基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量研究進(jìn)展

陳榮達(dá)，周寒嫻，余樂安，金騁路

（1.浙江財(cái)經(jīng)大學(xué)金融學(xué)院，浙江 杭州 310018；2.浙江財(cái)經(jīng)大學(xué)財(cái)富管理與量化投資協(xié)同創(chuàng)新中心，浙江 杭州 310018；3.浙江財(cái)經(jīng)大學(xué)金融創(chuàng)新與普惠金融研究中心，浙江 杭州 310018；4.北京化工大學(xué)經(jīng)濟(jì)管理學(xué)院，北京 100029）

1 引言

結(jié)構(gòu)性理財(cái)產(chǎn)品大致可以細(xì)分為外匯掛鉤類、股權(quán)掛鉤類、利率掛鉤類、信用掛鉤類和商品掛鉤類五大類。隨著互聯(lián)網(wǎng)金融的迅速發(fā)展以及金融市場化的深入，由固定收益類產(chǎn)品和金融衍生品（目前市場最常見的結(jié)構(gòu)性理財(cái)產(chǎn)品隱含的金融衍生品主要是期權(quán)）組合而成的結(jié)構(gòu)性銀行理財(cái)產(chǎn)品發(fā)展迅速，已經(jīng)成為國內(nèi)外理財(cái)市場上不可或缺的重要支柱。與許多發(fā)達(dá)國家一樣，國內(nèi)各大金融機(jī)構(gòu)利用互聯(lián)網(wǎng)平臺(tái)也逐漸加大結(jié)構(gòu)性理財(cái)產(chǎn)品的發(fā)行力度。據(jù)普益財(cái)富和銀率網(wǎng)統(tǒng)計(jì)數(shù)據(jù)顯示，基于互聯(lián)網(wǎng)平臺(tái)，2004-2012年國內(nèi)38家商業(yè)銀行發(fā)行了6532款結(jié)構(gòu)性理財(cái)產(chǎn)品。而2013-2015年，國內(nèi)64家商業(yè)銀行共發(fā)行了9970 款結(jié)構(gòu)性理財(cái)產(chǎn)品（其中，2013年發(fā)行1850款，2014年發(fā)行4366款，2015年發(fā)行3754款），最近3年發(fā)行量是過去9年的1.52倍。這些數(shù)據(jù)說明，隨著這些可用于淘氣保值和投資的結(jié)構(gòu)性理財(cái)產(chǎn)品的增加，我國金融機(jī)構(gòu)和投資者的投融資環(huán)境發(fā)生了巨大變化。

然而，結(jié)構(gòu)性理財(cái)產(chǎn)品在快速發(fā)展的同時(shí)其風(fēng)險(xiǎn)也不斷凸顯出來，市場風(fēng)險(xiǎn)因子、信用風(fēng)險(xiǎn)因子、流動(dòng)性風(fēng)險(xiǎn)因子變動(dòng)又是導(dǎo)致具有違約風(fēng)險(xiǎn)的結(jié)構(gòu)性理財(cái)產(chǎn)品價(jià)值損益變化的主要原因。如果沒有一個(gè)系統(tǒng)的測量結(jié)構(gòu)性理財(cái)產(chǎn)品資產(chǎn)組合所面臨的風(fēng)險(xiǎn)度量模型，那么就得不到量化整個(gè)結(jié)構(gòu)性理財(cái)產(chǎn)品資產(chǎn)組合的風(fēng)險(xiǎn)值，也就無法使管理者對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品資產(chǎn)組合的運(yùn)營進(jìn)行密切的監(jiān)控，因而就不會(huì)減少結(jié)構(gòu)性理財(cái)產(chǎn)品資產(chǎn)組合出現(xiàn)較大損失的可能性。而且，如果不深入了解結(jié)構(gòu)性理財(cái)產(chǎn)品中金融衍生品的復(fù)雜風(fēng)險(xiǎn)特性，投資者在使用結(jié)構(gòu)性理財(cái)產(chǎn)品時(shí)就會(huì)容易產(chǎn)生誤導(dǎo)和不平等交易。根據(jù)銀率網(wǎng)2013年的統(tǒng)計(jì)數(shù)據(jù)顯示，結(jié)構(gòu)性產(chǎn)品虧損事件未達(dá)最高預(yù)期收益事件仍然不少。例如，2013年招商銀行到期的掛鉤股票的“焦點(diǎn)聯(lián)動(dòng)系列”結(jié)構(gòu)性理財(cái)產(chǎn)品中一部分產(chǎn)品近達(dá)到了最低的預(yù)期收益率（0-0.4%），遠(yuǎn)沒實(shí)現(xiàn)預(yù)設(shè)的最高收益率。更有甚者，渣打銀行的“QDSN 系列”結(jié)構(gòu)性理財(cái)產(chǎn)品接連出現(xiàn)巨額虧損，最嚴(yán)重的達(dá)到95%。類似地，2014年1月中誠信托發(fā)生了與煤炭掛鉤的30億礦產(chǎn)信托兌付危機(jī)事件，凸顯了結(jié)構(gòu)性理財(cái)產(chǎn)品的風(fēng)險(xiǎn)度量和控制問題。

根據(jù)銀率網(wǎng)統(tǒng)計(jì)，2015年到期的結(jié)構(gòu)性理財(cái)產(chǎn)品中僅有60%左右產(chǎn)品（3469款到期產(chǎn)品中2091款）披露了到期實(shí)際收益率。即使在披露了實(shí)際收益率的產(chǎn)品中，也僅有60%左右產(chǎn)品實(shí)現(xiàn)預(yù)期最高收益率，剩余的40%結(jié)構(gòu)性產(chǎn)品均未達(dá)預(yù)期收益，進(jìn)一步凸顯了結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量和控制問題。同時(shí)，由于結(jié)構(gòu)性理財(cái)產(chǎn)品是運(yùn)用金融工程技術(shù)將存款、零息債券等固定收益產(chǎn)品與期權(quán)組合在一起而形成的金融產(chǎn)品，除了市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)之外，基于互聯(lián)網(wǎng)平臺(tái)的結(jié)構(gòu)性理財(cái)產(chǎn)品還有一個(gè)新的特點(diǎn)就是流動(dòng)性風(fēng)險(xiǎn)非常之大。由于互聯(lián)網(wǎng)平臺(tái)籌資具有聚散迅速（即資金聚的快散的也快）的特點(diǎn)，基于互聯(lián)網(wǎng)平臺(tái)的結(jié)構(gòu)性理財(cái)產(chǎn)品資金池波動(dòng)性非常大，使得流動(dòng)性風(fēng)險(xiǎn)是互聯(lián)網(wǎng)理財(cái)產(chǎn)品不同于其他理財(cái)產(chǎn)品風(fēng)險(xiǎn)管理的最重要之處。為此，同時(shí)考慮結(jié)構(gòu)性理財(cái)產(chǎn)品的市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)，建立基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品期權(quán)組合非線性風(fēng)險(xiǎn)量模型，利用稀有事件模擬和智能化控制等技術(shù)將眾多不確定的因素轉(zhuǎn)化為客觀概率數(shù)值，使得隱性風(fēng)險(xiǎn)顯性化，便于風(fēng)險(xiǎn)的管理與控制，是目前學(xué)術(shù)界和工業(yè)界要開拓的工作。

