基于互聯網金融模式的結構性理財產品風險度量研究進展

陳榮達，周寒嫻，余樂安，金騁路

（1.浙江財經大學金融學院，浙江 杭州 310018；2.浙江財經大學財富管理與量化投資協同創新中心，浙江 杭州 310018；3.浙江財經大學金融創新與普惠金融研究中心，浙江 杭州 310018；4.北京化工大學經濟管理學院，北京 100029）

1 引言

結構性理財產品大致可以細分為外匯掛鉤類、股權掛鉤類、利率掛鉤類、信用掛鉤類和商品掛鉤類五大類。隨著互聯網金融的迅速發展以及金融市場化的深入，由固定收益類產品和金融衍生品（目前市場最常見的結構性理財產品隱含的金融衍生品主要是期權）組合而成的結構性銀行理財產品發展迅速，已經成為國內外理財市場上不可或缺的重要支柱。與許多發達國家一樣，國內各大金融機構利用互聯網平臺也逐漸加大結構性理財產品的發行力度。據普益財富和銀率網統計數據顯示，基于互聯網平臺，2004-2012年國內38家商業銀行發行了6532款結構性理財產品。而2013-2015年，國內64家商業銀行共發行了9970 款結構性理財產品（其中，2013年發行1850款，2014年發行4366款，2015年發行3754款），最近3年發行量是過去9年的1.52倍。這些數據說明，隨著這些可用于淘氣保值和投資的結構性理財產品的增加，我國金融機構和投資者的投融資環境發生了巨大變化。

然而，結構性理財產品在快速發展的同時其風險也不斷凸顯出來，市場風險因子、信用風險因子、流動性風險因子變動又是導致具有違約風險的結構性理財產品價值損益變化的主要原因。如果沒有一個系統的測量結構性理財產品資產組合所面臨的風險度量模型，那么就得不到量化整個結構性理財產品資產組合的風險值，也就無法使管理者對結構性理財產品資產組合的運營進行密切的監控，因而就不會減少結構性理財產品資產組合出現較大損失的可能性。而且，如果不深入了解結構性理財產品中金融衍生品的復雜風險特性，投資者在使用結構性理財產品時就會容易產生誤導和不平等交易。根據銀率網2013年的統計數據顯示，結構性產品虧損事件未達最高預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“焦點聯動系列”結構性理財產品中一部分產品近達到了最低的預期收益率（0-0.4%），遠沒實現預設的最高收益率。更有甚者，渣打銀行的“QDSN 系列”結構性理財產品接連出現巨額虧損，最嚴重的達到95%。類似地，2014年1月中誠信托發生了與煤炭掛鉤的30億礦產信托兌付危機事件，凸顯了結構性理財產品的風險度量和控制問題。

根據銀率網統計，2015年到期的結構性理財產品中僅有60%左右產品（3469款到期產品中2091款）披露了到期實際收益率。即使在披露了實際收益率的產品中，也僅有60%左右產品實現預期最高收益率，剩余的40%結構性產品均未達預期收益，進一步凸顯了結構性理財產品風險度量和控制問題。同時，由于結構性理財產品是運用金融工程技術將存款、零息債券等固定收益產品與期權組合在一起而形成的金融產品，除了市場風險和信用風險之外，基于互聯網平臺的結構性理財產品還有一個新的特點就是流動性風險非常之大。由于互聯網平臺籌資具有聚散迅速（即資金聚的快散的也快）的特點，基于互聯網平臺的結構性理財產品資金池波動性非常大，使得流動性風險是互聯網理財產品不同于其他理財產品風險管理的最重要之處。為此，同時考慮結構性理財產品的市場風險、信用風險和流動性風險，建立基于互聯網金融模式的結構性理財產品期權組合非線性風險量模型，利用稀有事件模擬和智能化控制等技術將眾多不確定的因素轉化為客觀概率數值，使得隱性風險顯性化，便于風險的管理與控制，是目前學術界和工業界要開拓的工作。

