《fof管理中的风险管理》由会员分享,可在线阅读,更多相关《fof管理中的风险管理(10页珍藏版)》请在金锄头文库上搜索。
1、六.FOF管理中的风险控制风险与收益相伴而生,无论是以企业为主导的微观经济主体还是整个宏观经济都或多或少、自觉或不自觉的暴露于风险之中,即便经过多重风险分散的FOF投资也不例外。如何在FOF投资中避开重重的风险,如何在追求收益的同时,最大化的降低面临的损失?本章,将从FOF投资中的风险控制进行展开分析,为投资者详细介绍一套系统的风险控制体系。目录六.FOF管理中的风险控制16.1风险回避26.1.1多因子选基金26.1.2 量化择时36.2损失控制46.2.1额定止损56.2.2移动止损56.2.3形态止损56.2.4其他止损策略56.3风险转移66.4风险保留76.5本章小结8未来投资收益具
2、有不确定性,这就导致投资过程中可能会遭受收益损失、甚至本金损失的风险。也就是说,投资者为了获得不确定的预期收益,往往需要承担相应的风险。在金融投资过程中,常见的风险可分为市场风险、流动性风险、操作风险和信用风险等。其中,市场风险,也称为价格风险,是指由于金融工具市场价格的变化而导致亏损的风险;流动性风险则是指由于投资组合较为集中或超配某些金融工具,导致所持有的投资产品在短期内难以变现,同时所持有的流动资金又不足以进行正常支付而形成的风险;操作风险是金融投资过程中面临的重要风险,许多已经识别出的风险是操作方面的,具体来讲是指由于投资者内部经营管理不善和投资决策失误所导致的风险;信用风险也是金融投
3、资风险的重要类型,它主要是指在金融交易过程中可能发生交收违约,或者所持有债券的发行人违约、拒绝支付到期本金和利息的,从而导致金融投资资产发生损失的风险。1)组合风险与一般的金融投资不同的是,FOF投资中,还面临其他的一些风险。FOF 投资标的主要是公募基金,公募基金投资的主要是股票、债券等资产。所以 FOF资产组合风险,可以分成两层来分析。第一层是 FOF直接投资标的的投资组合风险。第二层是穿透到直接投资标的下一层,到股票、债券这一层。第一层主要基于基金风格的分析,基金之间相关性、协方差的分析。第二层则跟常见的组合管理系统一样,将 FOF的底层资产合起来,看成一个整体组合。底层资产我们只能通过
4、公募基金的半年报和年报获取,然后分析其详细持仓,来分析 FOF整体的风险特征。2)流动性风险正常申购赎回带来的流动性问题。由于基金的申购赎回效率没有股票、债券直接交易效率那么高,所以FOF的流动性问题比普通基金要重要。“基金份额持有人递交赎回申请,赎回成立,赎回是否生效以登记机构确认为准。基金份额持有人赎回申请成功后,基金管理人将在 T7日(包括该日)内支付赎回款项。如遇交易所或交易市场数据传输延迟、通讯系统故障、银行数据交换系统故障或其它非基金管理人及基金托管人所能控制的因素影响业务处理流程,则赎回款项的支付时间可相应顺延。在发生巨额赎回或基金合同载明的其他暂停赎回或延缓支付赎回款项的情形时
5、,款项的支付办法参照基金合同有关条款处理。”以上内容引自基金的招募说明书。通常,一般基金的赎回到帐时间是 T+2,也就是 T+3可用。而这个时间并不是确定的,合同约束的时间一般是 T+7以内。(赎回到账时间跟基金、基金公司都有关,这里只是举例说明一般情况)FOF 为了应对日常赎回,需要有特殊的应对机制,一种可行的方法是提高现金类资产的预留,另一种方法是延迟 FOF投资人的赎回款到帐时间。后一种方法对于投资者的体验并不好,前一种方法会降低 FOF的投资仓位。投资非每天开放赎回基金带来流动性问题,如果 FOF投资一些不是每天开放赎回且不上市交易的基金,如定期开放基金,流动性问题更加严重。如果投资者
