固定收益投资领域的科技应用

张浩  张骅  邢雯  喻泉

摘   要

金融科技在固定收益投资领域的应用推动了资管行业的科技转型。本文从市场分析、信用管理、组合管理等角度,总结了金融科技在资管机构固定收益投资领域应用的理论研究成果和实践经验,并就未来科技在该领域深化应用的方向进行了展望。

关键词

固定收益投资  金融科技  信用管理  组合管理

以计算机算法、大数据分析等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,金融科技的应用虽然起步较晚,但是已经对投资研究、组合管理、交易执行、风险管理等环节产生了深刻影响。各类金融机构积极探索数字化转型,纷纷推出金融科技应用成果,以打造在固定收益投资领域的核心竞争力。

本研究将从市场分析、信用管理、组合管理等几个角度,分析金融科技在资管机构固定收益投资领域的应用情况,尝试提炼和总结其中的理论研究成果和实践经验,旨在为同业利用科技赋能固定收益投资实务提供参考。

市场分析:量化市场情绪

当经济基本面没有发生明显变化时,市场情绪会阶段性地主导行情走势,此时对市场情绪的准确判断显得尤为关键。为帮助投资经理更好地判断市场短期行情,本研究探索如何建立客观评价市场情绪的指标,利用基金公司及产品的相关数据综合编制债市情绪指数。与传统的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、输入数据以及处理方法上均进行了一定创新,试图通过观察和分析债券市场的交易数据,提供一个更加全面、直观和科学的市场情绪指数。

在切入角度上,债市情绪指数基于基金公司及其产品的交易数据进行编制。这是考虑到基金公司及其产品是债券交易的主要活跃参与方,其交易行为能够比较客观、准确地反映债券市场的交易情绪,对投资交易有实际借鉴意义。

在输入数据上,借助计算机的大数据处理能力,对市场每天成交的债券数据进行分析,并基于对市场有效性的回测,最终选定基金杠杆率、交易久期、买方直接接受卖方价格(taken)的成交占比等指标用于合成债市情绪指数。

在处理方法上,债市情绪指数的合成方法主要采用机器学习中的主成分分析(PCA)等方法:在对输入数据进行相应平滑处理时,通过主成分分析量化方法进行整合编制。该方法的优势在于可以用单一的合成指标科学地描述其成分指标的综合趋势,也能对各成分的影响和贡献进行量化和分解。与市场上较为常见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视角出发,选取了投资经理和交易员关注的多维度数据进行合成。在计算频率上,债市情绪指数可进行日频计算,反映市场每日的情绪变化。

图1展示了该指数的应用效果。其中,绿色折线代表债市情绪指数自2020年10月以来的走势;柱状图则将单日的指数值分解为5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,其贡献为正值,反之为负值。2020年11月,受某大型煤炭企业违约事件影响,债市情绪一度非常悲观,在11月19日触底后逐渐恢复。

信用管理:构建自动信用评级模型和AI风险预警模型

在固定收益信用研究体系中,信用评级是指以企业基本面研究为主的信用水平判断。而舆情、价格等影响因素会在短期内造成企业信用水平的波动,当积累到一定程度时,会导致企业基本面的变化,进而影响企业的信用资质。但随着信息数据呈指数级增长、发债企业数量不断增加、违约情况逐渐复杂化,传统的人工分析难以覆盖每天全市场5000余家发债主体的信用情况,因此亟须借助大数据运用、量化分析和人工智能(AI)等手段,提升信用评级效率和效果,形成主动风险监控及预警能力。

(一)量化信用评级

量化信用评级是指采用自动化模型并基于大数据技术量化入模因子,及时生成信用评级结果的现代评级方式。结合业务经验,本研究充分挖掘数据与模型的效用,构建了量化信评模型。

企业数据作为模型分析的基础,其广度、深度和精度均会影响模型效果。除市场公开数据、行业特色数据外,本研究还通过非结构化数据解析、自然语言处理(NLP)解析及特征提取等技术手段,将传统意义上难以入模的非定量指标转换成标准化指标,可持续获取非常规数据。本研究所获取的数据涵盖20万余条市场债券信息,并对所有数据进行统一标签化管理。

在构建量化模型时,本研究经综合考量,选取评级区分度较高、准确度经过投资实战检验的平安资管内部评级作为模型学习目标,并辅以国际三大评级机构的全球评级结果进行校准。在模型方法选择上,通过对比多种建模方法,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,在提高准确度的同时,确保解释性。经过分析师对模型因子的业务含义检查,模型结果与人工结果的交叉校验,不断的模型训练、参数调节,最终形成量化信用评级模型。

