机器学习工具可以改善投资组合风险管理吗？

在最新的数据分析报告中，《对冲周刊》探讨了SEI等基金管理人如何部署复杂的技术工具来增强投资者体验，以及如何在基金管理团队的总部内改善投资组合和风险管理。

在该报告中，领先的私募股权集团Adams Street Partners的合伙人兼投资组合建设委员会成员Tobias True解释说，随着世界围绕数据使用和描绘不同关系的能力不断发展，从Adams Street如何使用数据收集见解并提出假设的角度出发，导致了流程的演变。

正如该报告中所说的那样：“它帮助我们增强了管理投资组合风险和构建不同投资组合的能力。通过帮助我们构建自上而下的投资组合，数据分析已成为自下而上研究的重要补充。

“如果我们的投资组合对某个行业或风险来源的敞口过大，我们不能像在公开市场上那样，明天就出去重新平衡。因此，我们使用数据来思考向前迈出的一两个步骤，以帮助我们（优化）我们的资本配置方式。”

这就是手头的数据量，它使对冲或私募股权投资团队可以使用数据分析工具和机器学习应用程序，以更好地了解风险和回报的来源，并对他们认为将推动绩效的因素获得新的见解。

在这方面，机器学习技术在过去五年中确实得到了高度重视，它可以帮助风险团队与投资组合经理以更集成的方式运作，并有效地将风险管理进一步推向前台。

“在过去，风险管理是由独立部门单独进行的，它着重于投资组合等等。”总部位于纽约的Atreaus Capital LP（一家全权委托全球宏观对冲基金）的首席运营官安德鲁•唐斯（Andrew Downes）说。

“随着越来越多和更复杂的数据收集以及更快，更强大的计算能力和更多实时分析，这种隔离变得不那么明显。这意味着，如果您正在研究风险分析，则可以将其应用到投资过程中，从而使风险管理减少了前瞻性的工作，而成为了投资组合投资计划的一部分。”

为了说明对冲基金社区中正在使用多少人工智能和机器学习，行业数据公司BarclayHedge最近进行的一项民意调查发现，有56％的受访者确认他们在投资过程中使用了这些工具。更具体地说，有33％的受访者表示他们将机器学习用于风险管理活动。

贝莱德为投资经理开发了一种独特的操作系统，称为Aladdin Risk Platform。该平台使用机器学习算法为用户提供风险分析，以监控其投资组合中的风险，并且据贝莱德（BlackRock）称，每天可以自动筛选2000多个风险因素。

无论机器学习应用程序是什么，海量计算和分析能力都能够为风险管理者带来重大收益，因为随着时间的流逝，机器从数据集中学习的次数越多，他们对模式识别的理解就越好。风险变得比以前更加活跃，因为人们手头有工具可以在交易前的水平上运行更详细的情景模型，以查看特定交易或一组交易可能对VaR产生什么影响。

唐斯认为，如果要在投资过程中隐含风险管理，则有必要在进行交易时进行风险分析。

“这是一个简单的版本，可以进行实时的交易前检查和风险参数：系统可以查看即将进行的交易是将投资组合保持在风险规则之内还是超出风险规则，因此在这种情况下它将修改正在进行的交易或生成警报。

“一个更复杂的版本是根据市场状况，亏损概率和亏损规模来进行交易或退出交易。如果您整体上希望通过减少损失来提高性能，那么您的分析工具将为您解决。但是，机器学习工具（实际上是一般机器）的困难在于识别市场中的政权变化或范式变化，这是人类特别擅长的事情。”唐斯说。

随着机器智能呈指数级增长并且机器本身达到一个奇异点：临界点，此时机器智能超出了人类智能的极限，我们仍然在未来几年的可能发展中发挥着很大的作用。任何人都猜测，我们将如何考虑在10年内监控风险。前台的某种形式的增强智能会不会因为我们更了解而代表我们控制风险管理？目前，基金经理已经可以利用机器的分析能力来支持他们的决策。

Chartis的一份报告估计，对冲基金在风险，分析和交易技术上的年度支出约为90亿美元，其中特别是该技术在建模，投资组合管理和分析以及风险数据汇总和报告上的支出。

George Kaye是风险分析软件供应商Derivitec的创始人兼首席执行官。据Kaye称，该公司的中心思想是使金融行业的人们尽可能容易地提供经过验证的风险管理报告：他说：“包括从小型对冲基金到全球卖方机构的所有人。”

他认为，过去五年来，技术发生了“象征性的变化”，从根本上改变了人们开展业务的方式。“从我们在Derivitec的角度来看，最重要的变化是云。现在，云如此普遍，以至于几乎不再是讨论的话题。云技术发生了很多事情。例如，计算速度，计算量和计算安全性。“这意味着大规模风险计算之类的事情现在发生在几年前无法想象的时间范围内， ”凯伊评论。

