机网络硕士和中国科学院数学研究所硕士。进入银行之前,在明尼苏达大学Morris校园任终身教授tenure-track assistant professor。他所服务的咨询公司在全球20多个国家设立超过80家分支机构,为超过60%的财富1000 强及35%的全球 500 强企业提供咨询服务。

Group VP 以及First VP美国SunTrust 银行信用风险分析部门和资本市场投资风险分析部门

       美国SunTrust银行为全美十大银行之一,在任期间杨博士组建并主持了信用风险管理部门和市场风险管理部门,负责信用风险分析与市场风险管理相关的工作。主要为银行建立了全面的信用评级系统,经济资本计算及应用系统,CCAR压力测试系统,银行资产债务风险和市场利率风险管理,投资组合风险管理,股市,债券,衍生产品和房贷证券化定价,交易对手风险管理等

VP兼高级经理  美国PNC 银行

       美国PNC为全美第六大银行,它旗下的贝莱德(Blackrock)是世界最大的资产管理公司。在任期间,杨博士组建并主持了该银行的信用风险分析部门,落实巴塞尔协议,建立风险预警系统,资本经济和储备金的压力测试,银行资产债务表的管理,和风险参数模型。另外,他还负责建立银行资本市场的CDS交易部门,管理信贷资产的风险对冲,并且直接对公司CFO和CRO负责。

Analyst, EBF & Associates 对冲基金

        杨一民博士是负责股票交易的数据和策略的定量分析师。

专业领域:

       作为美国第六大风险管理咨询公司的首个高级总监,杨博士负责为大型金融机构客户提供专业风险咨询,服务对象包含商业和零售银行、保险公司、资产管理公司、投资银行和证交所等。杨博士有丰富的信用风险、市场风险、反洗钱和运营风险管理经验,特别是商业信贷风险和投资风险的联结,他既有多年的实践,又有深入的理论研究。同时,他也参与共同领导公司的大数据和机器学习领域的发展。他在以下一些方面发挥了主导作用:

       1、大型风控合规的实施:帮助银行实现CCAR/DFA压力测试、巴塞尔协议II/III、ORSA,Solvency II、反洗钱、模型风险管理和认证。

       2、风险模型构建:包括风险评级、损失预测、风险参数估计、经济资本、资产负债流动性管理、投资和证券化分析、衍生品交易定价及交易对手信用风险模型等。

       3、信用风险评价系统的建立:包括消费,商业信用风险的双重评级系统。

       4、CDS信用互换资产的交易:包括CDS和证券化定价,信贷的对冲和信用风险的预警。

著作
 

2017,Weidong Tian (Editor), Yimin Yang, et al, Commercial Banking Risk Management - Regulation in the Wake of the Financial Crisis; the Chapter of Modern Risk Management Tools and Applications, Palgrave Macmillan US

论文
 

Yimin Yang: An Overview of Anti-Money Laundering and Counter-Terrorist Financing Programs and Quantitative Methodologies; Private Equity Review, Nov. 2015

 

Yimin Yang: A Setting Financial Transaction Threshold for Anti-Money Laundering Monitoring; Private Equity Review, Nov. 2015

 

Yimin Yang: Uniqueness of concentration index; Journal of Financial Engineering; June 2014

 

Yimin Yang: A methodology for allocating allowance for loan and lease losses (ALLL) under new regulatory environment; Journal of Financial Engineering; April 12, 2014

 

Yimin Yang: Practical methods for aggregating bank's economic capital; ERM Symposium April 24, 2013

 

Yimin Yang: A Practical Method for Aggregating Economic Capital using a Gumbel Copula; GARP Quant Perspectives December 31, 2012

 

Yimin Yang: Diagonal Copulas of Archimedean Class; Communications in Statistics – Theory and Methods; 25 (7); 1659-1676 (1996);

讲座、会议
 

Quantifying Credit Risk Rating Systems

Keynote Speaker to 2018 IRFRC-APRIA Joint Conference at Nanyang Technological University of Singapore,新加坡南洋理工, 2018

Bank Loan Pricing under Market Interest Rate

Belk College of Business, University of North Carolina, Charlotte, 2017

Model Risk Management,

Society of Actuaries, Annual Meeting & Exhibit, Boston, 2017

Bitcoin and Blockchain Payment System

Federal Reserve Bank, Atlanta, 2017

Anti-Money Laundering & Anti-Fraud Quantitative Modeling

Economics in the Era of Natural Computationalism and Big Data Duke Forest Conference 2016 at Duke University, 2016

Identifying Techniques to Assembly a Consistent Model Validation Process by Setting Standards and Establishing Governance

Model Risk Management for Insurers Conference, New York, 2016

HAM: Hierarchical Allocation Method for Economic Capital

International Symposium on Financial Engineering and Risk Management, 广州中山大学管理学院, 2016