2 國內外研究現狀

由于結構性理財產品是固定收益類產品和期權組合而成，固定收益類產品屬于線性資產，而期權屬于非線性資產。線性或非線性資產組合風險度量必須處理好以下兩個問題，一是如何選擇隨機風險因子分布類型，二是如何得到將風險因子變化映射到資產組合損失分布的傳導機制［1-18］。本文首先從結構性理財產品市場風險度量、結構性理財產品市場風險與信用風險集成度量兩方面論述國內外現有文獻基于市場風險與信用風險的研究結論，并針對性的提出需要突破解決的研究問題。其次，本文簡述現有針對互聯網金融模式發展背景下的流動性風險和人工智能技術對金融產品定價和風險度量的影響的研究，為下一部分提出基于互聯網金融模式的結構性理財產品風險度量研究展望提供理論支持。

2.1 基于市場風險與信用風險的研究現狀

現有文獻主要討論結構性理財產品面臨的市場風險和信用風險，但是單獨考慮其中一種類型風險而忽視另一種類型風險，顯然不能全面度量結構性理財產品總風險。若簡單線性相加市場風險和信用風險各自風險值，一方面，由于忽略不同類型風險間的分散化效應（Diversification Effect），最終的計算結果將可能高估總風險；另一方面，由于不同類型風險之間的復利效應（Compounding Effect），計算結果也可能低估總風險。至于分散化效應和復利效應兩者的重要性在資產組合風險度量中誰占主導，這就依賴于不同的場［19-22］。所以在獨立地考慮不同類型風險之外，還應努力建立好集成度量市場風險和信用風險的一致性方法。

因此，目前對結構性理財產品風險度量的研究由兩個方面展開：結構性理財產品市場風險度量、結構性理財產品市場風險與信用風險集成度量。結構性理財產品市場風險度量，是在市場風險因子為多元分布的假設條件下，引入Delta、Gamma、Theta等金融參數將期權組合損失進行二階泰勒展開，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及對應的特征函數。在此基礎上，運用數值模擬技術得到一定置信水平下的分位點即求出相應的VaR 值和ES值［23-29］。而對結構性理財產品風險集成度量，由于組合同時面臨著市場風險和信用風險，通過建立這兩種風險因子的控制方程及其依賴關系，在市場風險度量模型嵌入信用風險因子，在此基礎上運用數值模擬技術進行風險度量［30-36］。

由于由固定收益類產品和期權組合而成的結構性理財產品風險度量核心是期權組合風險度量。而期權組合風險度量研究始于上世紀九十年代后期，經過多年的研究，這方面研究得到了長足的發展。目前這方面研究大體分為期權組合市場風險度量和期權組合市場風險與信用風險集成度量兩種研究框架。這兩種研究框架是基于選擇風險因子分布類型，進而得到期權組合損失分布，并在此基礎上進行模型分析和數值模擬計算；而后一種研究框架是在前一種研究框架基礎上進一步研究，則更為復雜。另外，由于VaR、ES的估計是在極小概率事件發生情形下進行，應用一般Monte Carlo模擬計算時通常閾值比較大，導致組合損失值大于閾值的樣本也相對較少。因此，為了達到理想的模擬效果，需要生成大量的樣本，增加了計算工作量和計算時間，極大地影響了數值模擬的效率。針對這個問題，部分文獻發展了有效稀有事件模擬技術來解決以上問題。稀有事件模擬技術的目標是應用與數值模擬運行有關的統計方法，使數值模擬輸出的方差減少（Monte Carlo模擬精度通常是用估計值的標準差來描述），但不影響估計值的期望值，從而達到用較少模擬次數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行具體分析。

