Local EPUB Text
限制风险种类
尽管控制敞口大小很重要，一些风险建模的方法仍致力于完全消除各种类型的敞口。假设投资者经过分析认为，雪佛龙公司（CVX）的表现会优于埃克森美孚公司（XOM）。假如投资者做出的选择是持有雪佛龙公司的股票而忽略埃克森美孚公司股票。如果之后市场形势急转直下，或者原油板块表现疲软，投资者在这笔交易中很可能亏损，即使交易的大方向选择是正确的。这是因为投资者暴露于市场方向性风险（或原油板块风险）中，虽然他并未对市场或原油板块的方向做出任何预判。如果投资者买入雪佛龙的同时卖出等额的埃克森美孚，就可以在很大程度上避免这种无意或偶发性的市场方向风险。如果采用这种方式，无论市场是涨是跌还是横盘，他都无须关心。只有雪佛龙公司的市场表现是否强于埃克森美孚公司的判断才会对其产生影响。
最好能消除所有无意的敞口是条基本准则，因为接受这些敞口并不是总能得到足够的盈利补偿。量化风险模型主要通过两种方式来清除不希望出现的敞口：理论途径和经验途径。在后续章节我们会对二者进行详细讨论。
值得注意的是，阿尔法模型中可以（也经常）含有风险管理的概念。假设宽客正在创建一个相对阿尔法策略。大量的功夫需要花在匹配宽客计划承担或对冲的敞口的“相对”量上。回到之前的例子中，如果宽客设计的相对阿尔法策略是为了预测股票收益，他不认为自己有能力预测该股票所处板块的收益情况。在这种情形下，宽客可以设计策略的投注结构，预测股票相对其所在板块的收益，这意味着他不会在板块的方向性波动上投注，而只是关心哪些股票表现优于所处板块，哪些股票的表现劣于所处板块。这样反过来就可以帮助宽客规避板块风险，这明显是种阿尔法模型中的风险管理方法。如此看来，通过详细设定阿尔法模型而在其中包含风险模型的所有必备元素，在理论上是可行的，这样就只需要预测策略借以盈利的敞口的状况，并设计投注结构以避开不可预测因素带来的敞口。尽管不是所有的量化策略都这么做，但在阿尔法模型内确实含有风险管理的因素，尤其是对那些用以评价宽客水平的阿尔法模型。
理论驱动型风险模型
经典的理论驱动型风险建模专注于已知的或系统性的风险因素。正如在理论驱动型阿尔法模型中一样，基于理论的系统风险是指那些宽客可以进行合理的经济学解读的风险因素。理论驱动型风险建模使用大量预先设定的系统性风险因素，使得宽客可以度量和校准所给定投资组合的敞口。
很重要且值得注意的一点是：在定义风险时使用的术语系统和描述量化策略时所使用的系统是完全不同的概念。系统性风险是指那些不可以通过分散加以消除的风险。对一只股票而言，整个股市便是系统性风险，因为在不同的股票间进行的多样化操作策略并不能消除整个市场表现带来的风险敞口。如果市场走势强势向上，选择持有股票的投资组合收益也极有可能快速上升。如果股市跌得很惨，选择持有股票的投资组合很可能就会亏钱。市值风险（即小市值和大市值）和板块风险是系统风险的例子。无约束的市场中性价值模型便是这样一个例子，该模型认为小市值公司很可能表现好于大市值公司而更多地投注于小市值公司，这一策略在对冲基金界已被广泛接受[1]。
类似地，在固定收益类产品圈内也包含着这类系统风险。例如，无论是持有公司债券还是政府债券，不管怎么进行债券的投资组合，债券持有人都会受到利率风险的影响，即利率上升带来的风险。类似的例子在各种资产品种或者跨资产种类中都可以见到。换句话说，任何经济上有效的资产组合，都会存在一种或多种共同的系统风险因素。投资者投资于这些产品时，应该意识到这种风险因素，或者有意识地利用它或者设法消除它。
经验型风险模型
经验型风险模型和理论驱动型风险模型都是基于同样的假设：系统风险可以被度量并加以减缓。但是经验主义的方法根据历史数据来判断这些风险是什么以及投资组合如何暴露其中。利用如主成分分析（PCA）之类的统计方法，宽客可以从历史数据中识别出系统风险，尽管没有名称却可以和已知的风险因子有很好的对应关系[2]。例如，对不同到期日的国债数据进行主成分分析，结果表明统计学意义上的第一风险因素对应于利率水平，或者理论驱动型风险模型中的利率风险（interest rate risk）。主成分分析和其他统计模型在股票市场上经常被使用，这些模型通常都会发现，对于给定的某只股票而言，市场本身就是股票收益最为重要的驱动力，第二重要的推动力则来自板块。统计风险模型在统计套利交易者中非常流行，他们对股票收益中无法由系统风险加以解释的部分进行投注。需要注意的是，这类统计方法可能发现全新的系统风险因素，聪明的观察者倾向于承认它的存在，只是还未给它明确命名。另一方面，可能由于数据的误导，统计模型会发现一些短暂存在的风险因素，在未来很快会消失。统计风险模型也有可能找到虚假的敞口，只是数据上的巧合而不代表市场上的任何风险。这些都是宽客需要谨慎对待的问题。
如何选择风险模型