Are Banks’Credit Losses Pro- or Counter-cyclical? - a new way of thinking

ICFE中国金融工程与金融创新会议, 深圳清华大学研究院, 2016

Bank Loan Pricing under Market Interest Rate

第四届国际智能金融会议,中科院重庆分院绿色智能技术研究所, 2015

Normed Space for Model Errors

13届中国金融系统工程和风险管理年会, 2015

Alternative Modeling

Quant Europe, London, 2015

Quantification of Risk Rating Systems: Keynote Speaker

国际金融工程和金融创新会议, 成都, 2015

Anti-Money Laundering (AML) Transaction Monitoring

National University of Singapore – 3rd NUS Workshop on Risk & Regulation, 新加坡国立大学, 2015

Model Risk Management

Society of Actuaries SOA 2014 Annual Meeting & Exhibit, Orlando, 2014

Energy Lending from Bank's Perspective

Symposium on Building Energy Uncertainty and Risk Analysis at Georgia Institute of Techology, 2014

Loan Allowance: New regulations, New Methodologies, and New Challenges

国际金融工程和金融创新会议,同济大学, 2014

US Financial Regulation Overhaul

2013国际金融工程会议,苏州大学, 2013

Compliance-driven Risk Quantification and Management

National University of Singapore - Stanford University Workshop, Singapore, 2012

1. 关于信用评级的理论和方法

       今天的金融业界(包括银行和专业评级机构)和学术界关于信用评级有几个很大的误区和痛点。一是把违约率等同于评级;二是没有意识到每个人口中的“信用”其实各有不同的定义;三是对评级的迁移重视不足,没有想到这才是导致大家对信用定义不一的主要原因之一;四是对评级在不同时间的一致性(比如评级机构在金融危机前后的评级是否一致)没有深刻的理论论述和和有效的检测方法;五是各个银行,评级机构的评级都是离散的,而不是连续的,使得它们之间的转换和比较变得困难且不准确;六是评级只关注信贷损失计算,没有意识到信用评级代表的是一种短期利益(信贷损失)和长期利益(资本适足率)的交换;七是如何把有关各方包括政府监管机构的观点反映到信用评级的理论和实践中。当然,最根本的问题是各家的评级(包括金融行业的实际评级和学术界的Merton结构型模型评级)是不是能够统一到一个完整的信用理论中。

       杨一民博士提出的通用信用评级理论,对上述各个问题提供了完整的理论答案和具体的算法。特别是为银行,评级机构和学术研究提供了一个统一的信用等级评定理论和方法,得到的等级不但与各家的等级所一致,而且具有非常好的时间一致性,特别是具有“万有”的特性:评级是一个连续的数值,同样的数值表示同样的信用风险,所以再也不需要在各家之间相互转换(不像现在的评级,一家银行的第8级可能等同于另外一家银行的第7.5级)。这个理论的实用性非常强,其独特的算法,可以和现在金融业的信用评级无缝衔接,并且能把现有的评级完美转换成万有信用评级,可以预见,这必将很快成为金融业评级的新标准。

       这个理论还有其他重要的应用。比如,我们可以用它来精准计算,一个公司的股价里,有多少是与信用有关的,有多少是与信用无关的。有多少是与长期信用有关的,有多少是与短期趋势有关的,还有多少是与市场风险价格有关的等等。

2. 市场风险测度Expected Shortfall(ES)的问题

       巴塞尔协议修改引入ES来代替Value-at-Risk(VaR)作为市场风险极端值的测度,也就是资本率的计算,其目的是为了强调所谓的Diversification Benefit(多样化利益)。但是这恐怕是出于某种形式的一厢情愿(要求所谓的成为Coherent Risk Measure)。杨一民博士从来不认为在任何情况下都可以假定有Diversification Benefit。看看AOL和Warner Bro.的合并结果,就知道现实世界里有时不但没有Diversification Benefit,还有可能是负值(即反的)。而且ES的计算必须对整个的分布尾部做统计假设(这比VaR的假设要强的多),且计算结果远不如Expected Median等统计量稳定。更糟糕的是,现在最强调的模型风险认证要求做back-test,而ES是不能back-test的。其实这个问题的核心是如何计算两个组合合并之后的资本。真正的解决方法是通过资本率与置信区间的关系入手。

3. 银行巴塞尔协议信用风险经济资本匹配的方法

       银行在落实巴塞尔协议经济资本计算中最常见的问题是资本的匹配(Allocation)问题,它是所谓的Top-down(自上而下,或者是从整体到个体)的办法。但通常的几个方法(如 Euler方法/Marginal Contribution等)都会产生零或负的资本率。这对银行使用经济资本来衡量效益(Performance Measurement),特别是在单个产品层面上,是个巨大的障碍。解决这个问题的关键,其实与解决Coherent Risk Measure 的问题是一样的,只不过方向相反(Coherent Risk Measure是Bottom-up,自下而上)。杨一民博士的Hierarchical Allocation Method of Capital(HAM)利用实际中信用风险与评级的关系,很好地解决了任何形式(零/负/正)的Diversification Benefit的问题,而且这个方法对ES、VaR,或其他资本计算方法(无论是不是Coherent Risk Measure)都适用。

