基于互联网金融模式的结构性理财产品风险度量研究进展

陈荣达，周寒娴，余乐安，金骋路

（1.浙江财经大学金融学院，浙江 杭州 310018；2.浙江财经大学财富管理与量化投资协同创新中心，浙江 杭州 310018；3.浙江财经大学金融创新与普惠金融研究中心，浙江 杭州 310018；4.北京化工大学经济管理学院，北京 100029）

1 引言

结构性理财产品大致可以细分为外汇挂钩类、股权挂钩类、利率挂钩类、信用挂钩类和商品挂钩类五大类。随着互联网金融的迅速发展以及金融市场化的深入，由固定收益类产品和金融衍生品（目前市场最常见的结构性理财产品隐含的金融衍生品主要是期权）组合而成的结构性银行理财产品发展迅速，已经成为国内外理财市场上不可或缺的重要支柱。与许多发达国家一样，国内各大金融机构利用互联网平台也逐渐加大结构性理财产品的发行力度。据普益财富和银率网统计数据显示，基于互联网平台，2004-2012年国内38家商业银行发行了6532款结构性理财产品。而2013-2015年，国内64家商业银行共发行了9970 款结构性理财产品（其中，2013年发行1850款，2014年发行4366款，2015年发行3754款），最近3年发行量是过去9年的1.52倍。这些数据说明，随着这些可用于淘气保值和投资的结构性理财产品的增加，我国金融机构和投资者的投融资环境发生了巨大变化。

然而，结构性理财产品在快速发展的同时其风险也不断凸显出来，市场风险因子、信用风险因子、流动性风险因子变动又是导致具有违约风险的结构性理财产品价值损益变化的主要原因。如果没有一个系统的测量结构性理财产品资产组合所面临的风险度量模型，那么就得不到量化整个结构性理财产品资产组合的风险值，也就无法使管理者对结构性理财产品资产组合的运营进行密切的监控，因而就不会减少结构性理财产品资产组合出现较大损失的可能性。而且，如果不深入了解结构性理财产品中金融衍生品的复杂风险特性，投资者在使用结构性理财产品时就会容易产生误导和不平等交易。根据银率网2013年的统计数据显示，结构性产品亏损事件未达最高预期收益事件仍然不少。例如，2013年招商银行到期的挂钩股票的“焦点联动系列”结构性理财产品中一部分产品近达到了最低的预期收益率（0-0.4%），远没实现预设的最高收益率。更有甚者，渣打银行的“QDSN 系列”结构性理财产品接连出现巨额亏损，最严重的达到95%。类似地，2014年1月中诚信托发生了与煤炭挂钩的30亿矿产信托兑付危机事件，凸显了结构性理财产品的风险度量和控制问题。

根据银率网统计，2015年到期的结构性理财产品中仅有60%左右产品（3469款到期产品中2091款）披露了到期实际收益率。即使在披露了实际收益率的产品中，也仅有60%左右产品实现预期最高收益率，剩余的40%结构性产品均未达预期收益，进一步凸显了结构性理财产品风险度量和控制问题。同时，由于结构性理财产品是运用金融工程技术将存款、零息债券等固定收益产品与期权组合在一起而形成的金融产品，除了市场风险和信用风险之外，基于互联网平台的结构性理财产品还有一个新的特点就是流动性风险非常之大。由于互联网平台筹资具有聚散迅速（即资金聚的快散的也快）的特点，基于互联网平台的结构性理财产品资金池波动性非常大，使得流动性风险是互联网理财产品不同于其他理财产品风险管理的最重要之处。为此，同时考虑结构性理财产品的市场风险、信用风险和流动性风险，建立基于互联网金融模式的结构性理财产品期权组合非线性风险量模型，利用稀有事件模拟和智能化控制等技术将众多不确定的因素转化为客观概率数值，使得隐性风险显性化，便于风险的管理与控制，是目前学术界和工业界要开拓的工作。