6、赎回量较大,则 FOF产品需要赎回其投资的标的基金,当其投资的是定期开放基金时,则没到赎回起不能赎回,管理人只能赎回其他可赎回的品种,从而影响投资者的投资计划。虽然,不同投资者对投资不同种类风险的喜好不同、承受能力不同,不过,有一点是相同的,即在追求收益的同时,都厌恶风险,期望将风险降到最低。为了实现这一目标,风险控制策略应用而生。金融投资中的风险控制,是指风险管理者采取各种策略和方法,以减少风险事件发生的可能性,进而降低风险事件发生时造成的损失。常见的风险控制策略包括风险回避、损失控制、风险转移和风险保留。基于风险控制策略的划分,本章将从四个方面对FOF基金管理中采用的风险控制策略进行详细介
7、绍。6.1风险回避风险回避是指投资者考虑到风险存在和发生的可能性,主动放弃或拒绝实施可能导致风险损失的方案。风险回避具有简单易行,全面彻底的优点,能将风险的概率降低到零。当然,使回避风险降低风险的同时,也意味着投资者主动放弃了获得相应收益的机会。金融投资中一般只在以下情况下才会采用风险回避这种策略:1)投资主体对标的资产的风险极端厌恶;3)投资主体在标的资产投资中无能力消除或转移风险;3)存在可实现同样目标的其他方案,且该方案风险更低;4)投资主体无能力承担该投资标的的风险,或承担风险得不到足够的补偿;FOF投资中,主要的风险回避策略集中在以下几方面:1)基金投资前期,对感兴趣的基金进行筛选、
8、调研,进而剔除风险超出承受能力的基金;2)基金投资中期和后期,基于对当前投资市场环境的判断,在市场行情不好时选择减仓或空仓;从上述两方面出发,本节将风险回避中涉及到的几种主要的投资策略,主要包括多因子选基金模型和量化择时模型,进行了归纳,并在下文展开介绍。6.1.1多因子选基金多因子选基金策略来自于股票投资中比较成熟的多因子选股策略。多因子选股策略是量化选股中最重要的一类策略,其基本思想就是找到某些和收益率最相关的指标因子,如行业因子、因子和动量因子等,并根据该指标因子,构建一个股票组合,以期在未来的一段时间跑赢(或者跑输)指数,从而做多(或者做空),获得相较于基准指数的超额收益。策略的关键是
9、找到因子与收益率之间的关联性。常见的多因子选股策略分为两种,一是打分法,二是回归法。不同的多因子选股策略之间的区别,主要是指标因子的选取以及如何用多因子综合得到一个最终的判断。具体来说,打分法就是根据各个因子的大小对股票进行打分,然后按照一定的权重加权得到一个总分,根据总分再对股票进行筛选;回归法就是用过去的股票的收益率对多因子进行回归,得到一个回归方程,然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判,然后再以此为依据进行选股。FOF投资过程中使用的多因子选基金策略与多因子选股策略类型,只不过选择的标的是基金而不是股票。以回归法为例。基于回归法的多因子选基金策略包括以下几个步骤:
10、1)候选因子的选取:该步骤的目标是选择彼此间相关性低、与基金收益高度相关,且具有较高的物理解释性的因子。具体选取过程中,可以参照Fama-French的三因子模型,基于三因子模型改进的Carhart四因素模型,Barrar多因子模型等等。2)因子的有效性检验:该步骤主要是确认建立的多因子坐标系能大概率解释基金收益,涉及到因子与收益序列之间的回归分析。3)有效但冗余因子的剔除:考虑到模型进行到第二步时,所选出的因子往往有数十甚至上百个,所以,需要进一步对彼此间相关性较高、却与基金收益率相关性较低的因子予以剔除,从而降低后期计算量。这一步骤涉及到相关性分析。4)基金筛选:基于得到的因子序列,进行回
11、归计算,筛选出与单个因子或多个因子相关度最高的一只或数只目标基金,并打上上述因子的标签,将基金放入对应目标因子的基金池。5)模型有效性评价:基于一定的标准,对筛选出的目标基金进行评价,进而判断模型对优秀基金筛选的有效性。这一步骤中,需要进行一定时间长度的历史回溯,以确保模型对基金筛选的稳定性和有效性。基于上述过程筛选出的基金应该是对单个因子或多个因子具有稳定性的,同时被贴上该因子的标签,按一定评分指标进行排序。后期FOF资产配置过程中,依据因子对市场的景气度来选择景气度强的因子(或景气度弱)基金进行多头(空头)配置。当然,也可以基于风险平价理论,均衡配置各不同因子对应的基金,进行长期投资,以保