2 國內(nèi)外研究現(xiàn)狀

由于結(jié)構(gòu)性理財(cái)產(chǎn)品是固定收益類產(chǎn)品和期權(quán)組合而成，固定收益類產(chǎn)品屬于線性資產(chǎn)，而期權(quán)屬于非線性資產(chǎn)。線性或非線性資產(chǎn)組合風(fēng)險(xiǎn)度量必須處理好以下兩個(gè)問題，一是如何選擇隨機(jī)風(fēng)險(xiǎn)因子分布類型，二是如何得到將風(fēng)險(xiǎn)因子變化映射到資產(chǎn)組合損失分布的傳導(dǎo)機(jī)制［1-18］。本文首先從結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)度量、結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)集成度量兩方面論述國內(nèi)外現(xiàn)有文獻(xiàn)基于市場風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)的研究結(jié)論，并針對(duì)性的提出需要突破解決的研究問題。其次，本文簡述現(xiàn)有針對(duì)互聯(lián)網(wǎng)金融模式發(fā)展背景下的流動(dòng)性風(fēng)險(xiǎn)和人工智能技術(shù)對(duì)金融產(chǎn)品定價(jià)和風(fēng)險(xiǎn)度量的影響的研究，為下一部分提出基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量研究展望提供理論支持。

2.1 基于市場風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)的研究現(xiàn)狀

現(xiàn)有文獻(xiàn)主要討論結(jié)構(gòu)性理財(cái)產(chǎn)品面臨的市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，但是單獨(dú)考慮其中一種類型風(fēng)險(xiǎn)而忽視另一種類型風(fēng)險(xiǎn)，顯然不能全面度量結(jié)構(gòu)性理財(cái)產(chǎn)品總風(fēng)險(xiǎn)。若簡單線性相加市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)各自風(fēng)險(xiǎn)值，一方面，由于忽略不同類型風(fēng)險(xiǎn)間的分散化效應(yīng)（Diversification Effect），最終的計(jì)算結(jié)果將可能高估總風(fēng)險(xiǎn)；另一方面，由于不同類型風(fēng)險(xiǎn)之間的復(fù)利效應(yīng)（Compounding Effect），計(jì)算結(jié)果也可能低估總風(fēng)險(xiǎn)。至于分散化效應(yīng)和復(fù)利效應(yīng)兩者的重要性在資產(chǎn)組合風(fēng)險(xiǎn)度量中誰占主導(dǎo)，這就依賴于不同的場［19-22］。所以在獨(dú)立地考慮不同類型風(fēng)險(xiǎn)之外，還應(yīng)努力建立好集成度量市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的一致性方法。

因此，目前對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量的研究由兩個(gè)方面展開：結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)度量、結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)集成度量。結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)度量，是在市場風(fēng)險(xiǎn)因子為多元分布的假設(shè)條件下，引入Delta、Gamma、Theta等金融參數(shù)將期權(quán)組合損失進(jìn)行二階泰勒展開，將組合損失近似地拓展成Delta-Gamma-Theta模型，直接或間接得到反映組合損失的矩母函數(shù)及對(duì)應(yīng)的特征函數(shù)。在此基礎(chǔ)上，運(yùn)用數(shù)值模擬技術(shù)得到一定置信水平下的分位點(diǎn)即求出相應(yīng)的VaR 值和ES值［23-29］。而對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)集成度量，由于組合同時(shí)面臨著市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，通過建立這兩種風(fēng)險(xiǎn)因子的控制方程及其依賴關(guān)系，在市場風(fēng)險(xiǎn)度量模型嵌入信用風(fēng)險(xiǎn)因子，在此基礎(chǔ)上運(yùn)用數(shù)值模擬技術(shù)進(jìn)行風(fēng)險(xiǎn)度量［30-36］。

由于由固定收益類產(chǎn)品和期權(quán)組合而成的結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量核心是期權(quán)組合風(fēng)險(xiǎn)度量。而期權(quán)組合風(fēng)險(xiǎn)度量研究始于上世紀(jì)九十年代后期，經(jīng)過多年的研究，這方面研究得到了長足的發(fā)展。目前這方面研究大體分為期權(quán)組合市場風(fēng)險(xiǎn)度量和期權(quán)組合市場風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)集成度量兩種研究框架。這兩種研究框架是基于選擇風(fēng)險(xiǎn)因子分布類型，進(jìn)而得到期權(quán)組合損失分布，并在此基礎(chǔ)上進(jìn)行模型分析和數(shù)值模擬計(jì)算；而后一種研究框架是在前一種研究框架基礎(chǔ)上進(jìn)一步研究，則更為復(fù)雜。另外，由于VaR、ES的估計(jì)是在極小概率事件發(fā)生情形下進(jìn)行，應(yīng)用一般Monte Carlo模擬計(jì)算時(shí)通常閾值比較大，導(dǎo)致組合損失值大于閾值的樣本也相對(duì)較少。因此，為了達(dá)到理想的模擬效果，需要生成大量的樣本，增加了計(jì)算工作量和計(jì)算時(shí)間，極大地影響了數(shù)值模擬的效率。針對(duì)這個(gè)問題，部分文獻(xiàn)發(fā)展了有效稀有事件模擬技術(shù)來解決以上問題。稀有事件模擬技術(shù)的目標(biāo)是應(yīng)用與數(shù)值模擬運(yùn)行有關(guān)的統(tǒng)計(jì)方法，使數(shù)值模擬輸出的方差減少（Monte Carlo模擬精度通常是用估計(jì)值的標(biāo)準(zhǔn)差來描述），但不影響估計(jì)值的期望值，從而達(dá)到用較少模擬次數(shù)得到較高模擬精度目的［37-42］。下面按照兩種研究框架展開進(jìn)行具體分析。

