金融產品拓展鏈的風險積累與控制

王成吉

（天津財經大學 經濟學院，天津 300222）

0 引言

各種金融產品的創新和衍生過程都經歷了從基礎產品到金融衍生產品再到結構性金融產品的過程。金融產品在創新和衍生的過程中，多是以改善流動性、規避風險以及追求利潤最大化為原動力，轉嫁風險的同時都會轉移和隱藏更深層次風險。風險從某個產品到產品衍生鏈，往往會存在流動性風險和信用風險累積的情況，最終導致出現系統性風險。2008年美國次貸危機反映出衍生金融產品積聚的全球性金融風險，逐步從單一風險擴展到難以分散和對沖的系統性風險。

國內外相關研究主要從金融產品創新的單一節點出發探討風險識別和管理，沒有從產品創新的整個鏈條分析風險的轉移和集聚。風險預警模型研究方面，多采用事后測度方法，格蘭杰因果檢驗、ARCH族，VAR模型和協整檢驗一般是確定金融市場波動性傳導先后關系，不能量化和確定波動傳導過程。本文嘗試采用BP神經網絡模型建立更完善的風險預警系統，從控制論角度解決風險控制產品鏈的問題，有效熔斷風險鏈條的控制節點，設置防火墻以防止系統性風險的蔓延。

1 金融產品拓展中風險預警模型

1.1 金融產品拓展鏈的風險累積與延伸

金融產品創新遵循市場參與者對金融產品風險特征和盈利能力的原則，以市場需求、流動性、風險配置對沖為原動力。從基礎產品、衍生金融產品再到結構性金融產品，形成一條產品的拓展鏈條,將金融風險通過拓展路徑逐漸傳播（見圖1）。

風險存在于每一個拓展節點上，產品的創新拓展同時也將風險轉嫁，風險延拓展鏈條逐漸傳導、轉嫁給結構性金融產品，因此風險在鏈條的終點集聚。以美國次貸危機為例，從次級抵押貸款（SM）到抵押擔保證券（MBS），商業銀行規避風險的過程中，通過資本市場將次級抵押貸款的流動性風險轉嫁給證券投資者，這其中包含了居民個人的信用風險和違約風險。從MBS到債券抵押擔保債券（CDO）的過程中，投資銀行將現有的MBS通過杠桿融資和貸款的方式轉移給了投資者。這種關系隱含巨大系統性風險，資本市場中大投資者理所當然承擔風險，這也是次貸危機蔓延的重要原因。從CDOs到CDO衍生品，信用違約風險互換（CDS）是重要的風險轉移中介。他們可以利用原始產品的特別目的載體（SPV），通過破產隔離和增信措施將信用風險和道德風險轉移到投資銀行，同時使資產所有權不會轉移。

圖1 金融衍生產品6展鏈的風險積累與傳導圖

1.2 基于神經網絡的衍生金融產品風險預警模型的構建

1.2.1 神經網絡算法

BP神經網絡模型廣泛應用于模式識別、風險評估和自適應控制，可任意精確地逼近非線性函數。例如在一個三層的BP神經網絡中，每個圓圈代表一個神經元，每個神經元通過相互連接形成一個網絡拓撲。如下頁圖2所示。

從結構上看，BP神經網絡具有輸入層、輸出層和隱藏層3個層次，不僅包含輸入和輸出節點，而且還包含一個或多個隱藏節點層，每個節點的輸出值由輸入值、函數和閾值共同決定。將輸入信息轉移到輸入節點,通過權值的處理來傳導到隱藏節點,隱藏層通過每個單元的操作后,發送到輸出節點,輸出值與期望輸出相比,如果有誤差,則誤差反向傳播。如此逐層修改權值，直到輸出滿足要求。具體算法如下：