从模型运用效果来看,业务部门评价其智能程度大体上可以与市场上一个中等水平分析师的能力相当。具体以2014—2019年所有发债主体的模型评级结果为样本池进行检验,总体呈现以下特点:

第一,模型评级的区分度较高。以2019年数据为例,评级结果呈现如图2所示的正态分布。

第二,模型评级的准确度较高。从2019年年报数据来看,90%以上的发债主体评级与内部评级差异保持在1级以内,二者差异在2级以内的主体占比达97.6%,高于行业通常水平。

第三,模型所评级别越高,对应发债主体的级别稳定性越好。AA级及以上发债主体的评级结果总体上变动较小,而中低评级发债主体的评级结果调整较为频繁。

(二)AI风险预警

为实现对企业信用风险的主动管理,本研究从财务粉饰、经营风险、舆情风险、市场异动、关联风险等多个方面构建AI模型以捕捉风险因素,从而及时监控信用风险波动情况。运用AI模型进行风险预警的最大挑战之一是样本稀疏。以财务粉饰识别为例,一般常被用来作为研究样本的曾受过监管部门处罚的企业只有百余家。因此本研究采用两层因子设计来解决样本稀疏的问题。第一层为业务规则沉淀,基于专家经验和规则判断,获取精度较高但覆盖率较低的造假样本,同时引入风险评估领域中常用的极值分布理论对尾部风险进行广义帕累托分布的拟合,用以捕捉疑似财务造假样本。第二层为深度学习泛化,通过机器学习模型对上一步所得可靠性较高的财务造假可疑样本进行泛化学习,找到与之类似但无法通过简单业务规则直接抓取的疑似造假样本,再通过非结构化的辅助指标,拼出完整的造假证据链,对财务造假情形实现精准预警。

另外,为了让模型能识别“重大信用风险的征兆”而非仅识别“近在眼前的违约”,在AI风险预警模型的主模型层面,借鉴迁移学习的方法,将外部评级下调、列入评级观察名单、内部评级下调、异常成交等多种信用风险事件共同纳入模型的学习目标,使模型不仅能够识别违约事件,也能尽早提前识别企业信用风险暴露的征兆。与传统的评级模型相比,预警更强调捕捉信用风险的动态变化,因此在平安资管“风险预警等级”五级分类[2]这一输出形式的基础上,引入了“风险趋势”的概念,用以描述预警模型领先于市场普遍认知(来自外部评级、公允估值等信息源)的风险变动预判。简单地说,本研究希望通过风险预警模型助力投资者在瞬息万变的资本市场中能最具前瞻性。

组合管理:构建固定收益多因子体系

现代证券投资组合理论是美国经济学教授哈里·马科维茨最早提出的,通过将概率论和线性代数的方法应用于证券投资组合研究,探讨了不同类别、运动方向各异的证券间的内在相关性。威廉·夏普在其理论基础上进一步提出了资本资产定价模型(CAPM),这是因子投资模型的雏形。随后众多的学术和市场人士加入对因子投资的研究。在固定收益投资领域,由于底层资产更为复杂,其中的因子模型开发较权益投资领域更为困难,强大计算能力的要求更是令人望而却步。借助金融科技力量进行个债的因子拆解处理,组合的优化管理才有办法得以实施。

(一)因子构建

结合投资实践需要,本研究着手对各类资产进行因子拆解,建立了多因子体系。其中,对个债因子的拆解采用以利率久期(细化到短端、中端及长端)收益因子、利差调整久期收益因子、套息收益因子为主要部分的固定收益多因子模型,以此辅助投资经理管理固定收益投资组合。在针对中国市场的回测研究中,这套因子对过去一段时间组合投资收益的解释性非常好,在不同的市场状态下均能表现稳定。

对于利率久期收益因子,选取整条国债收益率曲线上的几个关键期限点,通过关键期限点收益率的变化即可解释绝大多数国债价格的变化。

对于利差调整久期收益因子,将信用债与同期限国债的信用利差变化[3]进一步拆解为信用主体所在领域(可以按行业、信用等级等划分)的总体变化及其个体变化。

对于套息收益因子,将持有债券的静态利息收益进一步细分为对应回购融资成本的套息(base rate carry)、相同久期国债收益率的套息(duration equivalent carry)以及期权调整后相对国债利差的套息(OAS carry)。债券的剩余期限在持有期会越来越短,在收益率曲线上将逐渐向左移动,而正常的收益率曲线一般向右上方倾斜,还会存在相应的骑乘(rolldown)收益。