第一種研究框架：期權(quán)組合市場風(fēng)險(xiǎn)度量。

按照市場風(fēng)險(xiǎn)因子分布類型，該研究框架又可分為市場風(fēng)險(xiǎn)因子服從多元正態(tài)分布和多元厚尾分布兩種情形。

1）市場風(fēng)險(xiǎn)因子服從多元正態(tài)分布情形下的期權(quán)組合市場風(fēng)險(xiǎn)度量

該情形研究思路大體為：市場風(fēng)險(xiǎn)因子服從多元正態(tài)分布假設(shè)，由Delta- Gamma-Theta模型得到反映期權(quán)組合損失的矩母函數(shù)及對(duì)應(yīng)的特征函數(shù)，然后運(yùn)用矩匹配數(shù)值技術(shù)計(jì)算出組合的風(fēng)險(xiǎn)值［26-27］，［43-47］。雖然矩 匹 配 計(jì) 算 具 有 快 速、簡 單 的優(yōu)點(diǎn)，但是它的缺陷在于只利用有限的幾階矩（如期望、方差、偏度、峰度）來匹配期權(quán)組合損失分布，無法全面刻畫整個(gè)期權(quán)組合的損失分布，損失了高階矩（例如五階和更高階）的部分信息。而Yueh 和Wong［26］、Mina 和Ulmer［48］、Hardle 等［49］等 利 用Delta-Gamma-Theta模型得到組合損失的特征函數(shù)基礎(chǔ)上，運(yùn)用傅里葉變換技術(shù)計(jì)算出組合風(fēng)險(xiǎn)值。由于期權(quán)組合損失特征函數(shù)刻畫了組合損失這個(gè)隨機(jī)變量的概率分布，就統(tǒng)計(jì)性質(zhì)而言，沒有損失組合損失分布的信息，當(dāng)市場風(fēng)險(xiǎn)因子數(shù)目不是很大時(shí)，該方法的魯棒性比較好，但使用該方法計(jì)算組合風(fēng)險(xiǎn)值時(shí)，需要多次試算。

特別是針對(duì)上文提到的在應(yīng)用一般Monte Carlo模擬時(shí)出現(xiàn)的樣本稀少且計(jì)算誤差大的缺點(diǎn)，Cardenas等［50］應(yīng)用了控制變量技術(shù)（一種稀有事件模擬技術(shù)），改進(jìn)Monte Carlo模擬，利用Delta-Gamma-Theta近似推導(dǎo)組合價(jià)值損失，并應(yīng)用這個(gè)隨機(jī)變量作為控制變量來進(jìn)行模擬，從而達(dá)到縮減模擬方差的目的。但是該方法只利用了期權(quán)組合損失這個(gè)隨機(jī)變量的一階矩信息，且當(dāng)閾值變大時(shí)，模擬效率降低。為此，Jewell等［28］、Glasserman等［45］和Glasserman 等［51］利 用Delta-Gamma-Theta近似所包涵期權(quán)組合損失這個(gè)隨機(jī)變量的有用信息來選擇有效樣本分布，分別使用重要抽樣技術(shù)、分層抽樣技術(shù)以及兩種抽樣技術(shù)的組合來進(jìn)行稀有事件（與VaR、ES問題相對(duì)應(yīng)）模擬；進(jìn)而通過引入似然比函數(shù)（likelihood ratio）來改變市場因子分布的期望向量和協(xié)方差矩陣，從而增加在相應(yīng)區(qū)域的樣本數(shù)，使得估計(jì)量不再是稀有事件發(fā)生情形下進(jìn)行，且這種轉(zhuǎn)換又能使估計(jì)量滿足無偏性、有效性等性質(zhì)，從而達(dá)到提高模擬精度和減少模擬計(jì)算時(shí)間的目的。

2）市場風(fēng)險(xiǎn)因子服從多元厚尾分布情形下的期權(quán)組合市場風(fēng)險(xiǎn)度量

對(duì)于市場風(fēng)險(xiǎn)因子為正態(tài)分布的假設(shè)，當(dāng)且僅當(dāng)隨機(jī)變量不相關(guān)時(shí)，期權(quán)組合的市場風(fēng)險(xiǎn)因子才是獨(dú)立的，因而容易推導(dǎo)出期權(quán)組合損失的矩母函數(shù)及其對(duì)應(yīng)的特征函數(shù)。然而大量實(shí)證研究表明，市場風(fēng)險(xiǎn)因子一般不服從正態(tài)分布，主要體現(xiàn)在其分布通常具有顯著的尖峰厚尾特征［52］-［64］。另外，上述研究還發(fā)現(xiàn)這些金融數(shù)據(jù)的尾部并不是厚到以致于產(chǎn)生無限方差，無法被傳統(tǒng)正態(tài)分布假設(shè)完全反映。

與此同時(shí)，若期權(quán)組合風(fēng)險(xiǎn)度量過程中還考慮市場風(fēng)險(xiǎn)因子有著非線性關(guān)系，市場風(fēng)險(xiǎn)因子的多元厚尾分布情形遠(yuǎn)比多元正態(tài)分布復(fù)雜，計(jì)算工作量明顯增加。對(duì)于多元厚尾分布情形，隨機(jī)變量不相關(guān)，它們不一定獨(dú)立，這和多元正態(tài)情形是相反的，因而不容易得到期權(quán)組合損失的矩母函數(shù)及對(duì)應(yīng)的特征函數(shù)，這時(shí)進(jìn)行數(shù)值模擬運(yùn)算就難以展開。為了克服多元厚尾分布情形下估計(jì)期權(quán)組合風(fēng)險(xiǎn)值的困難，Glasserman等［65］基于把厚尾估計(jì)問題轉(zhuǎn)化為輕尾問題思想，提出將市場風(fēng)險(xiǎn)因子的厚尾特征用多元-t分布模擬，并利用多元t-分布結(jié)構(gòu)從而間接得到反映期權(quán)組合損失的矩母函數(shù)。針對(duì)VaR、ES計(jì)算時(shí)通常閾值比較大，這時(shí)產(chǎn)生了期權(quán)組合損失值大于閾值的樣本比較稀少且存在計(jì)算誤差大的缺點(diǎn)?；诖?，把重要抽樣技術(shù)應(yīng)用到多元t-分布情形下的Delta-Gamma-Theta模型，從而實(shí)現(xiàn)在相應(yīng)區(qū)域產(chǎn)生更多的樣本，改進(jìn)之前基于稀有事件的Monte Carlo模擬，同時(shí)控制了Monte Carlo模擬計(jì)算工作量。另外，為了進(jìn)一步減少模擬估計(jì)誤差，在重要抽樣技術(shù)基礎(chǔ)上使用分層抽樣技術(shù)，能更加有效的Monte Carlo模擬。但該模型在運(yùn)算時(shí)假設(shè)所有市場風(fēng)險(xiǎn)因子具有相等的自由度，事實(shí)上不同市場風(fēng)險(xiǎn)因子厚尾程度不一樣，自由度也對(duì)應(yīng)著不同。