2 国内外研究现状

由于结构性理财产品是固定收益类产品和期权组合而成，固定收益类产品属于线性资产，而期权属于非线性资产。线性或非线性资产组合风险度量必须处理好以下两个问题，一是如何选择随机风险因子分布类型，二是如何得到将风险因子变化映射到资产组合损失分布的传导机制［1-18］。本文首先从结构性理财产品市场风险度量、结构性理财产品市场风险与信用风险集成度量两方面论述国内外现有文献基于市场风险与信用风险的研究结论，并针对性的提出需要突破解决的研究问题。其次，本文简述现有针对互联网金融模式发展背景下的流动性风险和人工智能技术对金融产品定价和风险度量的影响的研究，为下一部分提出基于互联网金融模式的结构性理财产品风险度量研究展望提供理论支持。

2.1 基于市场风险与信用风险的研究现状

现有文献主要讨论结构性理财产品面临的市场风险和信用风险，但是单独考虑其中一种类型风险而忽视另一种类型风险，显然不能全面度量结构性理财产品总风险。若简单线性相加市场风险和信用风险各自风险值，一方面，由于忽略不同类型风险间的分散化效应（Diversification Effect），最终的计算结果将可能高估总风险；另一方面，由于不同类型风险之间的复利效应（Compounding Effect），计算结果也可能低估总风险。至于分散化效应和复利效应两者的重要性在资产组合风险度量中谁占主导，这就依赖于不同的场［19-22］。所以在独立地考虑不同类型风险之外，还应努力建立好集成度量市场风险和信用风险的一致性方法。

因此，目前对结构性理财产品风险度量的研究由两个方面展开：结构性理财产品市场风险度量、结构性理财产品市场风险与信用风险集成度量。结构性理财产品市场风险度量，是在市场风险因子为多元分布的假设条件下，引入Delta、Gamma、Theta等金融参数将期权组合损失进行二阶泰勒展开，将组合损失近似地拓展成Delta-Gamma-Theta模型，直接或间接得到反映组合损失的矩母函数及对应的特征函数。在此基础上，运用数值模拟技术得到一定置信水平下的分位点即求出相应的VaR 值和ES值［23-29］。而对结构性理财产品风险集成度量，由于组合同时面临着市场风险和信用风险，通过建立这两种风险因子的控制方程及其依赖关系，在市场风险度量模型嵌入信用风险因子，在此基础上运用数值模拟技术进行风险度量［30-36］。

由于由固定收益类产品和期权组合而成的结构性理财产品风险度量核心是期权组合风险度量。而期权组合风险度量研究始于上世纪九十年代后期，经过多年的研究，这方面研究得到了长足的发展。目前这方面研究大体分为期权组合市场风险度量和期权组合市场风险与信用风险集成度量两种研究框架。这两种研究框架是基于选择风险因子分布类型，进而得到期权组合损失分布，并在此基础上进行模型分析和数值模拟计算；而后一种研究框架是在前一种研究框架基础上进一步研究，则更为复杂。另外，由于VaR、ES的估计是在极小概率事件发生情形下进行，应用一般Monte Carlo模拟计算时通常阈值比较大，导致组合损失值大于阈值的样本也相对较少。因此，为了达到理想的模拟效果，需要生成大量的样本，增加了计算工作量和计算时间，极大地影响了数值模拟的效率。针对这个问题，部分文献发展了有效稀有事件模拟技术来解决以上问题。稀有事件模拟技术的目标是应用与数值模拟运行有关的统计方法，使数值模拟输出的方差减少（Monte Carlo模拟精度通常是用估计值的标准差来描述），但不影响估计值的期望值，从而达到用较少模拟次数得到较高模拟精度目的［37-42］。下面按照两种研究框架展开进行具体分析。