4. 信贷储备金IFR9/CECL的计算中,两个周期性问题

       新的会计准则IFR9(在美国是CECL),要求银行对信贷损失用前瞻性的方法,计算未来的预期损失,及时调整储备金的水准。事实上,这个计算涉及到两个周期的问题。一个是经济环境的周期,另外一个是信贷本身的周期(一笔贷款,它的起始违约率是很低的,然后逐渐升高,高点过后,再缓慢下降至零)。这两个周期,对数据和建模方法产生了很大的影响。压力测试的建模方法,只解决了经济周期的问题。杨一民博士的信用风险评级理论,正好提供了一个完整的的理论框架来处理这两个周期问题。比如这个理论,不但可以产生跨周期的评级,更可以产生两个违约率:跨周期的违约率(具有时间一致性)和即时违约率(具有前瞻性),而且这些违约率都随信贷周期的变化而改变。

5. 大数据的四个问题

       很多人认为数据越多,结果越好。学术上而言,数据多反而是头痛的事情。比如,信息多不等于有用的信息多。象棋的棋谱再多也提取不出围棋的信息。所以第一个问题是如何得知这些数据中含有有效的信息,就好比挖金矿前先要确定这里面有足够的含金量。第二个问题是如何把有用的信息提取出来,也就是常说的降维。这是个非常难的学术问题,近年来杨一民博士所了解到的比较有意义的工作之一是用拓扑不变量来降维(这正好是杨一民博士的专业方向)。不过拓扑降维不但方法复杂,而且不见得每次能有效。第三个问题是如何避免过度拟合(Overfitting)的问题。过度拟合是预测类模型的最大敌人。杨一民博士的银行生涯做过的和见过的模型,应该有数百。但是基本上很少有预测类模型用超过10个以上的变量的。多了模型就不稳定,就容易发生过度拟合。现在的神经网络等动不动就用上百个变量,它们的预测效果不见得能长久。最后,因为数据量大的缘故,常常只能先局部了解,所以第四个的问题是如何把各个局部结果拼接成整体结果。这常常是个难题(比如地球上每个局部都是平面,但整体是圆的),而且局部结果之间有可能是不一致的。

       这几个问题的解决,有一个根本的方法,就是专业知识。特别是当机器学习等变得很普及时,区别就是专业知识的深浅。

6. 区块链(Blockchain)、加密币(Cryptocurrency)与信用问题

       区块链的主要技术特点之一是分布式(Distributed),以便实现点对点(Peer-to-Peer)的操作。区块链的本质是一个分布式数据库,其数据的一致性通过一个共识算法来完成。这个算法可以是简单的(比如投票机制,票多的最受信赖,就是共识),也可以是复杂的(比如解方程机制,最先解出方程的,也就是运算力最强的,就可以最受信赖)。区块链的技术源头不是新的,杨一民博士在Carnegie Mellon University 学习分布式操作系统(Distributed Operating System)课程时,就学过其共识算法。

       比特币(bitcoin)是一个区块链(所以是一个数据库),它的共识是用一个叫拜占庭容错算法(通过解某类Hash函数方程的解)来达成。运行这个算法的过程俗称“挖矿”,因为这个要有强大的运算力(消耗大量的电力),但有可能得到回报(现在是12个半的比特币)。比特币又叫加密币,因为很多人把它与传统货币相比较。现在还有非常多的其他加密币(比如以太币Ethereum),它们又常常叫做通证(Token)。由于加密币的价格波动太大,2017年以来,出现了所谓的稳定币(Stablecoin)。这些稳定币后面一般都有一定数目的资产抵押(极个别是用所谓的算法支持),这样价格可以相对稳定。

       那么,稳定币到底是不是货币呢?杨一民博士的观点是:如果抵押的资产价值与稳定币价格比例正好是1比1,那么这是支付系统;如果比例大于1,那么这是投资抵押。如果比例小于1,这个加密币的价格必须还要有其他东西来抵押,这个东西可以是其他资产(包括知识产权等),也可以是信用,比如国家或机构的信用。用信用抵押就具有货币的性质。从这个角度来讲,JPMorgan 的JPCoin 是一个支付系统,Facebook的Libra是个有支付功能的投资系统(因为它的比例是正变化的,但应该保持大于1)。Libra能否成功,不取决于技术因素,而是它的加盟成员能否在世界各地满足各国资本监管比如反洗钱等要求。

       信用的引入对区块链去中心化是个破坏,但可以大幅降低共识成本,提高效率。杨一民博士建议考虑引入有限信用,也就是当额度低于一定数目时,可以完全信任(或有银行等的支持)。信用的引入,不但可以极大地提高效率,也可以达成支付的功能。这样的区块链可以有多中心,所以不是完全去中心化,比较合适用来替代未来银行的信贷和支付功能。

    暂无记录