第一種研究框架：期權組合市場風險度量。

按照市場風險因子分布類型，該研究框架又可分為市場風險因子服從多元正態分布和多元厚尾分布兩種情形。

1）市場風險因子服從多元正態分布情形下的期權組合市場風險度量

該情形研究思路大體為：市場風險因子服從多元正態分布假設，由Delta- Gamma-Theta模型得到反映期權組合損失的矩母函數及對應的特征函數，然后運用矩匹配數值技術計算出組合的風險值［26-27］，［43-47］。雖然矩 匹 配 計 算 具 有 快 速、簡 單 的優點，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）來匹配期權組合損失分布，無法全面刻畫整個期權組合的損失分布，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基礎上，運用傅里葉變換技術計算出組合風險值。由于期權組合損失特征函數刻畫了組合損失這個隨機變量的概率分布，就統計性質而言，沒有損失組合損失分布的信息，當市場風險因子數目不是很大時，該方法的魯棒性比較好，但使用該方法計算組合風險值時，需要多次試算。

特別是針對上文提到的在應用一般Monte Carlo模擬時出現的樣本稀少且計算誤差大的缺點，Cardenas等［50］應用了控制變量技術（一種稀有事件模擬技術），改進Monte Carlo模擬，利用Delta-Gamma-Theta近似推導組合價值損失，并應用這個隨機變量作為控制變量來進行模擬，從而達到縮減模擬方差的目的。但是該方法只利用了期權組合損失這個隨機變量的一階矩信息，且當閾值變大時，模擬效率降低。為此，Jewell等［28］、Glasserman等［45］和Glasserman 等［51］利 用Delta-Gamma-Theta近似所包涵期權組合損失這個隨機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、分層抽樣技術以及兩種抽樣技術的組合來進行稀有事件（與VaR、ES問題相對應）模擬；進而通過引入似然比函數（likelihood ratio）來改變市場因子分布的期望向量和協方差矩陣，從而增加在相應區域的樣本數，使得估計量不再是稀有事件發生情形下進行，且這種轉換又能使估計量滿足無偏性、有效性等性質，從而達到提高模擬精度和減少模擬計算時間的目的。

2）市場風險因子服從多元厚尾分布情形下的期權組合市場風險度量

對于市場風險因子為正態分布的假設，當且僅當隨機變量不相關時，期權組合的市場風險因子才是獨立的，因而容易推導出期權組合損失的矩母函數及其對應的特征函數。然而大量實證研究表明，市場風險因子一般不服從正態分布，主要體現在其分布通常具有顯著的尖峰厚尾特征［52］-［64］。另外，上述研究還發現這些金融數據的尾部并不是厚到以致于產生無限方差，無法被傳統正態分布假設完全反映。

與此同時，若期權組合風險度量過程中還考慮市場風險因子有著非線性關系，市場風險因子的多元厚尾分布情形遠比多元正態分布復雜，計算工作量明顯增加。對于多元厚尾分布情形，隨機變量不相關，它們不一定獨立，這和多元正態情形是相反的，因而不容易得到期權組合損失的矩母函數及對應的特征函數，這時進行數值模擬運算就難以展開。為了克服多元厚尾分布情形下估計期權組合風險值的困難，Glasserman等［65］基于把厚尾估計問題轉化為輕尾問題思想，提出將市場風險因子的厚尾特征用多元-t分布模擬，并利用多元t-分布結構從而間接得到反映期權組合損失的矩母函數。針對VaR、ES計算時通常閾值比較大，這時產生了期權組合損失值大于閾值的樣本比較稀少且存在計算誤差大的缺點?；诖?，把重要抽樣技術應用到多元t-分布情形下的Delta-Gamma-Theta模型，從而實現在相應區域產生更多的樣本，改進之前基于稀有事件的Monte Carlo模擬，同時控制了Monte Carlo模擬計算工作量。另外，為了進一步減少模擬估計誤差，在重要抽樣技術基礎上使用分層抽樣技術，能更加有效的Monte Carlo模擬。但該模型在運算時假設所有市場風險因子具有相等的自由度，事實上不同市場風險因子厚尾程度不一樣，自由度也對應著不同。