第一种研究框架：期权组合市场风险度量。

按照市场风险因子分布类型，该研究框架又可分为市场风险因子服从多元正态分布和多元厚尾分布两种情形。

1）市场风险因子服从多元正态分布情形下的期权组合市场风险度量

该情形研究思路大体为：市场风险因子服从多元正态分布假设，由Delta- Gamma-Theta模型得到反映期权组合损失的矩母函数及对应的特征函数，然后运用矩匹配数值技术计算出组合的风险值［26-27］，［43-47］。虽然矩 匹 配 计 算 具 有 快 速、简 单 的优点，但是它的缺陷在于只利用有限的几阶矩（如期望、方差、偏度、峰度）来匹配期权组合损失分布，无法全面刻画整个期权组合的损失分布，损失了高阶矩（例如五阶和更高阶）的部分信息。而Yueh 和Wong［26］、Mina 和Ulmer［48］、Hardle 等［49］等 利 用Delta-Gamma-Theta模型得到组合损失的特征函数基础上，运用傅里叶变换技术计算出组合风险值。由于期权组合损失特征函数刻画了组合损失这个随机变量的概率分布，就统计性质而言，没有损失组合损失分布的信息，当市场风险因子数目不是很大时，该方法的鲁棒性比较好，但使用该方法计算组合风险值时，需要多次试算。

特别是针对上文提到的在应用一般Monte Carlo模拟时出现的样本稀少且计算误差大的缺点，Cardenas等［50］应用了控制变量技术（一种稀有事件模拟技术），改进Monte Carlo模拟，利用Delta-Gamma-Theta近似推导组合价值损失，并应用这个随机变量作为控制变量来进行模拟，从而达到缩减模拟方差的目的。但是该方法只利用了期权组合损失这个随机变量的一阶矩信息，且当阈值变大时，模拟效率降低。为此，Jewell等［28］、Glasserman等［45］和Glasserman 等［51］利 用Delta-Gamma-Theta近似所包涵期权组合损失这个随机变量的有用信息来选择有效样本分布，分别使用重要抽样技术、分层抽样技术以及两种抽样技术的组合来进行稀有事件（与VaR、ES问题相对应）模拟；进而通过引入似然比函数（likelihood ratio）来改变市场因子分布的期望向量和协方差矩阵，从而增加在相应区域的样本数，使得估计量不再是稀有事件发生情形下进行，且这种转换又能使估计量满足无偏性、有效性等性质，从而达到提高模拟精度和减少模拟计算时间的目的。

2）市场风险因子服从多元厚尾分布情形下的期权组合市场风险度量

对于市场风险因子为正态分布的假设，当且仅当随机变量不相关时，期权组合的市场风险因子才是独立的，因而容易推导出期权组合损失的矩母函数及其对应的特征函数。然而大量实证研究表明，市场风险因子一般不服从正态分布，主要体现在其分布通常具有显著的尖峰厚尾特征［52］-［64］。另外，上述研究还发现这些金融数据的尾部并不是厚到以致于产生无限方差，无法被传统正态分布假设完全反映。

与此同时，若期权组合风险度量过程中还考虑市场风险因子有着非线性关系，市场风险因子的多元厚尾分布情形远比多元正态分布复杂，计算工作量明显增加。对于多元厚尾分布情形，随机变量不相关，它们不一定独立，这和多元正态情形是相反的，因而不容易得到期权组合损失的矩母函数及对应的特征函数，这时进行数值模拟运算就难以展开。为了克服多元厚尾分布情形下估计期权组合风险值的困难，Glasserman等［65］基于把厚尾估计问题转化为轻尾问题思想，提出将市场风险因子的厚尾特征用多元-t分布模拟，并利用多元t-分布结构从而间接得到反映期权组合损失的矩母函数。针对VaR、ES计算时通常阈值比较大，这时产生了期权组合损失值大于阈值的样本比较稀少且存在计算误差大的缺点。基于此，把重要抽样技术应用到多元t-分布情形下的Delta-Gamma-Theta模型，从而实现在相应区域产生更多的样本，改进之前基于稀有事件的Monte Carlo模拟，同时控制了Monte Carlo模拟计算工作量。另外，为了进一步减少模拟估计误差，在重要抽样技术基础上使用分层抽样技术，能更加有效的Monte Carlo模拟。但该模型在运算时假设所有市场风险因子具有相等的自由度，事实上不同市场风险因子厚尾程度不一样，自由度也对应着不同。

