量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、Fintech、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業30W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。

作者： Valerie Xiang、 Ziang Fang、Chao Xia

前言

隨著春節前量化策略出現集體大幅回撤的行情，對於投資組合的風險控制越來越受到大家的關注。如何系統化的控制風險，今天我們來分享英仕曼Numeric的經驗。

經過十年的中央銀行干預，宏觀波動性終於迴歸。自上而下的宏觀因子越來越多地驅動股票收益（見圖1），從而限制了專注於自下而上建模以產生阿爾法的系統性股票策略。

在本文中，我們研究了黑箱（即基於歷史市場資料統計學習的風險模型）和玻璃箱（即使用事先定義風險因子的模型）的風險建模方法，以探索如何應對當今複雜宏觀環境帶來的挑戰，以及可能帶來顯著價值。

使用統計因子風險模型來識別風險

對於系統性投資者來說，嵌入在投資組合構建過程中的風險模型是風險管理的主要工具。傳統的量化投資流程中通常包含基礎的風險模型，這些模型使用預定義的一組風險因子（如行業和風格因子）來識別和捕捉市場中的風險。

在Man Numeric，我們認為市場是動態的、適應性的，並且不斷進化——因此，風險也是如此。我們不依賴人類來預定義市場中的風險因子，而是使用統計因子風險模型（SFRM）。這是一種透過迭代過程識別未知因子的監督學習模型。這些未知因子本質上是一系列投資組合，由投資範圍內的公司組成，可以解釋當前市場環境中最普遍的風險。這種方法不預指定風險因子；相反，它允許市場講述故事，因此對宏觀風險更為敏感，而這些風險通常會隨時間變化。

讓我們以2022年在我們的全球發達市場中出現的一個未知因子為例。圖2表示這個因子的組成，每個形狀代表一個單獨的公司。顏色表示公司在未知因子投資組合中的投資組合權重，黃色表示多頭暴露，綠色表示空頭暴露。此外，形狀的大小代表公司的市值。公司按行業聚集在一起。這個未知因子在能源相關股票中持有多頭頭寸（由黃色群集表示），並對幾乎所有其他股票持有空頭頭寸——這是在做多能源價格。考慮到幾十年未見的高通脹水平，以及俄羅斯與烏克蘭的戰爭，能源價格推動了當年的股票收益——這是SFRM能夠及時捕捉到的風險，並不令人意外。

另一個例子是中國和美國的監管發展以及中美之間的地緣政治緊張關係，這使得人們關注到中國在海外上市公司的風險。圖3顯示了一個有效地捕捉這一風險的未知因子。它在海外中國網際網路公司（藍色）上持有重大空頭頭寸，同時對內地上市和投資範圍中其餘股票採取更中立的立場（黃色）。

上面兩個案例都是SFRM能夠識別相關風險的時點示例。值得注意的是，風險模型隨時間也有適應性，如圖4-5所示的SFRM識別的能源或中國海外上市風險的百分比。

黑箱方法與玻璃箱的結合

儘管風險模型具有響應性，並不是所有的風險都被SFRM捕捉到。此外，任何型別的風險模型，無論它有多好，都有向後看的侷限性，因此可能無法捕捉到重要但尚未出現的風險。

為了解決這個問題，我們提出了一個框架（我們將稱之為SFRM+），它允許我們用任何可以透過收益時間序列代理的風險來補充SFRM的未知因子。我們相信這種黑箱（基於歷史市場資料的統計學習）和玻璃箱（人類預定義風險因子）的風險建模方法可以幫助構建一個更加定製化、全面和強大的風險管理系統。此外，'+'因子完全整合在SFRM框架內，從而保留了統計風險模型的所有屬性，並使得投資組合風險測量或控制無縫進行。

為了看看這個框架是如何工作的，我們回到中國海外上市的風險。這種風險可以透過Nasdaq Golden Dragon指數和滬深300指數之間的收益差來代理。Golden Dragon指數包括在美國上市的中國公司，而滬深300代表了在中國大陸上市的大型公司。這種差額對沖了整體的中國風險——如經濟或盈利增長——並隔離出中國海外上市的獨特風險。在將這個額外的風險因子加入SFRM模型並估計每隻股票對其的敞口後，這個因子乾淨地將海外中國上市與新興市場證券的其餘部分隔離開來（見圖6）。