針 對 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。因為卷積計算涉及到各隨機變量的邊緣分布，這將允許邊緣分布的建模與它們的相關分布結構分開來考慮，從而大大簡化了對聯合隨機過程的估計問題，避開了多元厚尾分布情形下，得到期權組合損失的特征函數解析表達式的困難。同時，進一步利用卷積公式、快速傅里葉變換以及線性插值近似計算出相應的組合風險值。另外，Lin等［55］、Johannes 等［69］、Kamdem［25］、陳 榮 達 等［70］、Fuh等［71］也在市場風險因子服從多元t-分布框架下，在Glasserman等［65］推導得到的期權組合損失矩母函數基礎上，運用有效Monte Carlo模擬和快速傅里葉變換等數值模擬技術計算出組合風險值。

除此之外，Chen Rongda和Yu Lean［72］假設市場風險因子厚尾特征用多元混合正態分布來描述，提出基于多元混合正態分布的期權組合市場風險度量模型，推導出多元混合正態分布情形下反映期權組合損失的特征函數；在此基礎上，將自適應Simpson法則（即概率分布的傅里葉變換技術和數值積分近似計算的迭代算法）發展到多元混合正態分布情形下的期權組合風險度量模型中，估計出期權組合的風險值。

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分布來刻畫市場風險因子厚尾特征；2）利用風險函數轉換技術和關于多維Laplace多重積分，間接得到反映期權組合損失的矩母函數及相應的特征函數；3）利用重要抽樣技術，建立多元Laplace分布情形下的期權組合風險度量的有效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中立情形下的期權組合風險度量。事實上，期權組合處于Delta中立只能維持一個很短的時間，大多數情形組合處于Delta非中性狀態。

市場風險因子尾部分布有兩類厚尾特征，第一類是尾部以多項式形式衰減的尾部分布族，例如多元t-分布、多元混合正態的尾部普遍具有這樣的特征?？v觀該領域的國內外研究和近期發展可以看出，針對市場風險因子尾部分布呈第一類厚尾類型來建模計算期權組合的風險值，解決得相對較好，如前面論述的市場風險因子為多元混合正態、多元t-分布情形下的期權組合風險度量模型。

第二類厚尾特征則是是尾部以指數類型衰減的尾部分布族，如多元Laplace分布的尾部特征是指數類型，比高斯分布類型尾部要厚一個數量級［53］。而對市場風險因子尾部分布呈第二類厚尾類型來建模計算期權組合的風險值，目前只解決了市場風險因子服從多元Laplace分布和Delta中立情形下的期權組合風險度量，這也是未來相關研究需要突破解決的一個重要方面。

第二種研究框架：期權組合市場風險和信用風險集成度量。

該框架的研究思路大體為：由固定收益類產品和期權組合而成的結構性理財產品面臨著市場風險和信用風險，因此，其期權組合也同時面臨著市場風險和信用風險。鑒于此，對期權組合進行風險度量，要首先在更加微觀的風險因子層面上考慮不同風險因子之間相關性。市場風險和信用風險隨機相依關系通過建立兩種類型風險因子的控制方程及其依賴關系體現，在期權組合市場風險度量模型嵌入信用風險因子，進而運用數值模擬技術進行風險集成度量［10］，［30-34］。

然而，把信用風險因子嵌入期權組合市場風險度量模型會增加風險度量的計算復雜度，因為在預測過程中再加入對期權組合的重新估值將變得更加復雜。另外，期權組合風險度量模型應用結構Monte Carlo模擬技術計算組合損失分布的尾部概率或給定置信度下組合風險值，由于信用等級比較高的結構性理財產品違約概率比較低，計算時閾值會相對較大，即導致這時產生結構性理財產品組合損失值大于閾值的樣本就比較稀少。如果為了達到理想的模擬效果則需要產生大量的樣本，這勢必將會增加計算時間和工作量，從而影響模擬效率。

