leyu70vip发电机公司
Mou Mou Jidian Generator
发电机维修 发电机回收
发电机出售 发电机租赁
客户统一服务热线

400-709-9351
18477186792

您的位置: leyu70vip > 新闻中心 > 行业新闻 >

固定leyu70vip收益投资中的技术应用

leyu70vip张浩、张华、邢文、羽泉

概括

金融科技在固定收益投资领域的应用,推动了资产管理行业的技术转型。本文从市场分析、信用管理、投资组合管理等角度,总结了金融科技在资产管理机构固定收益投资领域应用的理论研究成果和实践经验,并展望了方向未来该领域技术的进一步应用。

leyu70vip关键词

固定收益投资 金融科技 信用管理 投资组合管理

以计算机算法和大数据分析为代表的前沿技术迅速渗透到金融行业的各个领域。在固定收益投资领域,虽然金融科技的应用起步较晚,但已经对投资研究、投资组合管理、交易执行、风险管理等环节产生了深远的影响。各类金融机构都在积极探索数字化转型,纷纷推出金融科技应用成果,打造在固收投资领域的核心竞争力。

leyu70vip本研究将从市场分析、信用管理、投资组合管理等角度分析金融科技在资产管理机构固定收益投资领域的应用,并尝试提炼和总结理论研究成果和实践经验。科技赋能固收投资实践提供借鉴。

市场分析:量化市场情绪

在经济基本面没有明显变化的情况下,市场情绪将分阶段主导市场走势。此时,准确判断市场情绪就显得尤为关键。为帮助投资管理人更好地判断短期市场行情,本研究探讨如何建立客观的市场情绪评价指标,并利用基金公司和产品的相关数据,综合编制债券市场情绪指数。与传统交易员口头传递债券市场交易情绪相比,该指数在切入角度、输入数据和处理方式等方面进行了一定的创新,力图对债券市场交易数据进行观察和分析,以提供更加全面、直观和直观的债券市场交易情绪。科学的市场情绪指数。

leyu70vip从切入点来看,债券市场情绪指数是根据基金公司及其产品的交易数据编制而成的。这是考虑到基金公司及其产品是债券交易的主要积极参与者,其交易行为更能客观、准确地反映债券市场的交易情绪,对投资交易具有现实参考意义。

在输入的数据上,借助计算机的大数据处理能力,对每天在市场上交易的债券数据进行分析,并基于市场效率、资金杠杆率、交易时长、买方的回测最终选择(采取)直接接受卖方价格等指标综合债券市场情绪指数。

在处理方法上,债券市场情绪指数的合成方法主要采用主成分分析(PCA)等机器学习中的方法:在对输入数据进行相应平滑处理后,采用主成分分析的定量方法进行整合编译. 这种方法的优点是可以用单一的综合指标来科学地描述其成分指标的综合趋势,还可以量化和分解各成分的影响和贡献。与市场上较为普遍的基于单维数据的研究方法相比,债市情绪指数从投资交易的角度选取投资经理和交易员关注的多维数据进行综合。

leyu70vip图1显示了该指标的应用效果。其中,绿线代表债券市场情绪指数自2020年10月以来的走势;条形图将单日的指数值分解为五个主成分指标的贡献;当主成分指标的变化反映积极的市场情绪时,其贡献为正,否则为负。2020年11月,受某大型煤炭公司违约影响,债市情绪一度十分悲观,11月19日触底后逐渐回升。

固定leyu70vip收益投资中的技术应用

信用管理:构建自动信用评级模型和AI风险预警模型

在固定收益类信用研究体系中,信用等级是指基于对企业基本面研究的信用等级判断。舆情、价格等影响因素会在短期内引起企业信用水平的波动。当积累到一定程度时,会导致企业基本面发生变化,进而影响企业的信用资质。然而,随着信息数据的指数级增长、发债公司数量的不断增加、违约情况的复杂化,传统的人工分析难以覆盖全市场5000多家发债主体的信用状况。每天。因此,利用大数据和定量分析迫在眉睫。

(一)量化信用评级

定量信用评级是指利用自动化模型,基于大数据技术对输入因素进行量化,及时生成信用评级结果的现代评级方法。本研究结合业务经验,充分发挥数据和模型的效用,构建量化信用评级模型。

企业数据是模型分析的基础,其广度、深度和精度都会影响模型的效果。除了市场开放数据和行业特定数据外,本研究还利用非结构化数据分析、自然语言处理(NLP)分析、特征提取等技术手段,将传统意义上难以建模的非量化指标转化为标准化指标。持续访问非常规数据。本次调研获取的数据涵盖20万余条市场债券信息中国能源预警模型研究,所有数据统一标注管理。

在构建量化模型时,经过综合考虑,本研究选取了评级歧视程度高且经过投资实践检验的平安资管内部评级作为模型的学习目标,辅以全球国际三大评级机构的评级结果进行校准。. 在模型方法选择方面,通过比较多种建模方法,同时选择多元逻辑回归模型和XGBoost非线性模型[1],以达到优势互补的目的,在保证可解释性的同时提高准确性。分析师检查模型因素的业务含义后,交叉检查模型结果和人工结果,