針 對(duì) 上 述 問 題，Albanese 等［66］、Albanese 和Campolieti［67］、Date和Bustreo［68］引入快速 卷 積方法來解決上述問題。因?yàn)榫矸e計(jì)算涉及到各隨機(jī)變量的邊緣分布，這將允許邊緣分布的建模與它們的相關(guān)分布結(jié)構(gòu)分開來考慮，從而大大簡化了對(duì)聯(lián)合隨機(jī)過程的估計(jì)問題，避開了多元厚尾分布情形下，得到期權(quán)組合損失的特征函數(shù)解析表達(dá)式的困難。同時(shí)，進(jìn)一步利用卷積公式、快速傅里葉變換以及線性插值近似計(jì)算出相應(yīng)的組合風(fēng)險(xiǎn)值。另外，Lin等［55］、Johannes 等［69］、Kamdem［25］、陳 榮 達(dá) 等［70］、Fuh等［71］也在市場風(fēng)險(xiǎn)因子服從多元t-分布框架下，在Glasserman等［65］推導(dǎo)得到的期權(quán)組合損失矩母函數(shù)基礎(chǔ)上，運(yùn)用有效Monte Carlo模擬和快速傅里葉變換等數(shù)值模擬技術(shù)計(jì)算出組合風(fēng)險(xiǎn)值。

除此之外，Chen Rongda和Yu Lean［72］假設(shè)市場風(fēng)險(xiǎn)因子厚尾特征用多元混合正態(tài)分布來描述，提出基于多元混合正態(tài)分布的期權(quán)組合市場風(fēng)險(xiǎn)度量模型，推導(dǎo)出多元混合正態(tài)分布情形下反映期權(quán)組合損失的特征函數(shù)；在此基礎(chǔ)上，將自適應(yīng)Simpson法則（即概率分布的傅里葉變換技術(shù)和數(shù)值積分近似計(jì)算的迭代算法）發(fā)展到多元混合正態(tài)分布情形下的期權(quán)組合風(fēng)險(xiǎn)度量模型中，估計(jì)出期權(quán)組合的風(fēng)險(xiǎn)值。

類似地，Juneja和Shahabuddin［39］、Kamdem 和Genz［73］、Brummelhuis 和Kamdem［74］也 考 慮 了 多元Laplace分布來解決，具體步驟包括：1）用多元Laplace分布來刻畫市場風(fēng)險(xiǎn)因子厚尾特征；2）利用風(fēng)險(xiǎn)函數(shù)轉(zhuǎn)換技術(shù)和關(guān)于多維Laplace多重積分，間接得到反映期權(quán)組合損失的矩母函數(shù)及相應(yīng)的特征函數(shù)；3）利用重要抽樣技術(shù)，建立多元Laplace分布情形下的期權(quán)組合風(fēng)險(xiǎn)度量的有效Monte Carlo模擬模型。但需要指出的是他們的模型只解決了投資組合在Delta中立情形下的期權(quán)組合風(fēng)險(xiǎn)度量。事實(shí)上，期權(quán)組合處于Delta中立只能維持一個(gè)很短的時(shí)間，大多數(shù)情形組合處于Delta非中性狀態(tài)。

市場風(fēng)險(xiǎn)因子尾部分布有兩類厚尾特征，第一類是尾部以多項(xiàng)式形式衰減的尾部分布族，例如多元t-分布、多元混合正態(tài)的尾部普遍具有這樣的特征?？v觀該領(lǐng)域的國內(nèi)外研究和近期發(fā)展可以看出，針對(duì)市場風(fēng)險(xiǎn)因子尾部分布呈第一類厚尾類型來建模計(jì)算期權(quán)組合的風(fēng)險(xiǎn)值，解決得相對(duì)較好，如前面論述的市場風(fēng)險(xiǎn)因子為多元混合正態(tài)、多元t-分布情形下的期權(quán)組合風(fēng)險(xiǎn)度量模型。

第二類厚尾特征則是是尾部以指數(shù)類型衰減的尾部分布族，如多元Laplace分布的尾部特征是指數(shù)類型，比高斯分布類型尾部要厚一個(gè)數(shù)量級(jí)［53］。而對(duì)市場風(fēng)險(xiǎn)因子尾部分布呈第二類厚尾類型來建模計(jì)算期權(quán)組合的風(fēng)險(xiǎn)值，目前只解決了市場風(fēng)險(xiǎn)因子服從多元Laplace分布和Delta中立情形下的期權(quán)組合風(fēng)險(xiǎn)度量，這也是未來相關(guān)研究需要突破解決的一個(gè)重要方面。

第二種研究框架：期權(quán)組合市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)集成度量。

該框架的研究思路大體為：由固定收益類產(chǎn)品和期權(quán)組合而成的結(jié)構(gòu)性理財(cái)產(chǎn)品面臨著市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，因此，其期權(quán)組合也同時(shí)面臨著市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)。鑒于此，對(duì)期權(quán)組合進(jìn)行風(fēng)險(xiǎn)度量，要首先在更加微觀的風(fēng)險(xiǎn)因子層面上考慮不同風(fēng)險(xiǎn)因子之間相關(guān)性。市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)隨機(jī)相依關(guān)系通過建立兩種類型風(fēng)險(xiǎn)因子的控制方程及其依賴關(guān)系體現(xiàn)，在期權(quán)組合市場風(fēng)險(xiǎn)度量模型嵌入信用風(fēng)險(xiǎn)因子，進(jìn)而運(yùn)用數(shù)值模擬技術(shù)進(jìn)行風(fēng)險(xiǎn)集成度量［10］，［30-34］。

然而，把信用風(fēng)險(xiǎn)因子嵌入期權(quán)組合市場風(fēng)險(xiǎn)度量模型會(huì)增加風(fēng)險(xiǎn)度量的計(jì)算復(fù)雜度，因?yàn)樵陬A(yù)測過程中再加入對(duì)期權(quán)組合的重新估值將變得更加復(fù)雜。另外，期權(quán)組合風(fēng)險(xiǎn)度量模型應(yīng)用結(jié)構(gòu)Monte Carlo模擬技術(shù)計(jì)算組合損失分布的尾部概率或給定置信度下組合風(fēng)險(xiǎn)值，由于信用等級(jí)比較高的結(jié)構(gòu)性理財(cái)產(chǎn)品違約概率比較低，計(jì)算時(shí)閾值會(huì)相對(duì)較大，即導(dǎo)致這時(shí)產(chǎn)生結(jié)構(gòu)性理財(cái)產(chǎn)品組合損失值大于閾值的樣本就比較稀少。如果為了達(dá)到理想的模擬效果則需要產(chǎn)生大量的樣本，這勢必將會(huì)增加計(jì)算時(shí)間和工作量，從而影響模擬效率。