為此，Duffie和Pan［30］假定了標的資產對數價格過程為多元跳躍擴散過程（其對數價格是布朗運動和一個與其獨立的跳躍幅度為正態分布的復合Poisson過程的耦合），各交易對手違約強度為CIR（Cox-Ingersoll-Ross）過程，即允許市場風險因子和違約強度相關，從而將信用風險和市場風險兩類因子仿射地依賴于基礎向量，并基于此構建兩類風險相依性，再進一步利用Delta-Gamma-Theta模型近似得到期權組合損失的矩母函數。同時利用特征函數和矩母函數關系，將Monte Carlo模擬和傅里葉變換等數值技術發展到模型中，估計出組合VaR 值。但是Delta-Gamma- Theta近似方法適合較短預測時段，由于信用事件比市場事件發生的頻率要少得多，期權組合風險度量選擇的預測時段要長于只考慮市場風險的組合風險度量選擇的預測時段（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 年的預測時段），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假設跳躍幅度為正態分布，這也與現實不符。實際上，金融市場標的資產對好消息壞消息的反應是不對稱的。此外，模型沒有考慮隨機回收率等信用風險因子。

Grundke［75］在反映利率風險的市場風險因子和信用風險因子的聯合分布為多元正態分布的框架下，利用條件特征函數與無條件特征函數的關系，推導出交易對手存在違約風險的期權組合損失分布的特征函數；在此基礎上，給定市場風險因子和信用風險因子條件下，利用傅里葉變換技術計算出條件組合損失分布的尾部概率；然后，把重要抽樣技術和傅里葉變換技術相耦合，通過對市場風險因子和信用風險因子的聯合分布進行概率測度變化，從而改變風險因子的期望向量，增加相應區域的樣本，使得該情形下不再是稀有事件Monte Carlo模擬，以實現減少Monte Carlo模擬計算工作量；最后，利用全期望公式估計出組合損失分布的尾部概率。但若市場風險因子和信用風險因子的聯合分布為多元厚尾情形下，不能夠直接得到期權組合損失分布的特征函數，這時進行稀有事件模擬計算就不能展開了。

同樣，Grundke［32］基于市場風險因子和信用風險因子的聯合分布為多元正態分布的框架，把Glasserman和Li［76］提出的兩步重要抽樣技術應用到Grundke［75］的期權組合市場風險度量模型中，從而建立了基于兩步重要抽樣技術的期權組合風險度量模型。在此基礎上，為同時實現降低兩步重要抽樣技術中的市場風險因子和信用風險因子的期望向量確定過程中的模擬估計誤差、提高模擬效率，Glasserman等［3］應用非線性優化技術中的背包問題來解決。但是該模型沒有考慮到反映交易對手信用質量的違約強度風險因子以及沒有考慮到隨機回收率問題。另外，Grundke［32］和Grundke［76］提出模型的一個重要缺陷在于，都沒有考慮標的資產價格過程的跳躍成分，即沒有考慮到資產價差變化表現出的跳躍性。

此外，Frey和Backhaus［33］考慮到標的資產價格變化的跳躍性，在期權組合風險度量研究框架下，通過多元正態-Copula來捕捉擔保債務憑證（Collateralized Debt Obligation，簡稱CDO）以及各分券資產的隨機相關結構，然后模擬出資產組合損失的分布，進一步考慮到信用價差和違約傳染性，并運用馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，簡稱MCMC）模擬技術來計算CDO 各分券資產的最佳對沖比。Schr?ter和Heider［34］運用多元正態-Copula、阿基米德- Copula 等不同分布族的Copula來捕捉市場風險因子和信用風險因子的相依性，進一步運用重要抽樣技術估計出一籃子違約互換的多個債務人組合的VaR 值。他們研究發現，不同分布族的Copula會顯著影響組合的VaR 值。