从模型应用的效果来看,业务部门对其智商的评价一般可以与市场中的中层分析师相媲美。具体而言,以2014-2019年所有债券发行人的模型评级结果作为样本池进行测试,总体特征如下:

首先,模型评级具有很强的区分性。以 2019 年的数据为例,评级结果呈正态分布,如图 2 所示。

其次,模型评级的准确性高。从2019年年报数据来看中国能源预警模型研究,90%以上的债券发行人评级与内部评级相差1级以内,两者相差2级以内,占比97.@ >6%,高于行业通常水平。

第三,模型评级越高中国能源预警模型研究,对应债券发行人的评级稳定性越好。AA级及以上债券发行人的评级结果总体变化不大,而中低评级债券发行人的评级结果调整较为频繁。

固定leyu70vip收益投资中的技术应用

(二)AI 风险提示

为实现企业信用风险的主动管理,本研究从财务装饰、经营风险、舆论风险、市场变化、关联风险等方面构建人工智能模型,捕捉风险因素,及时监测信用风险波动。方式。使用 AI 模型进行风险预警的最大挑战之一是样本稀疏。以金融洗白认定为例,经常被用作研究样本的被监管部门处罚的企业只有100多家。因此,本研究采用两层析因设计来解决样本稀疏问题。第一层是业务规则的沉淀。基于专家经验和规则判断,得到准确率高但覆盖率低的欺诈样本。同时,引入风险评估领域常用的极值分布理论,对尾部风险进行广义帕累托分布。适合捕获可疑财务欺诈的样本。第二层是深度学习泛化。使用机器学习模型对上一步得到的可信度高的金融欺诈可疑样本进行泛化,找出简单业务规则无法直接捕捉到的相似的可疑欺诈样本。通过非结构化的辅助指标,可以拼出完整的欺诈证据链,实现金融欺诈的精准预警。第二层是深度学习泛化。使用机器学习模型对上一步得到的可信度高的金融欺诈可疑样本进行泛化,找出简单业务规则无法直接捕捉到的相似的可疑欺诈样本。通过非结构化的辅助指标,可以拼出完整的欺诈证据链,实现金融欺诈的精准预警。第二层是深度学习泛化。使用机器学习模型对上一步得到的可信度高的金融欺诈可疑样本进行泛化,找出简单业务规则无法直接捕捉到的相似的可疑欺诈样本。通过非结构化的辅助指标,可以拼出完整的欺诈证据链,实现金融欺诈的精准预警。

此外,为了使模型能够识别“重大信用风险迹象”而不仅仅是“迫在眉睫的违约”,在AI风险预警模型的主模型层面,借鉴了迁移学习的方法,外部评级被下调并纳入评级。模型的学习目标包括观察名单、内部评级下调、异常交易等各种信用风险事件,使模型不仅能识别违约事件,还能尽早识别企业信用风险暴露的迹象。与传统评级模型相比,预警强调捕捉信用风险的动态变化。因此,基于平安资管“风险警示等级”五级分类[2]的输出形式,引入了“风险趋势”的概念。,用于描述预警模型领先于一般市场认知的风险变化预测(来自外部评级、公允估值等信息来源)。简单来说,本研究希望通过风险预警模型,帮助投资者在瞬息万变的资本市场中成为最具前瞻性的投资者。

投资组合管理:构建固定收益多因素系统

现代投资组合理论最早由美国经济学教授哈里·马科维茨提出。通过将概率论和线性代数的方法应用到投资组合研究中,探讨了不同类别的证券和变动方向之间的内在关系。相关性。William Sharp在他的理论基础上进一步提出了资本资产定价模型(CAPM),这是要素投资模型的雏形。随后,许多学术界和市场人士加入到要素投资的研究中。在固定收益投资领域,由于标的资产较为复杂,因子模型的开发比股权投资领域更加困难,对强大算力的要求更是望尘莫及。

(一)因子构建

结合投资实践的需要,本研究着手对各类资产进行因子分解,建立多因子体系。其中,单项债务因子拆解采用以利率久期(细化为短、中、长)收益因子、利差调整久期收益因子、套利收益因子为基础的固定收益多因子收益因子。主要部分。帮助投资经理管理固定收益投资组合的模型。在对中国市场的回测研究中,这组因素对过去一段时间的组合投资收益有很好的解释,在不同的市场条件下都能保持稳定。

对于利率久期收益率因子,选取了整条国债收益率曲线上的几个关键期限点,大部分国债收益率的变化可以用关键期限点收益率的变化来解释。

对于利率调整久期收益率因子,将信用债与同期限国债的信用利差变化[3]进一步分解为信用主体领域的整体变化和个体变化(可分为行业、信用等级等)。

对于套利收益因素,持有债券的静态利息收入进一步细分为回购融资成本对应的基准利率套利、相同久期国债收益率的套利套利(久期等价套利)和期权调整。相对于国债利差的利差(OAS 利差)。债券的剩余期限在持有期内会越来越短,在收益率曲线上会逐渐向左移动,而正常的收益率曲线一般是向上向右倾斜,会有相应的乘骑(rolldown)收入。