為此，Duffie和Pan［30］假定了標(biāo)的資產(chǎn)對(duì)數(shù)價(jià)格過程為多元跳躍擴(kuò)散過程（其對(duì)數(shù)價(jià)格是布朗運(yùn)動(dòng)和一個(gè)與其獨(dú)立的跳躍幅度為正態(tài)分布的復(fù)合Poisson過程的耦合），各交易對(duì)手違約強(qiáng)度為CIR（Cox-Ingersoll-Ross）過程，即允許市場風(fēng)險(xiǎn)因子和違約強(qiáng)度相關(guān)，從而將信用風(fēng)險(xiǎn)和市場風(fēng)險(xiǎn)兩類因子仿射地依賴于基礎(chǔ)向量，并基于此構(gòu)建兩類風(fēng)險(xiǎn)相依性，再進(jìn)一步利用Delta-Gamma-Theta模型近似得到期權(quán)組合損失的矩母函數(shù)。同時(shí)利用特征函數(shù)和矩母函數(shù)關(guān)系，將Monte Carlo模擬和傅里葉變換等數(shù)值技術(shù)發(fā)展到模型中，估計(jì)出組合VaR 值。但是Delta-Gamma- Theta近似方法適合較短預(yù)測時(shí)段，由于信用事件比市場事件發(fā)生的頻率要少得多，期權(quán)組合風(fēng)險(xiǎn)度量選擇的預(yù)測時(shí)段要長于只考慮市場風(fēng)險(xiǎn)的組合風(fēng)險(xiǎn)度量選擇的預(yù)測時(shí)段（J.P.Morgan Chase的Credit Mertics模型、KMV 的Portfolio Manager 模 型、Mc Kinsey 的CreditPortfolio View 模型、Credit Suisse First Boston 的Credit Risk+模型一般選擇1 年的預(yù)測時(shí)段），因此，該方法的精度有待提高；而且該模型在描述跳躍形式時(shí)假設(shè)跳躍幅度為正態(tài)分布，這也與現(xiàn)實(shí)不符。實(shí)際上，金融市場標(biāo)的資產(chǎn)對(duì)好消息壞消息的反應(yīng)是不對(duì)稱的。此外，模型沒有考慮隨機(jī)回收率等信用風(fēng)險(xiǎn)因子。

Grundke［75］在反映利率風(fēng)險(xiǎn)的市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的聯(lián)合分布為多元正態(tài)分布的框架下，利用條件特征函數(shù)與無條件特征函數(shù)的關(guān)系，推導(dǎo)出交易對(duì)手存在違約風(fēng)險(xiǎn)的期權(quán)組合損失分布的特征函數(shù)；在此基礎(chǔ)上，給定市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子條件下，利用傅里葉變換技術(shù)計(jì)算出條件組合損失分布的尾部概率；然后，把重要抽樣技術(shù)和傅里葉變換技術(shù)相耦合，通過對(duì)市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的聯(lián)合分布進(jìn)行概率測度變化，從而改變風(fēng)險(xiǎn)因子的期望向量，增加相應(yīng)區(qū)域的樣本，使得該情形下不再是稀有事件Monte Carlo模擬，以實(shí)現(xiàn)減少M(fèi)onte Carlo模擬計(jì)算工作量；最后，利用全期望公式估計(jì)出組合損失分布的尾部概率。但若市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的聯(lián)合分布為多元厚尾情形下，不能夠直接得到期權(quán)組合損失分布的特征函數(shù)，這時(shí)進(jìn)行稀有事件模擬計(jì)算就不能展開了。

同樣，Grundke［32］基于市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的聯(lián)合分布為多元正態(tài)分布的框架，把Glasserman和Li［76］提出的兩步重要抽樣技術(shù)應(yīng)用到Grundke［75］的期權(quán)組合市場風(fēng)險(xiǎn)度量模型中，從而建立了基于兩步重要抽樣技術(shù)的期權(quán)組合風(fēng)險(xiǎn)度量模型。在此基礎(chǔ)上，為同時(shí)實(shí)現(xiàn)降低兩步重要抽樣技術(shù)中的市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的期望向量確定過程中的模擬估計(jì)誤差、提高模擬效率，Glasserman等［3］應(yīng)用非線性優(yōu)化技術(shù)中的背包問題來解決。但是該模型沒有考慮到反映交易對(duì)手信用質(zhì)量的違約強(qiáng)度風(fēng)險(xiǎn)因子以及沒有考慮到隨機(jī)回收率問題。另外，Grundke［32］和Grundke［76］提出模型的一個(gè)重要缺陷在于，都沒有考慮標(biāo)的資產(chǎn)價(jià)格過程的跳躍成分，即沒有考慮到資產(chǎn)價(jià)差變化表現(xiàn)出的跳躍性。

此外，F(xiàn)rey和Backhaus［33］考慮到標(biāo)的資產(chǎn)價(jià)格變化的跳躍性，在期權(quán)組合風(fēng)險(xiǎn)度量研究框架下，通過多元正態(tài)-Copula來捕捉擔(dān)保債務(wù)憑證（Collateralized Debt Obligation，簡稱CDO）以及各分券資產(chǎn)的隨機(jī)相關(guān)結(jié)構(gòu)，然后模擬出資產(chǎn)組合損失的分布，進(jìn)一步考慮到信用價(jià)差和違約傳染性，并運(yùn)用馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，簡稱MCMC）模擬技術(shù)來計(jì)算CDO 各分券資產(chǎn)的最佳對(duì)沖比。Schr?ter和Heider［34］運(yùn)用多元正態(tài)-Copula、阿基米德- Copula 等不同分布族的Copula來捕捉市場風(fēng)險(xiǎn)因子和信用風(fēng)險(xiǎn)因子的相依性，進(jìn)一步運(yùn)用重要抽樣技術(shù)估計(jì)出一籃子違約互換的多個(gè)債務(wù)人組合的VaR 值。他們研究發(fā)現(xiàn)，不同分布族的Copula會(huì)顯著影響組合的VaR 值。