綜觀期權組合風險度量領域的近期研究與發展可以看出，期權組合市場風險度量研究已進入到運用不同多元厚尾分布類型來對市場風險因子建模計算期權組合的風險值。但對市場風險因子尾部分布特征呈指數類型衰減時，目前還需進一步解決。而對期權組合市場風險和信用風險集成度量研究，主要在多元正態分布-Copula的框架下進行，但多元正態分布-Copula不能很好捕捉市場風險因子與信用風險因子的相依特征，因為正態分布Copula的尾部相依系數幾乎為零，而期權組合市場風險和信用風險集成度量又在組合損失分布的尾部進行，這大大影響了所需估計量的精度。用多元厚尾分布Copula來捕獲市場風險因子與信用風險因子相依特征的期權組合風險度量難度與強度都比多元正態情形下復雜，這是相關領域待解決的另一個問題。

2.2 互聯網金融模式背景下結構性理財產品流動性風險與人工智能影響的研究現狀

另外，市場風險引發的流動性風險無疑是互聯網理財產品所面臨的另一主要風險。在互聯網信息快速傳遞的情況下，一旦市場動蕩或產品回報不符合預期，投資者可能在非常短的時間內集中性贖回，從而導致互聯網理財產品面臨非常大的流動性風險。其次，互聯網金融機構在風險管理和經營過程中通常使用大量基于相同原理的數理與計量模型，在一定程度上會顯著增加市場變動的趨同性。這種趨同性會放大市場的波動幅度，從而加劇在流動性出現過?；蛘叨倘睍r出現的問題。而且，這些模型往往難以預測所謂的“小概率”極端市場情況，又會造成忽視極端情況下的流動性風險問題。因此，基于互聯網金融模式的結構性理財產品除了面臨市場風險和信用風險外，還面臨著巨大的流動性風險。在這個意義上，流動性風險是互聯網理財產品不同于其他理財產品風險管理的最重要之處。

鑒于此，針對流動性風險管理方面，巴塞爾協議III提出了流動性覆蓋（LCR，Liqudity Covered Ratio）、凈穩定資金比例（NSFR，Net Steady Finance Ratio）兩個新的流動性指標來有效管理和監管銀行流動性風險。Rossignolo等［77］應用內部模型方法（Internal Models Approach，IMA）和 標 準 方 法（Standardized Approach，SA）來計算葡萄牙、愛爾蘭、希臘和西班牙等國家銀行的巴塞爾協議III提出的最小資本金要求，研究了各國金融機構巴塞爾資本金要求應對2008年金融危機及以后的市場流動性情況，并指出厚尾技術在計算流動性風險的優點。King［78］應用了15個國家銀行的凈穩定資金比例（NSFR）數據來研究由于銀行資產和負債錯配而引起的融資性流動性風險，實證結果表明銀行符合巴塞爾協議III的凈穩定資金比例最有效策略是增加持有更高等級證券和延長大規模貸款的期限。Dietrich等［79］分析了1996年至2010年921家西歐國家銀行機構的凈穩定資金比例（NSFR）的特點，發現08年金融危機后大多數銀行開始提高了NSFR。另外，他們還發現一個有趣的事實：在融資成本有優勢但凈穩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］應用線性規劃方法為銀行尋找從巴塞爾協議II過渡到巴塞爾協議III優化策略。李少華和程遠杰［81］在結構化模型的基礎上，給出了流動性風險和信用風險相互影響的損失值模型以及利差模型。針對證券交易所公開限價指令，Dionne等［12］提出了一種新穎的高頻流動性調整風險值（Liquidity-adjusted Intraday Value at Risk，LIVaR）來集成度量市場風險和因變現資產而產生的流動性風險，其中流動性風險因子用買賣價差來刻畫。Bai等［82］提出的先確定資產和負債流動性權重以計算銀行流動性不匹配指數 （Liquidity Mismatch Index，LMI）的流動性測度方法。有趣的是，上述模型中的流動性風險度量都是針對銀行資產，沒有針對結構化理財產品，更沒有針對基于互聯網金融模式的結構化理財產品。除了針對銀行資產，高強和鄒恒甫［83］通過實證評估了無風險利率、信用風險、流動性風險以及宏觀系統性風險對債券收益率的影響。Wu Ying［84］針對美國股市提出的基于Amihud流動性測度方法的市場極端流動性風險指數 （Extreme Liquidity Index）等。這些研究同樣沒有針對互聯網金融模式下的結構化理財產品的流動性風險進行度量。