圖2 三層BP神經網絡圖

（1）BP網絡的初始化操作：初始化隨機數wji和θj，標記神經元i到神經元j的連接權重為wji，神經元j（包括隱含層和輸入層）的閾值記為θj。

（2）樣本數據選取：將已經預處理的期望輸出向量{Ypl}和訓練樣本向量{Xpl}導入建立的BP神經網絡模型，其中，l和p分別表示輸入向量數和樣本數量。

（3）計算各層的輸出：當輸入層的輸入與輸出相同，即Opj=Xpj，其中Xpj是第p個樣本的第i個值。對于輸出層和隱含層來說，神經元的輸出為Opj=F(∑wjiOpi-θj)，其中Opi是神經元j的輸入，也是神經元i的輸出，F(x)是非線性可微分非遞減函數，即F(x)=1/(1+e-x)。

（4）計算各層誤差的信號，隱含層為δpj=opj(1-opj)，輸出層為

（5）反向傳播過程，修正權值為 ωij(t+1)=ωij(t)+αδpjopj，α為學習速度。

1.2.2 風險預警模型

基于衍生金融工具風險具有非線性、復雜性和智能性的特點，依靠傳統的Logistic回歸方法會直接或間接的依賴線性函數模型，影響預警信息發起的及時性和有效性。BP人工神經網絡的反向傳播可以隨時根據自學習和培訓的新數據，將其內部存儲權重參數調整到相應的可變經濟環境，本文利用BP人工神經網絡對衍生金融工具對風險預警系統建模。

（1）輸入節點的選擇

根據衍生金融工具的基本類型和傳導機制，基于充分考慮巴塞爾協議衍生金融工具風險分類前提，選取12項對市場波動數據具有前瞻性、敏感性和及時性的代表性指標，作為神經網絡風險預警模型的輸入節點：進出口與GNP比率、外匯儲備風險、外債余額與進出口額比率、資本充足率、市場資金集中率、市場資金總量變動率、合約集中持倉率、價格波動性、合同凈頭寸暴露比率、風險價值充足率、最高持股比例、基差變動率。輸入節點的數值需要對基礎數據進行歸一化處理，將其轉換為[0,1]值域無量綱性指標值，這里我們采用將每個參數值除以其理論上的最大值域的歸一化方法。

（2）隱含層節點數的選擇

根據BP神經網絡模型的特點和Kolmogorov定理，這里選擇隱含層數為H=2M+1，其中M為輸入層的節點數。通過反復計算收斂速度和誤差率，不斷調整參數，發現隱含層為25是驗證的最佳選擇，即M選取25。

（3）輸出節點的選擇

根據主成分分析法的綜合評價，充分考慮整個系統的穩定性，最終選擇的4個輸出節點：正常狀態輸出為[1000]，低風險警戒輸出為[0100]，中度風險警戒輸出為[0010]，高度風險警戒輸出為[0001]；分別對應于主成分得分表中的4種不同的風險狀態：F∈(-∞,0]時存在較大風險，F∈(0,1]時存在風險，F∈(1,2]時基本安全，F∈(2,+∞]時安全，因此輸出節點數確定為4。

2 衍生金融工具風險預警模型的實證

2.1 風險預警模型的訓練

通過BP神經網絡模型對構建的風險預警模型進行訓練學習，把隱含層的閾值函數通過trainbpx函數訓練，誤差標準采用標準均方誤差。建立模型中的參數設置如表1所示。實證采用Matlab軟件中BP神經網絡的默認值，即動量系數α=0.19，學習率η=0.01，可接受的誤差ε=0.00001。經過反復實驗證明，這兩個參數可以使模型以非常快的速度收斂在誤差范圍內。

表1 BP神經網絡參數

采用以下措施衡量金融機構衍生金融工具的風險狀況，并對神經網絡進行了342次仿真數據訓練。如表2所示。

表2 四組真實仿真數據訓練數據 （單位：%）

根據下頁表3的輸出結果，模型的誤差結果為1.22。但此時得到訓練結果并不收斂，因此利用BP神經網絡的自適應性對模型進行優化，擴大每層的權重值，在迭代3586次以后，該模型滿足精度的優化結果，訓練效果非常理想。

