风控护航量化投资

数据显示，北美超过70%的交易份额由程序化交易产生，而目前我国程序化交易的份额远远低于北美及欧美的平均水平。程序化交易使资产管理人更容易通过多品种、多市场、多周期、多组合的量化交易策略来降低投资风险、平滑资金曲线，凭借其快速与纪律性等优势，越来越受到交易者的青睐。但同时，程序化交易是涉及算法、众多参数、交易下单的复杂系统，出意外的可能性较大，如美国的Kningt Capital骑士资本(美国最大的做市交易商之一）由于计算机程序错误导致的乌龙事件，瞬间亏损4.44亿美元，几乎让骑士资本到破产的边缘。美国长期资本公司的债券套利完美模型设计，最终毁于俄罗斯金融危机下的国债违约黑天鹅意外。2013年光大证券的乌龙指事件更是为我们上了一堂量化产品风险缺失教育课，惊悚之余，给市场提出了新的风险监管课题。

系统风控的构建逻辑

一是强调风险控制的重要性。任何风险控制工作的改进，都必须以提高风险控制质量为第一考虑。

二是强调风险的提前预防、提前发现。可通过模拟实盘情况，寻找可能出现的量化交易风险；并且在实盘交易中，通过增加参数监控，来弥补单纯订单只能在错单出现后才能发现风险的问题。

三是强调风险估计的准确性。一方面，不断发展适合量化交易的风险估计模型，目前采用基于GARCH模型和GED分布的VaR风险估计模型。另一方面，通过对多品种联合建模，努力对套利交易提供更高的兼容性，以减少不必要的风险估计，帮助量化交易客户找到真正的风险源。

四是强调量化交易风险的独特性。对于量化交易风险，我们面对的风险不是目前仓位继续持有一段时间可能带来的风险，而是量化交易继续运行一段时间可能带来的风险。所以我们发展了蒙特卡洛模拟的方法来计算下一个交易日的风险情况。

基于以上逻辑以及量化投资实务的经验，我们认为，一套完整的覆盖交易前、交易中、交易后的风控体系应该至少包括以下内容：

交易前的风险控制

量化投资不同于传统投资方式，风险控制工作在交易前就已产生。主要预防的风险包括：量化程序的编写错误、量化程序和风控程序的不正常交互等。我们将需要测试的模型搭载在我们的交易系统和风控系统上，通过以下几个方式检验整个系统的稳健性：

一是模仿交易所实时推送行情，在量化策略编写者的协助下，查看交易信号和输出的参数等是否正常。

二是用专门的数据模拟包括异常行情等突发情况，验证在突发情况下系统的表现。包括风控程序是否能及时发现异常，示警并征得量化交易者同意后而采取措施的其他风控手段。

三是在量化交易者同意风控程序进行平仓、限制开仓等风控手段时，用特殊数据刻意引起风控系统生效，以检验在风控程序生效后，量化交易程序是否能正确接受信号，并继续稳健运行。

交易中的风险控制

交易中的风险控制是量化投资风险控制工作的重中之重，在这个环节包含的风险种类比较多。

1.传统风险

传统风险是在传统的交易方式下也存在的风险种类，但是在量化交易中，这些风险又具有了新的特点：

市场风险。市场风险是指由投资标的物价格波动带来的风险。相对于传统交易方法，量化交易的速度更快，仓位变动更加频繁，对风险衡量的即时性要求更高。同时，由于大量跨品种之间套利策略的存在，使得组合风险不是简单的线性叠加关系，需要更加精细的衡量风险的办法。我们风控团队采用主流风险测度方法——VaR，并在算法上进行创新，即时给出组合风险、组合中的单一品种风险，当风险度过高时，这种整体与局部风险均展示的方式，可以在有风险发生时迅速定位风险源。

净值风险。量化产品在生命周期内由于产品盈利能力不佳，净值接近一定水平可能面临的清盘风险归为净值风险。但在量化策略编写中，往往并不考虑这一情况。针对这方面的问题，我们的风控系统对产品清盘的可能性进行实时定量的分析，帮助量化交易者实时了解产品的运行情况，甚至根据我们提供的分析数据，程序化地调整策略的持仓规模，以规避净值风险。

操作风险。虽然程序化交易能自动运行交易策略，但仍不能摆脱人工操作。在人工参与环节出现的误操作或投机操作带来的风险归为操作风险。应对措施是：

一是尽量减少非必要的人工操作。

二是对任何的人工操作，记录并留档，定期复核。

三是对所有曾经出现过的人工操作，制定标准化的操作步骤。

2.量化交易风险

量化交易风险是量化交易特有的风险，或者是该风险在传统交易中就存在，但在量化交易中被大幅放大的风险。这些风险包括：

策略运行风险，指在量化策略运行过程中，因为各种原因导致策略发生错误的风险。这种风险比较隐蔽，传统的风险控制方式一般只能在策略出现不正常报价单之后才能发现问题，这时已经造成了损失。我们团队通过Sybase高效的流处理机制，在不影响量化策略运行速度的情况下，并行地对策略计算中的各项参数进行监控，做到了对于策略运行风险的定制化监控，并能有效地在不正常报价单出现前发现风险，并采取相应措施，避免损失的出现。

故障风险。一个好的程序化交易系统应能及时稳定地接收行情、分析行情、处理数据、快速下单。但程序在运行过程中可能会因为停电、网络或通讯设备出现故障等不可抗力而出现故障。针对这方面的问题，可设数个备份机，在交易系统异常时，能够一键切换到备份机运行。并且在切换后有专人即时检查切换情况。

交易后的风险控制

量化投资在交易后也需要进行风险控制，主要关注的问题有两个：

一是回顾当日交易，查找在交易时可能疏忽掉的风险隐患。我们会用交易程序再次推送当日行情，比对交易信号、参数以及相关其他数据，确保当日程序运行正常和下一个交易日的相关数据正常。

二是用蒙特卡洛模拟的方法对下一个交易日的风险进行衡量。量化交易的风险衡量和传统投资方式不同的一点在于，由于很多量化程序设有止损，即使行情出现极端表现，因为止损的存在，实际的风险并不像想象的那么大。所以我们在每日收盘后，通过蒙特卡洛方法模拟第二日的交易，从而得到更加精确的下一交易日的风险计算。

对量化投资而言，有完善的风控体系护航，风险是可控的，这也印证了我们开发风控系统的初衷，风控系统在监测风险的同时也是在创造价值。以下仅就交易前风控提供一个案例供大家参考：

交易前风控实施案例

2015年3月5日，xx号模型准备进入实盘前的测试。在实盘前，策略开发人员已经对该模型进行了测试，方法是一次性导入历史数据，检验输出的信号。策略开发人员的测试结果是该模型没有任何问题。

我们通过模拟交易所数据推送，检测出该模型的以下问题：该模型对历史数据和实时数据的处理有所不同。策略开发人员的测试只测试了交易系统对历史数据的处理，我们发现该模型在历史数据和实时数据的连接上存在问题，导致实时数据的前5根K线被忽略。

同时，我们通过模拟异常情况，刻意引起风控系统产生作用，发现该模型的以下问题：该模型不会自动检测目前的持仓情况，对于因为偶发情况（如风控系统强行平仓，模型开仓未能成交等）造成的实际持仓情况和模型内持仓情况不一致的情况，无法做出应对。这将必然导致在偶发情况之后，出现错误的报单。

我们的交易前风控发现了这两个问题，杜绝了可能出现的风险。同时也证明了交易前风控的必要性。