在結構性理財產品市場風險和信用風險集成度量模型基礎上，再考慮流動性風險，目前這方面的研究有待進一步深入。而且，流動性風險是互聯網理財產品不同于其他理財產品風險管理的最重要之處，如何建立基于互聯網金融模式的結構性理財產品流動性風險度量模型，這方面的研究還待進一步拓展和深入。

最后，基于互聯網平臺的結構性理財產品資金池波動性非常大，呈現出“聚散迅速”的特征。也就是說，借助互聯網平臺，基于互聯網金融模式的結構性理財產品的資金池聚的快，散的也快，流動性十分快捷，波動性非常巨大。為此，如何運用智能計算與數據挖掘技術，對結構性理財產品風險進行智能化控制，并具體運用在實際的互聯網金融市場，還待進一步推進和深入。

隨著智能計算與數據挖掘技術的飛速發展尤其是機器學習和進化計算的發展，人工智能技術已經被廣泛應用在金融風險的預測與控制領域。由于人工智能技術具有自組織、自適應、自學習的特性，因此能有效地處理傳統優化算法難以解決的復雜問題，且不受問題性質的限制。這些特點使得人工智能技術為金融產品的建模、定價和風險控制提供了新的技術和方法。目前已有大量人工智能技術被用于金融產品定價和風險度量模型中，如人工神經網絡、模糊邏輯、遺傳算法、元胞自動機、遺傳規劃、支持向量機、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雜性非常有效［85-94］。

另外，一些學者進一步推進應用人工智能技術解決金融產品定價和風險度量問題，改進經典的誤差反傳（BP）神經網絡，發展對新型混合人工神經網絡［95-101］。例如，Huang Wei等［102］利用支持向量機來預測日經225指數的每周走勢，發現支持向量機的預測效果要優于經典的BP 神經網絡。Huang［103］集成無軌跡卡爾曼濾波和支持向量機技術對臺灣期貨交易所的期權價格進行在線預測，為進一步提高預測精度，對期權實際價格和在線預測價格的誤差應用支持向量機技術進行建模。Pires和Marwala［104］利用貝葉斯分析思想，提出了期權定價的貝葉斯神經網絡模型來解決美式期權定價的復雜性問題。Gradojevic等［105］針對標準化前向神經網絡期權定價模型在處理深度虛值期權所出現的計算復雜性和局限性，將工程計算中的模塊化思想發展到期權定價的神經網絡方法中，提出了一種非參數的模塊化神經網絡模型并對標準普爾500指數歐式看漲期權進行定價。張鴻彥和林輝［106］采用加權的隱含波動率作為混合神經網絡的輸入變量，通過遺傳算法來優化神經網絡的結構和獲得隱含波動率的權重，構建了混合神經網絡和遺傳算法相結合的期權價格預測模型。張鴻彥等［107］針對不同種類期權的隱含波動率不同，建立了混合小波神經網絡和遺傳算法相結合的期權定價模型。由于Heston隨機波動率模型放松了Black-Sholes模型的假定而更符合市場情況，但Heston 期權定價模型在應用中需要確定五個待估參數，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期權定價模型的待估參數。