12、持“全天候”的风险分散。6.1.2 量化择时谈到量化择时,投资者很容易想起MA、MACD、DMA和TRIX等趋势线择时策略,基于上升五浪、下跌三浪的波浪理论择时策略,向上突破和向下突破通道线择时等择时方法。其实,量化择时远不止这些。本小节将从趋势择时、股价预测和市场状态预测三个方面介绍常见的量化择时策略。1)趋势择时趋势择时中,除上文中提到的一些常见的趋势线模型外,基于马尔科夫分形滤波、自适应滤波和维纳滤波等滤波方式构建的择时策略,也属于趋势择时。其大体的择时原理如下:基于平滑过后的曲线趋势对未来进行判断,在曲线出现局部低点后的下一点(只有该点出现,才知道上一点是局部低点)买入,在曲线出现局部
13、高点后的下一点 (只有该点出现,才知道上一点是局部高点) 卖出。这也是普通投资者口中的趋势线抬头向上买入、掉头向下卖出策略。评价各趋势择时模型好坏的标准,主要是对价格曲线的拟合程度、反应灵敏度,以及对细微杂波的处理能力。表现在结果上,是经过择时后,目标收益的提高程度、最大回撤的降低、操作次数以及操作准确率等。部分读者可能会对上述观点产生怀疑,并提出的反对意见,认为曲线拟合度太高会导致过拟合、不适应未来市场。其实不然。量化择时存在的假设前提,市场行为包容消化一切、价格是沿趋势方向运动的和历史会不断重演,本身就回答了读者的疑问。上述假设前提的内容指明,趋势择时策略过拟合意味着策略更贴近历史,从而也
14、就更贴近会重演历史的未来走势。再者,真实意义上的“过拟合”往往指的是过度拟合小样本数据,导致模型无法适应于总体。所以,如果研究者基于大样本数据 “过拟合”形成的模型,就不再是“过拟合”模型,而是更具代表性,且精确度极高的模型。这一论点可以从数据挖掘学科中找到论据。趋势择时策略作为量化择时策略中的主流方法,除却其原理简单、计算方便之外,其优越性还包括:理论上不需要预测未来,投资者只需依据当前处在上涨还是下跌趋势中来选择做多或做空市场;能抓住大波段,特别是牛市中的上涨和熊市中的下跌,都能很好的抓住和躲过。不过,趋势择时的缺点也是显而易见的:在震荡市和猴市等波动剧烈、涨跌趋势幅度较小的市场下,模型往
15、往反映迟钝,甚至给出高买低卖的信号。这也是所有右侧交易中不可避免的问题。2)股价预测与趋势择时“不预测未来”相反,股价预测模型需要对未来股价进行预测,具体的预测内容不仅包括一个简单地区间涨跌信号,同时还能给出股价的区间涨跌幅度。常用于股价预测的模型,主要基于数据挖掘中的BP神经网络、GARCH模型和支持向量机(SVM)等算法来设计的。具体的工作原理是:基于不同的数据挖掘算法,寻找一个或数个因子X(因子与收益具有较大的相关性),与下一区间的目标收益Y之间的对应关系。以SVM股价预测模型为例。假如有目标因子X(当月CPI当月同比、中小盘市盈率和A股平均市盈率),目标收益Y(对应下一月的沪深300收
16、益率)。为了找到X与Y之间的内在关系,模型基于过去三年的历史数据进行训练,从而寻找出以SVM为核心算法时,使上述因子X最大程度拟合出收益率Y对应关系F,使得Y=F(X)。保留上述对应关系F,当输入本月的三个目标因子后,就可以对应求出下个月的Y。这就是股价预测模型的原理。股价预测的原理看似简单,不过,投资者要想准确预测出下一区间的目标收益Y其实并不容易。除却使用相对有效的数据挖掘算法外,选取的目标因子X的种类、数量及其与Y的相关性往往都会对最后的预测结果、对Y的解释程度产生较明显的影响。然而,投资界关于如何寻找合适的X并没有统一的标准和有效的参考依据。相对于趋势择时策略,股价预测还不太成熟,不过,随着数据挖掘方法的逐渐成熟以及不少领域出现了数据挖掘产品战胜人