表3 神經網絡衍生金融工具風險預警系統訓練結果

表3結果表明，BP神經網絡模型對金融衍生工具風險預警具有較好的適用性。根據上述4組訓練模擬數據，可將風險預警程度分為4個警戒水平，一旦金融產品鏈條積累風險超過警戒水平，風險預警系統可依據訓練獲得的數據及時發出預警信號，并對風險的嚴重等級進行更準確的分類。金融機構的風險管理人員可以根據風險預警系統的警戒級別制定相應的避險方案。

2.2 風險預警模型的評價

通過實證研究證明，BP神經網絡建立風險預警系統具有較好的容錯與識別能力，對數據的分布沒有嚴格要求，可以成功解決神經網絡普遍的訓練效率、收斂、訓練癱瘓等問題。同時它具有學習能力，可以隨時根據新數據進行自學習和訓練，將其內部存儲權重參數調整到相應的可變經濟環境。因此認為該模型能夠及時有效地預測復雜狀況下衍生金融工具的風險。

3 金融產品拓展鏈的風險控制

可以采用系統控制論中的前饋控制與反饋控制相結合的方式，來解決金融衍生產品的風險控制問題。

（1）風險控制中的前饋控制與反饋控制

在控制金融產品風險控制的過程中，前饋控制應事先采取相應的控制措施，根據可能的狀態偏差調整和變更受控衍生產品的運行狀態。但對運行過程中可能發生的偏差，前饋控制對偏差的方向、程度和時機都不能準確把握，或者控制時機把握不及時，可能會導致前饋控制失誤，不能對風險因素進行有效的控制。反饋控制利用風險預警系統的輸出值來產生控制力。如果在風險控制過程中出現的偏差是不可接受的，那么應該分析差異的具體原因，并對風險做新的量化和修正。

通過上述分析，采用前饋控制與反饋控制相結合的方式是金融衍生產品風險控制較為理想的方案。

（2）風險控制模型的建立與風險控制的實施

結合前饋控制與反饋控制建立模型：Lt*P＜（La+Lb）－C。

其中，Lt為風險事件發生的總損失；P為風險事件發生的概率；La為前饋控制識別出風險造成的損失；Lb為反饋控制識別出風險造成的損失；C為風險控制系統花費的總成本。模型表達式左邊為總損失的加權平均值（即凈損失），右邊為實施風險控制所產生的總節約與總成本的差（即凈結余）。該表達式意味著在凈結余大于凈損失時，風險控制是有效的。

通過前饋控制和反饋控制識別出風險形成的損失可分為直接損失和間接損失。直接損失是指流動性風險、利率風險、信用風險和匯率風險造成的損失，這種損失將對產品價格和市場價格產生直接損失。Lt則是指在不加以任何控制的情況下各類風險事件造成的損失總和，是對各種風險事件形成損失的加權。對前饋控制來講風險事件是隨機發生的，可以利用專家經驗數據對事件發生的概率和損失率來定義。

在模型分析過程中，一旦能夠確定前饋控制和反饋控制是必要的，則將實施風險控制。首先確定風險管理的目標和準則，通過風險識別確定存在風險的種類和來源。然后根據不同的風險類型，依據數據評估事件發生概率和影響范圍對風險進行評估，并依據評估結果決策風險處置預案，即風險自留、風險轉移和風險規避，至此前饋風險控制階段完成。如果選擇風險轉移預案，那么風險控制方案進一步細化和明確，直至制定完整的風險管理方案。此方案的執行結果可以判斷風險事件造成的損失是否在可容忍范圍內，一旦事件損失超出可容忍范圍則觸發反饋控制流程，重新回歸起點，反復修正風險控制模型，直到風險損失在可容忍范圍內，即凈結余大于凈損失，風險控制流程結束。

面對不同的金融產品需要有區別的風險控制模型，基礎金融產品由于風險影響因素相對比較單一，采用前饋控制可以很大程度上控制風險發生概率，降低風險損失。但對于金融衍生產品來說，各種風險的積累使風險本身變得更為復雜，搭配反饋控制盡可能將事實偏差降低到預期水平，以實現風險管理的目標。在風險控制過程中，可以對每個節點都進行控制，保證在風險鏈過度聚集時可以有效介入熔斷機制，及時將風險鏈斷開，防止風險蔓延。