针 对 上 述 问 题，Albanese 等［66］、Albanese 和Campolieti［67］、Date和Bustreo［68］引入快速 卷 积方法来解决上述问题。因为卷积计算涉及到各随机变量的边缘分布，这将允许边缘分布的建模与它们的相关分布结构分开来考虑，从而大大简化了对联合随机过程的估计问题，避开了多元厚尾分布情形下，得到期权组合损失的特征函数解析表达式的困难。同时，进一步利用卷积公式、快速傅里叶变换以及线性插值近似计算出相应的组合风险值。另外，Lin等［55］、Johannes 等［69］、Kamdem［25］、陈 荣 达 等［70］、Fuh等［71］也在市场风险因子服从多元t-分布框架下，在Glasserman等［65］推导得到的期权组合损失矩母函数基础上，运用有效Monte Carlo模拟和快速傅里叶变换等数值模拟技术计算出组合风险值。

除此之外，Chen Rongda和Yu Lean［72］假设市场风险因子厚尾特征用多元混合正态分布来描述，提出基于多元混合正态分布的期权组合市场风险度量模型，推导出多元混合正态分布情形下反映期权组合损失的特征函数；在此基础上，将自适应Simpson法则（即概率分布的傅里叶变换技术和数值积分近似计算的迭代算法）发展到多元混合正态分布情形下的期权组合风险度量模型中，估计出期权组合的风险值。

类似地，Juneja和Shahabuddin［39］、Kamdem 和Genz［73］、Brummelhuis 和Kamdem［74］也 考 虑 了 多元Laplace分布来解决，具体步骤包括：1）用多元Laplace分布来刻画市场风险因子厚尾特征；2）利用风险函数转换技术和关于多维Laplace多重积分，间接得到反映期权组合损失的矩母函数及相应的特征函数；3）利用重要抽样技术，建立多元Laplace分布情形下的期权组合风险度量的有效Monte Carlo模拟模型。但需要指出的是他们的模型只解决了投资组合在Delta中立情形下的期权组合风险度量。事实上，期权组合处于Delta中立只能维持一个很短的时间，大多数情形组合处于Delta非中性状态。

市场风险因子尾部分布有两类厚尾特征，第一类是尾部以多项式形式衰减的尾部分布族，例如多元t-分布、多元混合正态的尾部普遍具有这样的特征。纵观该领域的国内外研究和近期发展可以看出，针对市场风险因子尾部分布呈第一类厚尾类型来建模计算期权组合的风险值，解决得相对较好，如前面论述的市场风险因子为多元混合正态、多元t-分布情形下的期权组合风险度量模型。

第二类厚尾特征则是是尾部以指数类型衰减的尾部分布族，如多元Laplace分布的尾部特征是指数类型，比高斯分布类型尾部要厚一个数量级［53］。而对市场风险因子尾部分布呈第二类厚尾类型来建模计算期权组合的风险值，目前只解决了市场风险因子服从多元Laplace分布和Delta中立情形下的期权组合风险度量，这也是未来相关研究需要突破解决的一个重要方面。

第二种研究框架：期权组合市场风险和信用风险集成度量。

该框架的研究思路大体为：由固定收益类产品和期权组合而成的结构性理财产品面临着市场风险和信用风险，因此，其期权组合也同时面临着市场风险和信用风险。鉴于此，对期权组合进行风险度量，要首先在更加微观的风险因子层面上考虑不同风险因子之间相关性。市场风险和信用风险随机相依关系通过建立两种类型风险因子的控制方程及其依赖关系体现，在期权组合市场风险度量模型嵌入信用风险因子，进而运用数值模拟技术进行风险集成度量［10］，［30-34］。