綜觀期權(quán)組合風(fēng)險(xiǎn)度量領(lǐng)域的近期研究與發(fā)展可以看出，期權(quán)組合市場風(fēng)險(xiǎn)度量研究已進(jìn)入到運(yùn)用不同多元厚尾分布類型來對(duì)市場風(fēng)險(xiǎn)因子建模計(jì)算期權(quán)組合的風(fēng)險(xiǎn)值。但對(duì)市場風(fēng)險(xiǎn)因子尾部分布特征呈指數(shù)類型衰減時(shí)，目前還需進(jìn)一步解決。而對(duì)期權(quán)組合市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)集成度量研究，主要在多元正態(tài)分布-Copula的框架下進(jìn)行，但多元正態(tài)分布-Copula不能很好捕捉市場風(fēng)險(xiǎn)因子與信用風(fēng)險(xiǎn)因子的相依特征，因?yàn)檎龖B(tài)分布Copula的尾部相依系數(shù)幾乎為零，而期權(quán)組合市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)集成度量又在組合損失分布的尾部進(jìn)行，這大大影響了所需估計(jì)量的精度。用多元厚尾分布Copula來捕獲市場風(fēng)險(xiǎn)因子與信用風(fēng)險(xiǎn)因子相依特征的期權(quán)組合風(fēng)險(xiǎn)度量難度與強(qiáng)度都比多元正態(tài)情形下復(fù)雜，這是相關(guān)領(lǐng)域待解決的另一個(gè)問題。

2.2 互聯(lián)網(wǎng)金融模式背景下結(jié)構(gòu)性理財(cái)產(chǎn)品流動(dòng)性風(fēng)險(xiǎn)與人工智能影響的研究現(xiàn)狀

另外，市場風(fēng)險(xiǎn)引發(fā)的流動(dòng)性風(fēng)險(xiǎn)無疑是互聯(lián)網(wǎng)理財(cái)產(chǎn)品所面臨的另一主要風(fēng)險(xiǎn)。在互聯(lián)網(wǎng)信息快速傳遞的情況下，一旦市場動(dòng)蕩或產(chǎn)品回報(bào)不符合預(yù)期，投資者可能在非常短的時(shí)間內(nèi)集中性贖回，從而導(dǎo)致互聯(lián)網(wǎng)理財(cái)產(chǎn)品面臨非常大的流動(dòng)性風(fēng)險(xiǎn)。其次，互聯(lián)網(wǎng)金融機(jī)構(gòu)在風(fēng)險(xiǎn)管理和經(jīng)營過程中通常使用大量基于相同原理的數(shù)理與計(jì)量模型，在一定程度上會(huì)顯著增加市場變動(dòng)的趨同性。這種趨同性會(huì)放大市場的波動(dòng)幅度，從而加劇在流動(dòng)性出現(xiàn)過剩或者短缺時(shí)出現(xiàn)的問題。而且，這些模型往往難以預(yù)測所謂的“小概率”極端市場情況，又會(huì)造成忽視極端情況下的流動(dòng)性風(fēng)險(xiǎn)問題。因此，基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品除了面臨市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)外，還面臨著巨大的流動(dòng)性風(fēng)險(xiǎn)。在這個(gè)意義上，流動(dòng)性風(fēng)險(xiǎn)是互聯(lián)網(wǎng)理財(cái)產(chǎn)品不同于其他理財(cái)產(chǎn)品風(fēng)險(xiǎn)管理的最重要之處。

鑒于此，針對(duì)流動(dòng)性風(fēng)險(xiǎn)管理方面，巴塞爾協(xié)議III提出了流動(dòng)性覆蓋（LCR，Liqudity Covered Ratio）、凈穩(wěn)定資金比例（NSFR，Net Steady Finance Ratio）兩個(gè)新的流動(dòng)性指標(biāo)來有效管理和監(jiān)管銀行流動(dòng)性風(fēng)險(xiǎn)。Rossignolo等［77］應(yīng)用內(nèi)部模型方法（Internal Models Approach，IMA）和 標(biāo) 準(zhǔn) 方 法（Standardized Approach，SA）來計(jì)算葡萄牙、愛爾蘭、希臘和西班牙等國家銀行的巴塞爾協(xié)議III提出的最小資本金要求，研究了各國金融機(jī)構(gòu)巴塞爾資本金要求應(yīng)對(duì)2008年金融危機(jī)及以后的市場流動(dòng)性情況，并指出厚尾技術(shù)在計(jì)算流動(dòng)性風(fēng)險(xiǎn)的優(yōu)點(diǎn)。King［78］應(yīng)用了15個(gè)國家銀行的凈穩(wěn)定資金比例（NSFR）數(shù)據(jù)來研究由于銀行資產(chǎn)和負(fù)債錯(cuò)配而引起的融資性流動(dòng)性風(fēng)險(xiǎn)，實(shí)證結(jié)果表明銀行符合巴塞爾協(xié)議III的凈穩(wěn)定資金比例最有效策略是增加持有更高等級(jí)證券和延長大規(guī)模貸款的期限。Dietrich等［79］分析了1996年至2010年921家西歐國家銀行機(jī)構(gòu)的凈穩(wěn)定資金比例（NSFR）的特點(diǎn)，發(fā)現(xiàn)08年金融危機(jī)后大多數(shù)銀行開始提高了NSFR。另外，他們還發(fā)現(xiàn)一個(gè)有趣的事實(shí)：在融資成本有優(yōu)勢但凈穩(wěn)定資金比例低的銀行并沒有較高的盈利能力，反而這些銀行在經(jīng)營安全上更加脆弱。為了讓銀行滿足LCR 和NSFR 等銀行杠桿率，Schmaltz等［80］應(yīng)用線性規(guī)劃方法為銀行尋找從巴塞爾協(xié)議II過渡到巴塞爾協(xié)議III優(yōu)化策略。李少華和程遠(yuǎn)杰［81］在結(jié)構(gòu)化模型的基礎(chǔ)上，給出了流動(dòng)性風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)相互影響的損失值模型以及利差模型。針對(duì)證券交易所公開限價(jià)指令，Dionne等［12］提出了一種新穎的高頻流動(dòng)性調(diào)整風(fēng)險(xiǎn)值（Liquidity-adjusted Intraday Value at Risk，LIVaR）來集成度量市場風(fēng)險(xiǎn)和因變現(xiàn)資產(chǎn)而產(chǎn)生的流動(dòng)性風(fēng)險(xiǎn)，其中流動(dòng)性風(fēng)險(xiǎn)因子用買賣價(jià)差來刻畫。Bai等［82］提出的先確定資產(chǎn)和負(fù)債流動(dòng)性權(quán)重以計(jì)算銀行流動(dòng)性不匹配指數(shù) （Liquidity Mismatch Index，LMI）的流動(dòng)性測度方法。有趣的是，上述模型中的流動(dòng)性風(fēng)險(xiǎn)度量都是針對(duì)銀行資產(chǎn)，沒有針對(duì)結(jié)構(gòu)化理財(cái)產(chǎn)品，更沒有針對(duì)基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)化理財(cái)產(chǎn)品。除了針對(duì)銀行資產(chǎn)，高強(qiáng)和鄒恒甫［83］通過實(shí)證評(píng)估了無風(fēng)險(xiǎn)利率、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)以及宏觀系統(tǒng)性風(fēng)險(xiǎn)對(duì)債券收益率的影響。Wu Ying［84］針對(duì)美國股市提出的基于Amihud流動(dòng)性測度方法的市場極端流動(dòng)性風(fēng)險(xiǎn)指數(shù) （Extreme Liquidity Index）等。這些研究同樣沒有針對(duì)互聯(lián)網(wǎng)金融模式下的結(jié)構(gòu)化理財(cái)產(chǎn)品的流動(dòng)性風(fēng)險(xiǎn)進(jìn)行度量。