(二)投资组合管理和优化

基于上述覆盖固定收益资产的底层因素框架,投资经理可以在投资组合管理中使用优化算法,在投资组合构建和后续仓位优化过程中更科学地选择资产和分配投资权重。

本研究开发了一套基于人工智能算法的创新多目标优化算法,在给定多个投资目标和多个投资约束的情况下,可以基于多因素系统给出多个可投资的帕累托最优边界。属性重新配置的结果在因子级别进行了优化。这套算法充分考虑了中国债券市场的交易规则和惯例中国能源预警模型研究,例如银行间市场债券的最低交易面值1000万元,新旧债券的流动性差异中国能源预警模型研究,使得优化结果非常实用。在此基础上,本研究进一步推出了投资组合管理平台。该平台可以在管理被动投资组合时为投资经理提供投资建议,

在管理被动投资组合时,投资目标通常是使投资组合的投资回报尽可能与作为绩效基准的指数回报保持一致。投资组合管理平台在计算出指标对各因子的风险敞口权重后,通过算法选择一些跟踪误差最小的投资组合,使投资经理在投资组合构建过程中更加客观和轻松。

在管理主动投资组合时,投资目标存在多种可能性,如实现绝对回报水平、跑赢指数基准等。在反映投资经理对市场预期看法的过程中(如对无风险收益率和信用利差趋势)进入资产配置过程,投资组合管理平台借助多目标优化为投资经理提供风险收益曲线上的有效前沿选择构建一个风险和收益的组合更加平衡。

对于货币产品,投资经理必须平衡收益和流动性。通过计算单个债券的流动性成本,投资组合管理平台可以帮助投资经理在满足投资组合流动性目标的同时,优化具有更高回报的资产配置计划。

市场每天都在变化,投资是一个动态的过程。投资组合管理平台还提供了客观准确的追溯归因,直观地展示了投资组合收益对各种因素的分解,让投资经理可以持续了解他们对投资组合的预期观点。收入来。投资经理更新预期观点后,通过多因素模型再次进行多目标优化,可以为投资经理提供优化投资组合的建议,从而做出头寸调整决策。

(三)投资组合风险管理

资管新规实施以来,各类固定收益产品都经历了净值化转型。如何降低投资组合的波动性,控制最大回撤率,成为整个资管行业的痛点。

由于债券资产之间的历史协方差矩阵无法捕捉波动趋势的变化,因此固定收益多因子模型引入了历史波动率(Historical Vol)、随机波动率(Stochastic Vol)、波动率波动率(Vol of Vol)等统计指标通过计算各因子之间的前瞻性方差协方差矩阵和组合在各因子上的风险敞口权重,及时反映市场波动的趋势变化。而且,在计算出因子间方差的协方差后,该模型可以系统地应用于各种投资组合,更准确地估计投资组合的波动性,帮助投资经理更好地控制投资组合收益的回撤率。.

固定收益多因子模型也能更好地描述压力测试情景下投资组合收益的变化。它是对波动率、VaR等风险度量的补充,主要防止收益分布的“肥尾效应”。在多因素传导压力测试中,通过对关键因素施加压力,结合因素之间的相关性,进行风险传导,计算其他因素被动变化后的收益,从而得出整体影响因素。投资组合。模型结果更接近实际,具有前瞻性。

未来展望

从长期来看,大数据、计算机算法、人工智能等技术在固定收益投资领域所提供的价值远非上述所列。在组合和精细化分析支持方面还有很大的应用空间。

随着金融科技的蓬勃发展,如何将其与固定收益投资实践有效结合,将是金融机构在固定收益投资领域打造核心竞争力的关键。对性的重要控制。

注:1.多元逻辑回归模型可解释性好,更接近人类思维,但准确性不足;XGBoost非线性模型精度高,可以处理高维数据,但可解释性较差。

2.平安资管“风险警示等级”五级分类是指将企业按照风险等级分为高风险、中高风险、中风险、中低风险、低风险五个等级。信用风险程度。

3.信用债价格除了无风险收益率外,还受到预期违约率的影响,这体现在与同期限国债的信用利差变化上。

参考

[1] 陈秀梅. 我国债券市场信用风险管理现状及对策[J]. 宏观经济研究,2012 (2).

[2] 文斌,张有贤,王川.国际债券市场的发展经验及其对我国的启示[J]. 上海金融,2010 (9).

◇本文首发于《邦德》2021年1月号

◇ 作者单位:平安资管金融工程团队

leyu70vip平安资管创新规划团队

Copyright © 2022.leyu70vip 版权所有 网站地图  皖ICP备15283469号  XML地图  leyu70vip模板