然而，把信用风险因子嵌入期权组合市场风险度量模型会增加风险度量的计算复杂度，因为在预测过程中再加入对期权组合的重新估值将变得更加复杂。另外，期权组合风险度量模型应用结构Monte Carlo模拟技术计算组合损失分布的尾部概率或给定置信度下组合风险值，由于信用等级比较高的结构性理财产品违约概率比较低，计算时阈值会相对较大，即导致这时产生结构性理财产品组合损失值大于阈值的样本就比较稀少。如果为了达到理想的模拟效果则需要产生大量的样本，这势必将会增加计算时间和工作量，从而影响模拟效率。

为此，Duffie和Pan［30］假定了标的资产对数价格过程为多元跳跃扩散过程（其对数价格是布朗运动和一个与其独立的跳跃幅度为正态分布的复合Poisson过程的耦合），各交易对手违约强度为CIR（Cox-Ingersoll-Ross）过程，即允许市场风险因子和违约强度相关，从而将信用风险和市场风险两类因子仿射地依赖于基础向量，并基于此构建两类风险相依性，再进一步利用Delta-Gamma-Theta模型近似得到期权组合损失的矩母函数。同时利用特征函数和矩母函数关系，将Monte Carlo模拟和傅里叶变换等数值技术发展到模型中，估计出组合VaR 值。但是Delta-Gamma- Theta近似方法适合较短预测时段，由于信用事件比市场事件发生的频率要少得多，期权组合风险度量选择的预测时段要长于只考虑市场风险的组合风险度量选择的预测时段（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+模型一般选择1 年的预测时段），因此，该方法的精度有待提高；而且该模型在描述跳跃形式时假设跳跃幅度为正态分布，这也与现实不符。实际上，金融市场标的资产对好消息坏消息的反应是不对称的。此外，模型没有考虑随机回收率等信用风险因子。

Grundke［75］在反映利率风险的市场风险因子和信用风险因子的联合分布为多元正态分布的框架下，利用条件特征函数与无条件特征函数的关系，推导出交易对手存在违约风险的期权组合损失分布的特征函数；在此基础上，给定市场风险因子和信用风险因子条件下，利用傅里叶变换技术计算出条件组合损失分布的尾部概率；然后，把重要抽样技术和傅里叶变换技术相耦合，通过对市场风险因子和信用风险因子的联合分布进行概率测度变化，从而改变风险因子的期望向量，增加相应区域的样本，使得该情形下不再是稀有事件Monte Carlo模拟，以实现减少Monte Carlo模拟计算工作量；最后，利用全期望公式估计出组合损失分布的尾部概率。但若市场风险因子和信用风险因子的联合分布为多元厚尾情形下，不能够直接得到期权组合损失分布的特征函数，这时进行稀有事件模拟计算就不能展开了。

同样，Grundke［32］基于市场风险因子和信用风险因子的联合分布为多元正态分布的框架，把Glasserman和Li［76］提出的两步重要抽样技术应用到Grundke［75］的期权组合市场风险度量模型中，从而建立了基于两步重要抽样技术的期权组合风险度量模型。在此基础上，为同时实现降低两步重要抽样技术中的市场风险因子和信用风险因子的期望向量确定过程中的模拟估计误差、提高模拟效率，Glasserman等［3］应用非线性优化技术中的背包问题来解决。但是该模型没有考虑到反映交易对手信用质量的违约强度风险因子以及没有考虑到随机回收率问题。另外，Grundke［32］和Grundke［76］提出模型的一个重要缺陷在于，都没有考虑标的资产价格过程的跳跃成分，即没有考虑到资产价差变化表现出的跳跃性。

此外，Frey和Backhaus［33］考虑到标的资产价格变化的跳跃性，在期权组合风险度量研究框架下，通过多元正态-Copula来捕捉担保债务凭证（Collateralized Debt Obligation，简称CDO）以及各分券资产的随机相关结构，然后模拟出资产组合损失的分布，进一步考虑到信用价差和违约传染性，并运用马尔科夫链蒙特卡洛（Markov Chain Monte Carlo，简称MCMC）模拟技术来计算CDO 各分券资产的最佳对冲比。Schröter和Heider［34］运用多元正态-Copula、阿基米德- Copula 等不同分布族的Copula来捕捉市场风险因子和信用风险因子的相依性，进一步运用重要抽样技术估计出一篮子违约互换的多个债务人组合的VaR 值。他们研究发现，不同分布族的Copula会显著影响组合的VaR 值。