在結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)集成度量模型基礎(chǔ)上，再考慮流動(dòng)性風(fēng)險(xiǎn)，目前這方面的研究有待進(jìn)一步深入。而且，流動(dòng)性風(fēng)險(xiǎn)是互聯(lián)網(wǎng)理財(cái)產(chǎn)品不同于其他理財(cái)產(chǎn)品風(fēng)險(xiǎn)管理的最重要之處，如何建立基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品流動(dòng)性風(fēng)險(xiǎn)度量模型，這方面的研究還待進(jìn)一步拓展和深入。

最后，基于互聯(lián)網(wǎng)平臺(tái)的結(jié)構(gòu)性理財(cái)產(chǎn)品資金池波動(dòng)性非常大，呈現(xiàn)出“聚散迅速”的特征。也就是說，借助互聯(lián)網(wǎng)平臺(tái)，基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品的資金池聚的快，散的也快，流動(dòng)性十分快捷，波動(dòng)性非常巨大。為此，如何運(yùn)用智能計(jì)算與數(shù)據(jù)挖掘技術(shù)，對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)進(jìn)行智能化控制，并具體運(yùn)用在實(shí)際的互聯(lián)網(wǎng)金融市場，還待進(jìn)一步推進(jìn)和深入。

隨著智能計(jì)算與數(shù)據(jù)挖掘技術(shù)的飛速發(fā)展尤其是機(jī)器學(xué)習(xí)和進(jìn)化計(jì)算的發(fā)展，人工智能技術(shù)已經(jīng)被廣泛應(yīng)用在金融風(fēng)險(xiǎn)的預(yù)測與控制領(lǐng)域。由于人工智能技術(shù)具有自組織、自適應(yīng)、自學(xué)習(xí)的特性，因此能有效地處理傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜問題，且不受問題性質(zhì)的限制。這些特點(diǎn)使得人工智能技術(shù)為金融產(chǎn)品的建模、定價(jià)和風(fēng)險(xiǎn)控制提供了新的技術(shù)和方法。目前已有大量人工智能技術(shù)被用于金融產(chǎn)品定價(jià)和風(fēng)險(xiǎn)度量模型中，如人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法、元胞自動(dòng)機(jī)、遺傳規(guī)劃、支持向量機(jī)、蟻群算法、模擬退火算法等，這些方法在分析金融市場的不確定性和復(fù)雜性非常有效［85-94］。

另外，一些學(xué)者進(jìn)一步推進(jìn)應(yīng)用人工智能技術(shù)解決金融產(chǎn)品定價(jià)和風(fēng)險(xiǎn)度量問題，改進(jìn)經(jīng)典的誤差反傳（BP）神經(jīng)網(wǎng)絡(luò)，發(fā)展對(duì)新型混合人工神經(jīng)網(wǎng)絡(luò)［95-101］。例如，Huang Wei等［102］利用支持向量機(jī)來預(yù)測日經(jīng)225指數(shù)的每周走勢，發(fā)現(xiàn)支持向量機(jī)的預(yù)測效果要優(yōu)于經(jīng)典的BP 神經(jīng)網(wǎng)絡(luò)。Huang［103］集成無軌跡卡爾曼濾波和支持向量機(jī)技術(shù)對(duì)臺(tái)灣期貨交易所的期權(quán)價(jià)格進(jìn)行在線預(yù)測，為進(jìn)一步提高預(yù)測精度，對(duì)期權(quán)實(shí)際價(jià)格和在線預(yù)測價(jià)格的誤差應(yīng)用支持向量機(jī)技術(shù)進(jìn)行建模。Pires和Marwala［104］利用貝葉斯分析思想，提出了期權(quán)定價(jià)的貝葉斯神經(jīng)網(wǎng)絡(luò)模型來解決美式期權(quán)定價(jià)的復(fù)雜性問題。Gradojevic等［105］針對(duì)標(biāo)準(zhǔn)化前向神經(jīng)網(wǎng)絡(luò)期權(quán)定價(jià)模型在處理深度虛值期權(quán)所出現(xiàn)的計(jì)算復(fù)雜性和局限性，將工程計(jì)算中的模塊化思想發(fā)展到期權(quán)定價(jià)的神經(jīng)網(wǎng)絡(luò)方法中，提出了一種非參數(shù)的模塊化神經(jīng)網(wǎng)絡(luò)模型并對(duì)標(biāo)準(zhǔn)普爾500指數(shù)歐式看漲期權(quán)進(jìn)行定價(jià)。張鴻彥和林輝［106］采用加權(quán)的隱含波動(dòng)率作為混合神經(jīng)網(wǎng)絡(luò)的輸入變量，通過遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和獲得隱含波動(dòng)率的權(quán)重，構(gòu)建了混合神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的期權(quán)價(jià)格預(yù)測模型。張鴻彥等［107］針對(duì)不同種類期權(quán)的隱含波動(dòng)率不同，建立了混合小波神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的期權(quán)定價(jià)模型。由于Heston隨機(jī)波動(dòng)率模型放松了Black-Sholes模型的假定而更符合市場情況，但Heston 期權(quán)定價(jià)模型在應(yīng)用中需要確定五個(gè)待估參數(shù)，解決此問題通常比較困難，王林等［108］采用模擬退火算法并利用最小化殘差平方和來估算，得到Heston期權(quán)定價(jià)模型的待估參數(shù)。