风险分析创造良性循环

更好，更快，更强大的处理能力是机器学习工具的引擎。对于投资组合经理来说，机器已经成为一个很好的决策工具，可以进行路测策略，对其进行验证并对其进行压力测试，但是期望机器能够提供有关市场风险的预测性诊断还为时过早。他们仍处于自我监督学习的第二局。

风险分析可以为实时风险管理提供巨大的价值和洞察力，但是人们仍然必须谨慎行事，不要制造虚假的标记。毕竟，每种算法都容易受到代码中错误和故障的影响。

Kaye表示，强大的处理能力正在帮助Derivitec等公司提供更详细，详细的风险报告：“绝对。都是关于粒度的。我们可以对数以千计的交易进行10年的VaR计算，这些交易的复杂程度各不相同。无论客户是交易20个工具的小型基金还是交易10,000个工具的大型基金，我们的系统都内置了这种弹性功能。如果我们想将风险切成薄片并切成薄片，然后以各种不同的方式进行研究，则意味着要运行大量不同的风险报告，并具有高度的头寸细节。那绝对是可能的。该技术使我们能够做到这一点。”

速度是帮助基金经理考虑风险并调整其投资组合的另一要素。随着风险系统的改善，基金经理可以了解自己的风险敞口，并更加明智地做出反应；在过去，这可能受到限制，从而限制了他们可以安全部署的资金量。现在，风险技术的进步提出了各种各样的风险指标，从而改善了投资组合风险的管理方式。随之而来的是良性循环，因为他们越是分析风险（无论是否借助机器学习工具），他们就可以更有信心地部署资金，提高夏普比率并吸引新的投资者加入该基金。

伊万·波波维奇（Ivan Popovic）是Tolomeo Capital的执行合伙人，这是一家总部位于瑞士的量化基金管理公司，在很大程度上依靠技术驱动的投资策略。Popovic解释说，该团队没有购买同类最佳的风险系统，而是建立了自己专有的最新风险衡量框架。

“这种方法是完全通用的，可以纳入任何种类的资产类别：从普通香草交易所买卖的产品到对冲基金，私募股权和复杂的场外衍生品。系统的核心是定价内核，它可以统计分析资产的回报动因。

“在第一阶段，投资组合中的每个头寸都是自己建模的。下一步，对这些返回驱动程序的依存关系结构进行建模，从而对每个位置的联动行为与真实世界中的损益进行蒙特卡洛模拟。这种方法的优势在于，它可以对影响多种资产类别的某些类型的冲击进行直接分析。” Popovic解释说。

信号风险

另外，可以在系统中轻松识别当前驱动市场的风险因素。这些模型是自下而上构建的，不会面临数据挖掘或过度拟合的风险。

Popovic补充说：“确保我们了解当前面临的风险是我们的最后一道防线。”他确认，自第一天起，人工智能和机器学习已成为Tolomeo交易系统不可或缺的一部分。

“由于投资时机并非完全随机，因此交易风险取决于潜在信号。由于大小取决于信号，因此它是根据机器学习和AI技术得出的。这是第一道防线。我们确实实时监控风险和绩效，但是在那个级别上，没有使用AI /机器学习技术，它们是交易系统的核心。”

在Atreaus Capital，作为全权委托的宏观经理，管理投资组合流程有明显而明显的人为因素。他们并不希望使用复杂的机器学习工具本身来改善风险分析，而更多地用于分析交易成本和绩效。唐斯绝不轻视机器。他认为与人类并驾齐驱地使用它们很有价值。

“人类加机器只会击败机器。我认为，作为自由投资组合经理，这是一个有趣的探索空间。”他说。

TCA和贸易优化

为此，Atreaus Capital正在使用复杂分析的一个领域与交易执行有关。特别是进入和退出交易的成本。

“如果您查看外汇流动性，它会散布在多个场所，多银行平台和ECN等上，因此我们要做的是建立一个每个人都可以交易的执行系统。这为我们提供了所有交易数据，我们可以使用它们执行TCA分析，以查看每个交易者在执行每笔交易的成本方面如何进行比较，从而尝试并优化流程。

“我们具有测量实时价格变动的能力，以及在不同情况下与不同银行进行某些交易的难度。使用算法来优化TCA地址，在某种程度上，我们可能会担心一天当中或不同市场中的流动性风险。”

数据分析的另一个可能应用是考虑如何优化进入和退出交易的时间。整理此类数据，无论是执行交易的机器还是人，都使投资经理能够将这些数据转换为信息，从而从中获取见识并获得新知识。

当某人赚钱时，他们怎么能赚更多钱？同样，当某人亏钱时，如何利用分析洞察力使他们减少损失的金额？

唐斯说：“您想分析他们的工作并使其变得更好。”“降低成本在增加回报和减少损失方面都起着作用；两者都是风险管理练习。”

IBM Project Debater

技术人员正在AI和机器学习的应用方面取得巨大进步，以帮助各种规模和规模的企业改善其运营模型，并简化工作流程。IBM在行业的各个领域都充分利用了Watson（令人难以置信的超级计算机，它使用深度学习算法来分析数据集以产生见解）。其AI功能已应用于医疗诊断，贸易融资，物流，教育和广告中。