综观期权组合风险度量领域的近期研究与发展可以看出，期权组合市场风险度量研究已进入到运用不同多元厚尾分布类型来对市场风险因子建模计算期权组合的风险值。但对市场风险因子尾部分布特征呈指数类型衰减时，目前还需进一步解决。而对期权组合市场风险和信用风险集成度量研究，主要在多元正态分布-Copula的框架下进行，但多元正态分布-Copula不能很好捕捉市场风险因子与信用风险因子的相依特征，因为正态分布Copula的尾部相依系数几乎为零，而期权组合市场风险和信用风险集成度量又在组合损失分布的尾部进行，这大大影响了所需估计量的精度。用多元厚尾分布Copula来捕获市场风险因子与信用风险因子相依特征的期权组合风险度量难度与强度都比多元正态情形下复杂，这是相关领域待解决的另一个问题。

2.2 互联网金融模式背景下结构性理财产品流动性风险与人工智能影响的研究现状

另外，市场风险引发的流动性风险无疑是互联网理财产品所面临的另一主要风险。在互联网信息快速传递的情况下，一旦市场动荡或产品回报不符合预期，投资者可能在非常短的时间内集中性赎回，从而导致互联网理财产品面临非常大的流动性风险。其次，互联网金融机构在风险管理和经营过程中通常使用大量基于相同原理的数理与计量模型，在一定程度上会显著增加市场变动的趋同性。这种趋同性会放大市场的波动幅度，从而加剧在流动性出现过剩或者短缺时出现的问题。而且，这些模型往往难以预测所谓的“小概率”极端市场情况，又会造成忽视极端情况下的流动性风险问题。因此，基于互联网金融模式的结构性理财产品除了面临市场风险和信用风险外，还面临着巨大的流动性风险。在这个意义上，流动性风险是互联网理财产品不同于其他理财产品风险管理的最重要之处。

鉴于此，针对流动性风险管理方面，巴塞尔协议III提出了流动性覆盖（LCR，Liqudity Covered Ratio）、净稳定资金比例（NSFR，Net Steady Finance Ratio）两个新的流动性指标来有效管理和监管银行流动性风险。Rossignolo等［77］应用内部模型方法（Internal Models Approach，IMA）和 标 准 方 法（Standardized Approach，SA）来计算葡萄牙、爱尔兰、希腊和西班牙等国家银行的巴塞尔协议III提出的最小资本金要求，研究了各国金融机构巴塞尔资本金要求应对2008年金融危机及以后的市场流动性情况，并指出厚尾技术在计算流动性风险的优点。King［78］应用了15个国家银行的净稳定资金比例（NSFR）数据来研究由于银行资产和负债错配而引起的融资性流动性风险，实证结果表明银行符合巴塞尔协议III的净稳定资金比例最有效策略是增加持有更高等级证券和延长大规模贷款的期限。Dietrich等［79］分析了1996年至2010年921家西欧国家银行机构的净稳定资金比例（NSFR）的特点，发现08年金融危机后大多数银行开始提高了NSFR。另外，他们还发现一个有趣的事实：在融资成本有优势但净稳定资金比例低的银行并没有较高的盈利能力，反而这些银行在经营安全上更加脆弱。为了让银行满足LCR 和NSFR 等银行杠杆率，Schmaltz等［80］应用线性规划方法为银行寻找从巴塞尔协议II过渡到巴塞尔协议III优化策略。李少华和程远杰［81］在结构化模型的基础上，给出了流动性风险和信用风险相互影响的损失值模型以及利差模型。针对证券交易所公开限价指令，Dionne等［12］提出了一种新颖的高频流动性调整风险值（Liquidity-adjusted Intraday Value at Risk，LIVaR）来集成度量市场风险和因变现资产而产生的流动性风险，其中流动性风险因子用买卖价差来刻画。Bai等［82］提出的先确定资产和负债流动性权重以计算银行流动性不匹配指数 （Liquidity Mismatch Index，LMI）的流动性测度方法。有趣的是，上述模型中的流动性风险度量都是针对银行资产，没有针对结构化理财产品，更没有针对基于互联网金融模式的结构化理财产品。除了针对银行资产，高强和邹恒甫［83］通过实证评估了无风险利率、信用风险、流动性风险以及宏观系统性风险对债券收益率的影响。Wu Ying［84］针对美国股市提出的基于Amihud流动性测度方法的市场极端流动性风险指数 （Extreme Liquidity Index）等。这些研究同样没有针对互联网金融模式下的结构化理财产品的流动性风险进行度量。

