

交易商故事丨场外衍生品世界中的“火箭科学家”

中证报价

2023-03-08

导读：在金融市场里建模的量化分析师们

作者介绍：谢梦殷，牛津大学工程科学博士。曾在花旗集团和华泰长城资本有限公司，分别担任量化风险分析师和权益类衍生品负责人。2021年加入天风证券，现任天风证券股票衍生品部量化负责人。

谢梦殷博士（后排右一）及其团队

好莱坞电影《大空头》（The Big Short）非常戏剧化地展现了2008年金融危机。电影中有一位华人Quant一闪而过，他发现了CDO的定价问题，但为人呆板，不善言辞。这是普罗大众对投资银行量化(Quantitative)从业人士刻板印象，他们有着深厚的数理功底但不善言辞，外界对他们的工作内容也一无所知。场外衍生品的数理复杂度高，需要大量的量化专业人士来处理其中遇到的数理工程问题。如果没有量化分析师（Quants），衍生品交易就像一艘没有指南针的船，在金融市场的汪洋大海中迷失方向。国外成熟市场中的衍生品量化分工已经非常细致，而国内起步较晚，众多的场外交易商在量化方面的进展也参差不齐。本文简要分成前台(Desk Quant)和中台(Risk Quant)两部分来谈谈天风的量化工作。

Part I

前台量化（Desk Quant）的主要工作

衍生品交易的核心在于产品的定价是否合理。Black-Scholes模型作为衍生品定价的基石，随着从业人士对市场的理解进一步深刻，Quant也持续对定价模型进行改进。譬如认识到波动率存在随机性，引入了Heston模型；为了解决市场上真实交易的期权在同一到期日存在不同的Black-Scholes波动率，引入了Local vol(局域波动率)模型。对于国内衍生品市场，场内期权流动性还有待提高，行权价和到期日也比较稀疏，使得波动率曲面的构建更为困难，使用香草期权对冲奇异期权(Exotics)的风险也很困难，国外成熟的理论不能直接套用。国外大投行普遍使用Stochastic-local vol模型对雪球（Snowball autocallable）进行定价。这就需要Quant结合国内的实际情况，对模型做一些精简，但同时又不能使定价“偏离”合理性。*本文雪球指一种自动赎回型期权结构。

交易员就像战斗机驾驶员，而Quant就是建造战斗机的工程师，二者需要良好的沟通协作。为了在竞争激烈且变化快速的市场里生存下来，Quant编写的定价器需要和交易员进行充分沟通以满足交易需要。譬如交易员在认可定价的准确性之后，对定价器的要求就是计算速度。经常听闻雪球期权定价需要几十分钟的“故事”，这对于交易员是不能容忍的。Desk Quant要以交易员的角度去想问题，思考交易员需要如何做情景分析，如何快速的画出投资组合在不同标的价格(Spot)、波动率(Vol)下的估值(PV)和希腊字母(Greeks)变化。

Quant经常还要面对突发的异常情况的处理，譬如国外市场突然出现的负利率，会让基于log-normal假设的定价模型完全失效。国内的股指期货的基差能在年化-10%到-2%之间剧烈变动，基差对指数衍生品的价格影响巨大，目前市场上也没有相应的工具进行对冲。又例如，2021下半年在中证500指数高位时建仓了大量的雪球型结构产品，进入2022年在股票市场调整下，大量雪球型结构产品面临敲入风险，交易商在雪球型结构产品敲入点附近如何更好地对冲风险，这些都需要Quant提供合理的解决方案。此外，Quant还需要经常关注市场新的模型和技术。比如现在流行的自动微分(Auto differentiation)可以快速而且准确的计算Greeks，可以替代常用的差分法（Finite difference）计算Greeks，可以极大改善计算速度，而且自动微分在各种需要求解微分的领域都是重要的工作。

Part II

中台量化（Risk Quant）的主要工作

在2008年金融危机之后，欧美国家对衍生品交易的监管变得非常严厉。监管机构使用大量的数量化手段进行监管，激发了很多衍生品风险相关的研究和应用。场外衍生品在我国定位为风险管理业务，Risk Quant工作的重要性不言而喻。

市场风险(Market Risk)

早在金融危机之前，风险价值（VaR）就已经在华尔街广泛使用。在另一部反映2008年金融危机的好莱坞电影《Margin Call》中，一位火箭科学家（华尔街对PhD Quant的称呼）发现公司的投资组合已经超过VaR限额很多次，这是公司随时都有可能破产的预兆。近年来由于VaR的一些缺陷，另一种方法期望损失（ES）被欧美监管大力推广。在国内衍生品市场，使用这些指标对市场风险进行量化评估还处于起步阶段。

市场风险模型可以根据开发的上下游流程分成以下三个部分：

1）如何获取风险因子？可以是历史模拟法，所有风险因子数据都是真实发生过的，来源于历史上的某个时间段，缺点是历史数据的清洗与整理难度大。也可以是蒙特卡洛（Monte Carlo）法，风险因子数据来源于某些随机数学模型，缺点是数学模型不能很好的刻画风险因子的未来分布。

2）如何对衍生品估值？可以是泰勒（Taylor）展开，希腊字母值与风险因子相乘的和，不是很精确但是速度快。也可以是全估值法，将风险因子放入估值模型算出的估值，更为精确但是速度慢。

3）风险模型开发好之后，需要对其进行经常性的回测，以检验其准确性。例如，95%的日风险价值(Daily VaR)意味着有超过95%的概率投资组合的亏损不超过VaR值，但是在使用过去100天的数据做回测时，发现有其中有6天都超过VaR值，而期望值是5天（100*（1-95%）=5）。此时我们如何评价模型的好坏，如果不“好”的话该如何改进模型？

信用风险(Credit Risk)

场外衍生品的名义金额都非常巨大，交易中大规模的使用授信。2008年的金融危机的高潮就是雷曼兄弟的破产，原因是它作为一个大型的中间交易商对其交易对手有巨大的信用暴露。信用风险爆发后的破坏力往往比市场风险的破坏力更大。衍生品的信用风险与常见的债券信用风险的最大不同之处就是如何估计交易对手的信用暴露。债券的信用暴露就是债券的面值，非常直观，而衍生品的信用暴露需要估计衍生品在未来的价值。与市场风险不同的是，在估计信用风险暴露时，往往使用Monte Carlo法生成风险因子场景与定价模型全估值的组合。部分原因是因为市场风险通常关注的是下一个交易日的持仓风险，而在信用风险中，对于不同交易对手追保(Margin)频率的不同，风险管理者面临着不同时间长度的风险暴露。

总之，衍生品交易商的量化模型可以非常复杂，来满足日益复杂的市场情况和风险管理需求。相较于国外成熟的投资银行，国内券商的量化团队还没有那么“大”。为了能够更好的管理住风险，期望各从业机构能继续投入大量的人力物力进入到量化方面的工作中来。