(二)组合管理及优化

基于以上覆盖固定收益类资产的底层因子框架,投资经理在构建一个组合和后续的调仓优化过程中,即可以使用组合管理中的优化算法,更科学地选择资产和配置投资权重。

本研究开发了一套借鉴AI算法的创新型多目标优化算法,可以在给定多个投资目标和受到多个投资限制时,基于多因子体系给出多个帕累托最优前沿上可投资产权重配置的结果,实现在因子层面的最优化。这套算法充分考虑了中国债券市场的交易规则惯例,如银行间市场债券的最小交易面值为1000万元、新老券的流动性差异等,使得优化的结果具备相当高的实操性。在此基础上,本研究进一步推出了组合管理平台。该平台能够根据投资目标的变化,为投资经理在管理被动组合、主动组合、货币产品等固定收益产品时提供投资建议。

当管理被动组合时,投资目标往往是使组合的投资收益尽量与作为业绩基准的指数收益保持一致。组合管理平台计算出指数在各因子上的风险暴露权重后,通过算法优选出一些跟踪误差最小的投资组合,从而使得投资经理构建组合的过程变得更客观和轻松。

当管理主动组合时,投资目标就有多种可能,如达到一个绝对收益水平、超越指数基准等。组合管理平台在将投资经理对市场的预期观点(如对无风险收益率、信用利差走势的判断)反映到资产配置的过程中,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,从而构建风险收益更均衡的投资组合。

对于一个货币产品,投资经理必须在收益与流动性之间进行权衡。通过对个债流动性成本的计算,组合管理平台可以帮助投资经理在满足组合流动性目标的同时,优化得到收益更高的资产配置方案。

市场每天都在变化,投资是一个动态的过程,组合管理平台也提供了客观准确的回溯归因,直观展示组合收益在各因子上的分解情况,方便投资经理持续了解自己的预期观点为组合带来的收益情况。当投资经理更新预期观点后,通过多因子模型重新进行多目标优化,即可为投资经理提供优化组合的建议,以便作出调仓决策。

(三)组合风险管理

资管新规实施以来,各类固定收益产品均在进行净值化转型,如何降低组合波动率、控制收益的最大回撤率成为整个资管行业的痛点。

由于债券资产间的历史协方差矩阵无法捕捉波动性趋势的变化,固定收益多因子模型引入历史波动率(Historical Vol)、随机波动率(Stochastic Vol)、波动率的波动率(Vol of Vol)等统计指标,通过计算各因子间的前瞻性方差协方差矩阵和投资组合在各因子上的风险暴露权重,及时反映市场波动性的趋势性变化。而且当计算好各因子间方差的协方差后,可以将模型系统地应用到各种投资组合中,以更准确地预估组合的波动率,帮助投资经理更好地控制组合收益的回撤率。这些对于投资决策及风险管理均具有指导意义。

固定收益多因子模型同样也能更好地刻画压力测试场景下的组合收益率变化,是对波动率及VaR等风险度量的补充,主要防范回报分布的“肥尾效应”。在多因子传导的压力测试中, 通过对关键因子施压并纳入因子的相关关系进行风险传导,计算其他因子被动变化后的收益,从而得到对投资组合整体的冲击,模型结果更贴近现实且具有前瞻性。

未来展望

从长远角度看,大数据、计算机算法和AI等技术在固定收益投资领域所能提供的价值远非上述所列几项,其在债券流动性成本及溢价预估、市场精准化定价、多资产组合精细化分析支持等方面仍有很大的应用空间。

随着金融科技的蓬勃发展,如何使其与固定收益投资实务有效融合,将是金融机构打造在固定收益投资领域核心竞争力的关键所在,同时也是解决我国固定收益市场流动性问题以及提升市场有效性的重要抓手。

注:1.多元逻辑回归模型的解释性好,更接近人的思维,但准确度不足;XGBoost非线性模型的准确度高,能处理更高维的数据,但解释性较差。

2.平安资管“风险预警等级”五级分类是指根据信用风险程度将企业划分为高风险、中高风险、中风险、中低风险、低风险五个等级。

3.信用债价格除受无风险收益率的影响外,还受预期违约率的影响,体现在与同期限国债的信用利差变化上。

参考文献

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

[2] 温彬,张友先,汪川.国际债券市场的发展经验及对我国的启示[J].上海金融,2010(9).

 ◇ 本文原载《债券》2021年1月刊

 ◇ 作者单位:平安资产管理金融工程团队

                      平安资产管理创新规划团队

 ◇ 责任编辑:孙惠玲  印颖

原创文章,作者:PC4f5X,如若转载,请注明出处:http://www.shtylawyers.com.cn/1333.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注