在结构性理财产品市场风险和信用风险集成度量模型基础上，再考虑流动性风险，目前这方面的研究有待进一步深入。而且，流动性风险是互联网理财产品不同于其他理财产品风险管理的最重要之处，如何建立基于互联网金融模式的结构性理财产品流动性风险度量模型，这方面的研究还待进一步拓展和深入。

最后，基于互联网平台的结构性理财产品资金池波动性非常大，呈现出“聚散迅速”的特征。也就是说，借助互联网平台，基于互联网金融模式的结构性理财产品的资金池聚的快，散的也快，流动性十分快捷，波动性非常巨大。为此，如何运用智能计算与数据挖掘技术，对结构性理财产品风险进行智能化控制，并具体运用在实际的互联网金融市场，还待进一步推进和深入。

随着智能计算与数据挖掘技术的飞速发展尤其是机器学习和进化计算的发展，人工智能技术已经被广泛应用在金融风险的预测与控制领域。由于人工智能技术具有自组织、自适应、自学习的特性，因此能有效地处理传统优化算法难以解决的复杂问题，且不受问题性质的限制。这些特点使得人工智能技术为金融产品的建模、定价和风险控制提供了新的技术和方法。目前已有大量人工智能技术被用于金融产品定价和风险度量模型中，如人工神经网络、模糊逻辑、遗传算法、元胞自动机、遗传规划、支持向量机、蚁群算法、模拟退火算法等，这些方法在分析金融市场的不确定性和复杂性非常有效［85-94］。

另外，一些学者进一步推进应用人工智能技术解决金融产品定价和风险度量问题，改进经典的误差反传（BP）神经网络，发展对新型混合人工神经网络［95-101］。例如，Huang Wei等［102］利用支持向量机来预测日经225指数的每周走势，发现支持向量机的预测效果要优于经典的BP 神经网络。Huang［103］集成无轨迹卡尔曼滤波和支持向量机技术对台湾期货交易所的期权价格进行在线预测，为进一步提高预测精度，对期权实际价格和在线预测价格的误差应用支持向量机技术进行建模。Pires和Marwala［104］利用贝叶斯分析思想，提出了期权定价的贝叶斯神经网络模型来解决美式期权定价的复杂性问题。Gradojevic等［105］针对标准化前向神经网络期权定价模型在处理深度虚值期权所出现的计算复杂性和局限性，将工程计算中的模块化思想发展到期权定价的神经网络方法中，提出了一种非参数的模块化神经网络模型并对标准普尔500指数欧式看涨期权进行定价。张鸿彦和林辉［106］采用加权的隐含波动率作为混合神经网络的输入变量，通过遗传算法来优化神经网络的结构和获得隐含波动率的权重，构建了混合神经网络和遗传算法相结合的期权价格预测模型。张鸿彦等［107］针对不同种类期权的隐含波动率不同，建立了混合小波神经网络和遗传算法相结合的期权定价模型。由于Heston随机波动率模型放松了Black-Sholes模型的假定而更符合市场情况，但Heston 期权定价模型在应用中需要确定五个待估参数，解决此问题通常比较困难，王林等［108］采用模拟退火算法并利用最小化残差平方和来估算，得到Heston期权定价模型的待估参数。