这是最先进的技术。Watson可以使用最小的数据集来学习和帮助企业推进思维。Soren Mortensen是IBM金融市场总监。他确认IBM作为其Watson Services的一部分提供了一系列API，这些API致力于认知和解决问题（思考，学习，决定和行动），而其他API则致力于人类交互（感知和响应）。

“在金融市场中，这些API用于发现数据并提取可能来自该数据的关系。一个例子就是季度天气如何改善某些行业的收入估算。

“认知能力可以通过分析大量结构化和非结构化数据来识别影响绩效的潜在驱动因素，从而更好地洞察感兴趣的公司，这将使买方能够做出更好的投资决策，” Mortensen说。

IBM还拥有辩论者技术，该系统可以聆听论点，并以其自己的，没有脚本的推理来令人信服地做出回应，以说服分析师考虑其在有争议的话题上的立场。基于大量的经验数据集，它还可以帮助客户经理创建假设以与客户一起探索假设以及支持这些假设的论点。

该技术还可以通过自然语言处理，图形数据库和可视化技术，帮助投资经理可视化新闻事件对单个公司的影响。

“我们还使用这项技术来评估原油价格的波动将如何影响所有其他资产类别和风险因素–如果您的投资组合因波动而承受这些风险因素的影响，请确定其影响Mortensen解释说。这样做的结果是买方可以利用市场数据和认知能力来真正了解影响给定投资组合绩效的潜在风险因素。

“投资经理希望对组成其投资组合的公司有更好的洞察力，以便做出更好的投资决策。这可以通过认知技术来实现，认知技术可以分析大量结构化和非结构化数据以找到模式。它是增强智能，而不是人工智能。为投资组合经理增加信息以做出更好的决策。” Mortensen补充说。

模型复杂度风险

非常先进的非线性机器学习技术（例如神经网络，深度学习等）的风险或挑战是可以将它们视为黑盒。这意味着有时不清楚输入数据如何导致某些输出数据，这会妨碍对结果的解释，从而影响风险管理中的决策。

Popovic认为：“这种额外的复杂性在风险管理流程的核心增加了风险的另一个维度，这也可以看作是不利条件。”

“增加模型风险并不一定会改善系统的整体结果或功能。有时，复杂性的提高实际上会阻碍任何（风险）估计的总体结果，并给估计增加很多差异。

“输入数据的微小变化可能会完全改变输出。因此，在风险管理中使用非常先进，相对较新的复杂AI工具可能会增加其他风险来源，而不是改善整个风险管理流程。

“当然，必须谨慎使用它们，因为复杂性的增加不会自动转化为更好的结果。”

用于风险报告的Python脚本

无论对冲基金经理在多大程度上可以使用机器学习工具来改善风险管理和衡量，无可辩驳的是，风险已成为当务之急。

在过去，这更多是一种规章制度。现在，管理人员希望实时了解应对客户的风险敞口。他们是否将一切都保持在正确的范围内？如果市场以不同的方式受到冲击，并且鉴于交易工具的复杂性，作为投资组合经理对我来说意味着什么风险？

“尽管经理们可能每周都在制作风险报告，但他们现在每天要制作几次报告，以接近对风险的实时监控和管理，” Kaye指出。

Derivitec还推动了其报告功能以支持Python脚本编制，以便客户端可以使用Python API与分析接口，以生成自己的报告。

“支持这一点非常重要，因为如果您无法以一种易于理解的可视化形式呈现风险，人们将只会忽略它。这意味着客户现在可以更好地管理风险，整个组织可以更好地了解主要风险在哪里，同时可以在清晰的图形界面中深入了解最后的细节。” Kaye说道。

当然，拥有如此庞大的数据量，投资组合经理和风险管理人员必须以整洁，整洁的方式呈现投资组合风险分析。否则，可能会引入另一种风险：因分析而瘫痪。

机器学习工具可以帮助消除混乱并以数字或图形方式显示要点，以便投资团队做出瞬间决定。这是机器的真正力量-遍历Z字节的数据以寻找数字中的模式。

回到Atreaus Capital，安德鲁·唐斯（Andrew Downes）告诫自己，不要以为最终得出结论，不要太过为之：

“一些经理花了很多钱雇用硅谷的工程师，但我不确定他们是否会像在投资流程中使用人工智能那样成功。在我看来，让一台不受监督的机器简单地获取数据，并期望他们学习交易和赚钱的方法。即使有人成功实现了这一圣杯，您怎么知道它在所有市场上都是可重复的？很难知道深度学习算法会做什么，为什么。

“归根结底，要想成功，您需要从ML和其他工具入手，使事情保持简单，直观，并尝试逐步改进正在做的事情；例如优化TCA。从一个简单的目标开始，其他事情就会随之而来。”

钉“ />

詹姆斯·威廉姆斯