大数据背景下对冲基金的现状分析和监测措施研究

2023-03-19 13:24李红玉
商展经济 2023年4期
关键词:对冲基金预测

李红玉

(佳县机关事业单位和居民社会养老保险经办中心 陕西榆林 719200)

现代金融的发展速度十分迅猛,如今的金融,早已告别了传统的货币金融时代,已经迈入了数字金融时代。在过去10年的时间里,相比于传统低速成长的资产如股票、债券、房地产黄金等,数字资产呈现高速增长态势,包括比特币、对冲基金。对冲基金作为数字资产,每天都会有大量的交易。全球对冲基金行业规模庞大,为包括养老金在内的众多机构提供了优秀的投资渠道,通过投资对冲基金,解决了高净值人群的特殊需求,对冲基金独特的运行模式也给相关人才提供了更好的用武之处。

1 对冲基金的现状分析

1.1 对冲基金的概念

对冲基金是一种典型的以营利为目的的金融基金,采用对冲交易手段降低风险,是私募基金的一种,也是投资基金的一种形式。因为对冲基金在危机中的出色表现,2008年金融危机后,我国政府实行积极和较为宽松的货币政策,对冲基金的规模在金融危机后迅速扩大。

1.2 对冲基金的特点

对冲基金的收益有别于传统资产。传统的投资策略是利用证券上涨所获得的差价来获得收益,而对冲基金综合运用多种投资策略、充分使用多种金融工具,让多头和空头风险对冲,利用杠杆效应的方法获得收益。对冲基金可7/24不间断开展多类型数字加密资产交易,投资分布于多个交易平台,可增加及时套利机会,从而为投资者提供更加稳健的回酬。

2 对冲基金的发展趋势

2.1 我国对冲基金的发展

我国在 2010 年之前没有符合对冲基金概念的基金,目前私募证券基金整体数量不多,包括混合类基金、股票类基金、固定收益类、FOF类及其他类基金。由于存在衍生品少、股指期货及期权高收费和高进入标准的问题,导致我国的对冲基金在投资上非常单调,现有的对冲基金策略也只能进行单一的股票投资,因此并未融入国际主流的对冲策略。

目前我国金融衍生品市场正在逐步发展,补充对冲工具,但总体而言还是存在品种少、市场活跃性不够高等问题。

2.2 对冲基金对我国经济的影响

对冲基金在全球交易市场都处于活跃状态,尤其是金融衍生品市场,一直是证监会的重点关注对象。对冲基金入场标准过高,因此对冲基金具有庞大的资金量,加之其在多个金融工具间同时操作、多维度的交易来影响市场交易倾向,可以主动操纵市场,从而引发市场甚至经济体系的非理性波动。

尤其在2020年,我国结束了股市只能做多不能做空的历史,因此对资金规模大、杠杆高的对冲基金进行监测具有重要的经济意义。

3 基于大数据的对冲基金的监测措施

《资管新规》的实施会导致各机构在对冲基金的投资风险方面不得不更加严谨。如果对冲基金市场依旧波动较大,将会影响到对冲基金在我国的进一步发展。因此,包括养老金在内的众多机构纷纷对对冲基金建立监测机制。

我国大数据化进程开始时间较晚,但随着大数据技术在金融领域的应用,基金信贷产品不断更新迭代,能够实时自动捕捉市场信息并发掘具有高增值空间的数字资产,让投资行为更智能、更高效。对冲基金的风险敞口是因为使用衍生工具,衍生工具少却为对冲基金的监测提供了便利,故可以基于大数据技术将衍生产品的风险参数加入对冲基金的风险预测数据库中,通过建模分析,更加准确地发现对冲基金的潜在风险,并及时采取防治措施。

3.1 构建基于大数据的对冲基金风险监测方法

对冲基金每天都会有大量交易,产生大量的数据。大数据的核心问题是数据问题。对冲基金风险的预测就是对价格趋势的预测,具体包括股票价格预测、指数预测、外汇价格预测、大宗商品价格预测、债券价格预测、波动率预测、加密货币价格预测。对冲基金的目标是最大化回报,对冲基金获得最大化回报最具挑战性和令人兴奋的任务之一便是:预测未来对冲基金是上涨还是下跌。