類似地，利用高頻數據，Chen和Sutcliffe［109］應用混合人工神經網絡對英鎊期權的定價進行研究，結果表明混合人工神經網絡期權定價模型優于修改的Black-Scholes期權定價模型。Hahn［110］研究了如何利用機器學習技術來改善期權定價問題，運用神經網絡來對決定期權價格關鍵的波動率進行建模，并利用澳大利亞期權市場的數據進行實證研究，以此來驗證機器學習技術在期權定價方面的有效性。Verma等［111］應用ε不敏感支持向量機和光滑的？不敏感支持向量機對印度的S&P CNX Nifty指數深度實值期權、實值期權、平價期權、虛值期權、深度虛值期權等五種不同期權進行定價研究，實證結果表明以上支持向量機的期權定價模型明顯優于Black-Scholes模型。Hsu等［112］考慮到標的資產的開盤價、收盤價、最高價、最低價、交易量等因素，應用遺傳規劃和支持向量機技術對臺灣加權指數期權進行定價，通過平均絕對百分誤差、均方誤差這兩個預測誤差指標來驗證基于遺傳規劃和支持向量機技術的期權定價模型有效性。李斌和何萬里［113］利用遺傳算法解決帶有Heston隨機波動率的期權定價模型中的五個待估參數問題，該算法可避免丟失最優解，具有群體搜索的特點。

綜觀人工智能技術解決金融衍生品定價和風險度量領域的近期研究與發展可以看出，目前這方面的研究主要集中在對金融衍生產品定價和線性資產組合風險度量方面，而對金融衍生品的風險度量方面還待進一步解決。而且，結構性理財產品風險度量核心是期權組合風險度量，從組合的角度應用人工智能技術解決期權組合風險度量問題還待進一步推進。

3 結語

結構性理財產品與非結構性理財產品最大的不同之處在于其收益結構上，結構性理財產品最終的到期收益率由所掛鉤標的資產的市場走勢決定，而且其所掛鉤的衍生性金融產品投資收益也取決于標的資產的波動情況。結構性理財產品中所掛鉤的衍生性金融產品，除了包括普通期權外、還包括亞式期權、價差看漲／看跌期權、極大極小期權、障礙期權甚至更復雜的奇異期權。如前所述，由于基于互聯網金融模式的結構性理財產品面臨著市場風險、信用風險和流動性風險，因此，結構性理財產品風險度量核心是期權組合風險度量。目前對結構性理財產品風險度量研究由兩個方面展開：結構性理財產品市場風險度量和結構性理財產品市場風險、信用風險、流動性風險集成度量。第一種方法，是在市場風險因子為多元分布的假設條件下，通過Delta-Gamma-Theta二次近似結構性理財產品損失得到反映該損失的特征函數，在此基礎上，運用數值模擬技術得到一定置信水平下的分位點即求出相應的VaR值和ES值。第二種方法，是針對結構性理財產品組合同時面臨著市場風險、信用風險和流動性風險以及各風險之間的相依性，基于識別出的共同的風險因子及其相依性結構，建立不同類型風險因子的控制方程及其依賴關系，把信用風險因子、流動性風險因子嵌入期權組合市場風險度量模型，在此基礎上運用數值模擬技術進行風險度量。第一種方法關鍵在于如何挑選一個合適的多元分布來描述市場風險因子尖峰厚尾特征，進而對結構性理財產品的風險進行度量；第二種方法是在第一種方法基礎上的推進，實質上是把期權組合的市場風險度量模型推進到期權組合的市場風險、信用風險和流動性風險集成度量模型，而且由于把信用風險因子和流動性風險因子嵌入期權組合的市場風險度量模型，計算工作量迅速增加，第二種方法比第一種方法要更為復雜精致，估算精度要高。

但是，目前國內外學術界和金融業界在如何合理運用多元厚尾分布來刻畫風險因子尖峰厚尾特征，針對互聯網金融聚散迅速特點考慮流動性風險，描述市場風險、信用風險、流動性風險等不同類型風險的共同風險因子的相依性結構，以及面臨市場風險、信用風險、流動性風險的基于互聯網金融模式的結構性理財產品風險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。