理论驱动型风险模型更受宽客青睐，因为其中囊括的风险因素都有明确的意义。很难想象，对于股票而言，市场风险不是一个很强的系统风险因素。这和认为理论型阿尔法模型合理的基本逻辑是一样的：任何理性的人都可以理解理论并认为它很有可能是对的。这反过来加强了宽客对模型的信心，即使在模型表现并不好时。例如，在互联网泡沫期间，沃伦·巴菲特就很坚持自己的投资观点而不做改变，因为他很不看好当时的股市。他能够坚持自己的信念，很大程度上是因为他看待市场的方法有着坚实的理论基础。
使用经验主义风险模型的宽客主要是想利用自适应性带来的好处。理论风险模型是相对僵化的，意味着风险因素不怎么变动（否则理论也就不放在第一位了）。但实际上推动市场的因素的确在随时间变化。2003年年初，开始是关于美国入侵伊拉克的每日展望，后来则是入侵进度的每日报道，几乎是以一己之力影响着股票、债券、货币和商品市场的走势。更近一点，2008年年初的商品价格是个重要的因素。其他时候，美联储可能会降低或提高利率的预期是市场的主要推手。随着市场的完善，市场产生的数据可以反映这种变化，而这些数据推动了经验主义风险模型的发展。由于这些原因，经验主义模型可以通过新产生的数据推断出推动市场的新因素，从而更加适应于不断变化的市场环境。这个自适应过程分为两个阶段。在市场环境变化的早期（如股票投资者快速由风险偏好型转向风险厌恶型），宽客仍使用无关的历史数据来分析关系以及度量风险因素。所以，在这一阶段，经验主义风险模型会错误地判断市场风险。随时间推移，如果新的市场行为延续下去，经验风险模型逐渐跟得上新的市场形势，表现就会重新变好。
经验型风险模型除了在环境变化时表现出的缺陷外，对统计学的基本理解会揭示出经验型风险模型的另一个问题。为了达到统计学意义上的显著性，减少计算各种产品相关关系时可能存在的测量误差，经验型风险模型需要使用大量的样本数据。但这会抵消经验型风险模型自适应性带来的绝大部分优势。使用的数据越多，意味着需要回溯的时间越长，模型的自适应性就越差，因为新产生的数据只是许多样本中的一个。如果使用两年的每日滚动数据，或者差不多520个交易日的数据，每添加最近一天的数据就从样本中移除最久那天的数据。所以每过一天，520个样本数据中只有两天的数据发生了改变。因此，需要很长的时间才能扭转局面，经验型风险模型才能从数据中找出新的风险驱动力。但是，如果宽客试图通过缩短时间窗来改进模型的自适应性，统计工具的作用就会严重削弱，以至于没有足够的可信度去度量风险。
但经验型风险模型也有很多优势。如果说理论风险模型以其正确性取胜，经验模型可以捕捉到一些风险因素而不必事先知道其名称。如果市场风险的确是股价的巨大推动力，经验型风险模型可以从数据中将其识别出来。如果不能通过数据加以证实，理论再好有什么用？此外，统计显著性和自适应性之间的矛盾关系可以通过使用日间数据来加以缓和。例如，如果宽客使用每分钟的日间价格数据而不是只使用每个交易日的收盘价，则每天可以采集到差不多400个样本点，这样只需要使用很少几天的数据就可以达到和每天只使用一个收盘价数据同样的统计显著性。
由于理论驱动型风险模型所使用的概念用起来比较方便，很多宽客最终会选择理论驱动型风险模型，而舍弃了经验型风险模型。需要指出的是，这两类风险模型并不是完全相互排斥的。宽客会在他们认为恰当时对两种模型进行合理组合。也有一小部分基金经理试图根据自己的判断监测市场行为，如果他们通过金融同行或媒体比较确定地意识到市场上有“新的”风险因素在推动，他们便会建立定制化的风险因素去应付这种临时情况。当他们发现这个新的驱动因素逐渐不再那么重要时，便再次根据自己的判断将其从风险模型中移除。
值得一提的是，在黑箱的绝大部分模块中，宽客有权利选择建立自己的风险模型或者使用已有模型。绝大部分事先做好的风险模型都不是基于经验主义的，因为基于经验的方法需要详细设定好产品范围，分析工具也相对简单，只使用价格数据就可以实施分析。只有在股票交易中，很多预设的风险模型才比较有用。BARRA、Northfield、Axioma和Quantal等风险模型供应商都可以给宽客提供使用其软件的授权。购买风险模型的好处在于可以马上部署投入使用，而不需要宽客去进行繁重的研发工作，并且通常来说效果都较好。但是，本质上这些模型都过于普遍，缺乏个性化。建立自己的风险模型也有很多好处，主要在于可以根据宽客的特定需求开发定制化的风险模型。
[1] 如果不考虑其他因素，出现这种现象是因为价值型投资者倾向于购买价格已经下跌的股票，因而造成市值的缩水。同样地，价值型投资者也倾向于卖出价格高的股票，因为其价格已经拉升因此可能没有太大的增值空间。
[2] 主成分分析（principal components analysis）这种统计方法，可以将一系列金融产品复杂的指标综合到少数几个风险因素（称为因子）。每一个因子代表利用统计方法提取的一种系统风险，并可以通过分析金融产品的历史数据关系得到该因子。