价格趋势预测是一个分类问题,即预测价格将以何种方式变化。针对分类问题,首选深度学习神经网络模型解决。

时间序列数据是一系列按时间顺序排列的数据点,根据概念可知,金融数据属于时间序列数据,对冲基金的价格数据更是典型的时间序列数据。深度学习神经网络模型能够充分学习对冲基金时序数据中的前后依赖关系,从而在未来的风险预测中发挥作用,对冲基金是深度学习应用中具有吸引力的领域之一,也是投资基金的一种形式,业内针对时间序列数据的预测已经取得了不错的效果。

在深度学习中,有一种适用于时间序列分析的架构:递归神经网络。针对股票、基金等时间序列数据的预测,更典型的递归神经网络是长短期记忆网络(LSTM)(见图1)。

图1 基于大数据技术的对冲基金风险监测模型的建立方法流程

以下分小节对基于大数据技术的对冲基金风险监测模型建立方法进行阐述。

3.1.1 基于大数据建立对冲基金交易数据库

对冲基金交易数据库基于对冲基金交易的历史数据和实时数据,这里的历史数据是指过去的时间序列数据。这是预测未来价格走向最重要和最有价值的部分。

对冲基金交易数据大都来源于大连商品交易所、郑州商品交易所、上海期货交易所、外汇、中国金融期货交易所、上海证券交易所、证券期货交易所等金融机构。以上金融机构的历史数据有一部分是公开的,但通常情况下,公开的数据缺少很多特征,例如数据间隔时长太长,会导致对冲基金风险预测监测模型不能够很好地训练和泛化,使得可用性变低。具有更丰富特征和更小时间间隔的历史数据通常不公开,使用者需要高价从金融机构购买。但随着大数据技术的应用,以上金融机构的历史数据和实时数据均可通过baostock模块下载获取,也可以通过爬虫技术自动、快速抓取目标数据信息。

baostock模块和爬虫技术的数据间隔时长可人为设置,baostock模块和爬虫技术都可以有效高频地自动抓取对冲基金交易数据,并通过对抓取到的海量数据进行识别、度量、计算和分析,将数据隐藏的有效信息进行开发利用,无条件地执行捕捉任务,定时丰富对冲基金交易数据库。

理论上来说,如果我们拥有每一个金融衍生品近些年每一纳秒的价格数据,对下一纳秒的价格数据的预测就会变得简单。但是基于数据库的存储能力和计算机的计算效率,对冲基金交易数据库并不能无限大,具体的抓取时段和数据间隔时长需根据使用的数据库和计算机的数据处理能力合理设置。

3.1.2 基于深度学习神经网络建立对冲基金风险预测模块

本文基于深度学习神经网络建立对冲基金风险预测模块,对冲基金风险预测模型是关于对冲基金如何使用深度学习神经网络的一个使用方法。

将上一步获得的对冲基金时间序列数据划分为训练集和测试集,对测试集中的时间序列数据按波形拐点设置上涨、下跌和稳定的评价,以此评价作为该段时间内数据的标签。

基于LSTM网络模型建立对冲基金风险预测模型:定义LSTM网络模型的目标函数,LSTM网络模型的激励函数输出为,其中φ表示权重,,Pi-t表示第i只对冲基金时间序列数据在t时刻的数据,表示第i只对冲基金时间序列数据的均值,p表示概率,ε表示判断系数。

将训练集作为LSTM网络模型的输入,使用损失函数smooth-L1进行训练,求解LSTM网络模型的最优参数,从而完成LSTM网络模型的训练,得到对冲基金风险预测模型。