类似地，利用高频数据，Chen和Sutcliffe［109］应用混合人工神经网络对英镑期权的定价进行研究，结果表明混合人工神经网络期权定价模型优于修改的Black-Scholes期权定价模型。Hahn［110］研究了如何利用机器学习技术来改善期权定价问题，运用神经网络来对决定期权价格关键的波动率进行建模，并利用澳大利亚期权市场的数据进行实证研究，以此来验证机器学习技术在期权定价方面的有效性。Verma等［111］应用ε不敏感支持向量机和光滑的？不敏感支持向量机对印度的S&P CNX Nifty指数深度实值期权、实值期权、平价期权、虚值期权、深度虚值期权等五种不同期权进行定价研究，实证结果表明以上支持向量机的期权定价模型明显优于Black-Scholes模型。Hsu等［112］考虑到标的资产的开盘价、收盘价、最高价、最低价、交易量等因素，应用遗传规划和支持向量机技术对台湾加权指数期权进行定价，通过平均绝对百分误差、均方误差这两个预测误差指标来验证基于遗传规划和支持向量机技术的期权定价模型有效性。李斌和何万里［113］利用遗传算法解决带有Heston随机波动率的期权定价模型中的五个待估参数问题，该算法可避免丢失最优解，具有群体搜索的特点。

综观人工智能技术解决金融衍生品定价和风险度量领域的近期研究与发展可以看出，目前这方面的研究主要集中在对金融衍生产品定价和线性资产组合风险度量方面，而对金融衍生品的风险度量方面还待进一步解决。而且，结构性理财产品风险度量核心是期权组合风险度量，从组合的角度应用人工智能技术解决期权组合风险度量问题还待进一步推进。

3 结语

结构性理财产品与非结构性理财产品最大的不同之处在于其收益结构上，结构性理财产品最终的到期收益率由所挂钩标的资产的市场走势决定，而且其所挂钩的衍生性金融产品投资收益也取决于标的资产的波动情况。结构性理财产品中所挂钩的衍生性金融产品，除了包括普通期权外、还包括亚式期权、价差看涨／看跌期权、极大极小期权、障碍期权甚至更复杂的奇异期权。如前所述，由于基于互联网金融模式的结构性理财产品面临着市场风险、信用风险和流动性风险，因此，结构性理财产品风险度量核心是期权组合风险度量。目前对结构性理财产品风险度量研究由两个方面展开：结构性理财产品市场风险度量和结构性理财产品市场风险、信用风险、流动性风险集成度量。第一种方法，是在市场风险因子为多元分布的假设条件下，通过Delta-Gamma-Theta二次近似结构性理财产品损失得到反映该损失的特征函数，在此基础上，运用数值模拟技术得到一定置信水平下的分位点即求出相应的VaR值和ES值。第二种方法，是针对结构性理财产品组合同时面临着市场风险、信用风险和流动性风险以及各风险之间的相依性，基于识别出的共同的风险因子及其相依性结构，建立不同类型风险因子的控制方程及其依赖关系，把信用风险因子、流动性风险因子嵌入期权组合市场风险度量模型，在此基础上运用数值模拟技术进行风险度量。第一种方法关键在于如何挑选一个合适的多元分布来描述市场风险因子尖峰厚尾特征，进而对结构性理财产品的风险进行度量；第二种方法是在第一种方法基础上的推进，实质上是把期权组合的市场风险度量模型推进到期权组合的市场风险、信用风险和流动性风险集成度量模型，而且由于把信用风险因子和流动性风险因子嵌入期权组合的市场风险度量模型，计算工作量迅速增加，第二种方法比第一种方法要更为复杂精致，估算精度要高。

但是，目前国内外学术界和金融业界在如何合理运用多元厚尾分布来刻画风险因子尖峰厚尾特征，针对互联网金融聚散迅速特点考虑流动性风险，描述市场风险、信用风险、流动性风险等不同类型风险的共同风险因子的相依性结构，以及面临市场风险、信用风险、流动性风险的基于互联网金融模式的结构性理财产品风险集成度量等方面的研究，仍然存在一些明显需要完善的地方。