類似地，利用高頻數(shù)據(jù)，Chen和Sutcliffe［109］應(yīng)用混合人工神經(jīng)網(wǎng)絡(luò)對(duì)英鎊期權(quán)的定價(jià)進(jìn)行研究，結(jié)果表明混合人工神經(jīng)網(wǎng)絡(luò)期權(quán)定價(jià)模型優(yōu)于修改的Black-Scholes期權(quán)定價(jià)模型。Hahn［110］研究了如何利用機(jī)器學(xué)習(xí)技術(shù)來改善期權(quán)定價(jià)問題，運(yùn)用神經(jīng)網(wǎng)絡(luò)來對(duì)決定期權(quán)價(jià)格關(guān)鍵的波動(dòng)率進(jìn)行建模，并利用澳大利亞期權(quán)市場的數(shù)據(jù)進(jìn)行實(shí)證研究，以此來驗(yàn)證機(jī)器學(xué)習(xí)技術(shù)在期權(quán)定價(jià)方面的有效性。Verma等［111］應(yīng)用ε不敏感支持向量機(jī)和光滑的？不敏感支持向量機(jī)對(duì)印度的S&P CNX Nifty指數(shù)深度實(shí)值期權(quán)、實(shí)值期權(quán)、平價(jià)期權(quán)、虛值期權(quán)、深度虛值期權(quán)等五種不同期權(quán)進(jìn)行定價(jià)研究，實(shí)證結(jié)果表明以上支持向量機(jī)的期權(quán)定價(jià)模型明顯優(yōu)于Black-Scholes模型。Hsu等［112］考慮到標(biāo)的資產(chǎn)的開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)、交易量等因素，應(yīng)用遺傳規(guī)劃和支持向量機(jī)技術(shù)對(duì)臺(tái)灣加權(quán)指數(shù)期權(quán)進(jìn)行定價(jià)，通過平均絕對(duì)百分誤差、均方誤差這兩個(gè)預(yù)測誤差指標(biāo)來驗(yàn)證基于遺傳規(guī)劃和支持向量機(jī)技術(shù)的期權(quán)定價(jià)模型有效性。李斌和何萬里［113］利用遺傳算法解決帶有Heston隨機(jī)波動(dòng)率的期權(quán)定價(jià)模型中的五個(gè)待估參數(shù)問題，該算法可避免丟失最優(yōu)解，具有群體搜索的特點(diǎn)。

綜觀人工智能技術(shù)解決金融衍生品定價(jià)和風(fēng)險(xiǎn)度量領(lǐng)域的近期研究與發(fā)展可以看出，目前這方面的研究主要集中在對(duì)金融衍生產(chǎn)品定價(jià)和線性資產(chǎn)組合風(fēng)險(xiǎn)度量方面，而對(duì)金融衍生品的風(fēng)險(xiǎn)度量方面還待進(jìn)一步解決。而且，結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量核心是期權(quán)組合風(fēng)險(xiǎn)度量，從組合的角度應(yīng)用人工智能技術(shù)解決期權(quán)組合風(fēng)險(xiǎn)度量問題還待進(jìn)一步推進(jìn)。

3 結(jié)語

結(jié)構(gòu)性理財(cái)產(chǎn)品與非結(jié)構(gòu)性理財(cái)產(chǎn)品最大的不同之處在于其收益結(jié)構(gòu)上，結(jié)構(gòu)性理財(cái)產(chǎn)品最終的到期收益率由所掛鉤標(biāo)的資產(chǎn)的市場走勢決定，而且其所掛鉤的衍生性金融產(chǎn)品投資收益也取決于標(biāo)的資產(chǎn)的波動(dòng)情況。結(jié)構(gòu)性理財(cái)產(chǎn)品中所掛鉤的衍生性金融產(chǎn)品，除了包括普通期權(quán)外、還包括亞式期權(quán)、價(jià)差看漲／看跌期權(quán)、極大極小期權(quán)、障礙期權(quán)甚至更復(fù)雜的奇異期權(quán)。如前所述，由于基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品面臨著市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)，因此，結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量核心是期權(quán)組合風(fēng)險(xiǎn)度量。目前對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)度量研究由兩個(gè)方面展開：結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)度量和結(jié)構(gòu)性理財(cái)產(chǎn)品市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)集成度量。第一種方法，是在市場風(fēng)險(xiǎn)因子為多元分布的假設(shè)條件下，通過Delta-Gamma-Theta二次近似結(jié)構(gòu)性理財(cái)產(chǎn)品損失得到反映該損失的特征函數(shù)，在此基礎(chǔ)上，運(yùn)用數(shù)值模擬技術(shù)得到一定置信水平下的分位點(diǎn)即求出相應(yīng)的VaR值和ES值。第二種方法，是針對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品組合同時(shí)面臨著市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)以及各風(fēng)險(xiǎn)之間的相依性，基于識(shí)別出的共同的風(fēng)險(xiǎn)因子及其相依性結(jié)構(gòu)，建立不同類型風(fēng)險(xiǎn)因子的控制方程及其依賴關(guān)系，把信用風(fēng)險(xiǎn)因子、流動(dòng)性風(fēng)險(xiǎn)因子嵌入期權(quán)組合市場風(fēng)險(xiǎn)度量模型，在此基礎(chǔ)上運(yùn)用數(shù)值模擬技術(shù)進(jìn)行風(fēng)險(xiǎn)度量。第一種方法關(guān)鍵在于如何挑選一個(gè)合適的多元分布來描述市場風(fēng)險(xiǎn)因子尖峰厚尾特征，進(jìn)而對(duì)結(jié)構(gòu)性理財(cái)產(chǎn)品的風(fēng)險(xiǎn)進(jìn)行度量；第二種方法是在第一種方法基礎(chǔ)上的推進(jìn)，實(shí)質(zhì)上是把期權(quán)組合的市場風(fēng)險(xiǎn)度量模型推進(jìn)到期權(quán)組合的市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)集成度量模型，而且由于把信用風(fēng)險(xiǎn)因子和流動(dòng)性風(fēng)險(xiǎn)因子嵌入期權(quán)組合的市場風(fēng)險(xiǎn)度量模型，計(jì)算工作量迅速增加，第二種方法比第一種方法要更為復(fù)雜精致，估算精度要高。

但是，目前國內(nèi)外學(xué)術(shù)界和金融業(yè)界在如何合理運(yùn)用多元厚尾分布來刻畫風(fēng)險(xiǎn)因子尖峰厚尾特征，針對(duì)互聯(lián)網(wǎng)金融聚散迅速特點(diǎn)考慮流動(dòng)性風(fēng)險(xiǎn)，描述市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)等不同類型風(fēng)險(xiǎn)的共同風(fēng)險(xiǎn)因子的相依性結(jié)構(gòu)，以及面臨市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)的基于互聯(lián)網(wǎng)金融模式的結(jié)構(gòu)性理財(cái)產(chǎn)品風(fēng)險(xiǎn)集成度量等方面的研究，仍然存在一些明顯需要完善的地方。