对比其他网络模型,LSTM网络模型能够从时间序列数据中捕捉贡献度更高的特征向量并进行关联建模。

由于tanh激励函数、softmax激励函数对数据的处理侧重点不同,因此建立融合分类机制。softmax激励函数对中央区的信号增益较大,对两侧区的信号增益小,因此当,对sigmoid激励函数赋予较大的权值,以sigmoid激励函数为主。tanh激励函数具有相对宽阔的兴奋边界,因此当,对tanh激励函数赋予较大的权值,以tanh激励函数为主,是因为tanh激励函数的输出位于-1到1之间,模型收敛快。因此采用融合分类机制,对不同分类的数据采用不同的激励函数,提高了数据处理的灵活性,减小对冲基金风险预测模型数据处理过程中的数据缺失,利用深度学习方法让对冲基金风险预测模型向实际趋势数据“学习”。

采用测试集对对冲基金风险预测模型的预测分类精度进行测试,若测试精度符合要求,则“学习”结束,否则对对冲基金风险预测模型进行迭代训练。

3.1.3 基于大数据建立回测参数数据库

回测参数数据库包括多个回测参数的基准词和与其对应的近义词,回测参数的基准词包括但不限于回测名称、回测时间、策略名称、初始资金、频率、撮合方式、业绩基准、滑点、交易佣金,和/或限制成交量。在使用时,基于大数据技术在后台抓取用户的搜索关键词,将高频出现的搜索关键词加入回测参数的基准词。

同时,采用哈尔滨工业大学社会计算与信息检索研究中心做出的同义词词林扩展版作为同义词近义词库,对回测参数的基准词进行扩展与关联映射,降低了回测基准词的编写难度,提高了回测执行的有效性,大大提高了用户体验。

3.1.4 执行回测任务,生成风险预测报告

根据输入的回测参数,获取对应的对冲基金的时间序列数据,将当前对冲基金的时间序列数据输入对冲基金风险预测模型,对冲基金风险预测模型输出未来时刻对冲基金的预测时间序列及预测时间序列对应的标签,即上涨、下跌和稳定。预测时间序列及预测时间序列对应的标签组成风险预测报告。

3.1.5 显示风险预测报告

基于模糊数学的综合评价方法,将定性评价转化为定量评价,具体方法:建立基于IfThen形式的模糊规则的模糊规则库,将预测时间序列作为模糊规则库的输入,得到模糊输出量,模糊规则为:

本文考虑上涨下跌和稳定的三分类,在一些研究中,仅考虑上涨和下跌,那么模糊输出量的输出即可对应划分为2分类,即涨或跌。将模糊输出量显示出来,以证监局、投资机构和用户直观清晰的参考为后期的金融决断提供依据,使用效果良好,贴近市场需求。

3.2 效果分析

基于大数据技术的对冲基金风险监测模型的建立,主要作用有两方面:一方面是投资者可以通过看涨对冲基金获得更高收益,也可以通过看跌对冲基金进行风险防范,防止市场剧烈下跌带来的损失,帮助投资者决定基金的倾向是做空还是做多,择优选择高收益的金融衍生产品进行投资,以达到高于平均收益率的超额投资回报;另一方面是帮助证监局监测恶意做空,面对监测恶意做空监管层可以果断出手间接制止这种行为。

当然,基金市场千变万化,尤其是大额资金突然进场或退场等人为因素较多,这种人为因素一定会改变供需关系,所以价格会出现一定的波动,甚至会改变基金走向,造成来回震荡。因此对冲基金风险监测模型的使用具有一定的局限性。

4 结语

综上所述,以大数据分析和人工智能技术为核心,合理运用大数据技术对对冲基金的风险进行预测,充分发挥人工智能技术的信息科技优势,建立包括分析建模、实时监测、风险预警的监测模型,如果模型对于大量的金融衍生产品的预测都表现得很好,那么它便可以使对冲基金管理者使用大数据技术和深度学习算法的监测策略来预测未来对冲基金中某一个金融衍生产品的价格,有效增强对冲基金风险管理的及时性和前瞻性,能够有效保证对冲基金的交易安全,提升金融市场运行效率。

猜你喜欢
对冲基金预测
无可预测
选修2-2期中考试预测卷(A卷)
选修2-2期中考试预测卷(B卷)
不必预测未来,只需把握现在
大骨瓣开颅减压术在对冲性颅脑损伤治疗中的应用观察
私募基金近1个月回报前后50名
私募基金近1个月回报前后50名
私募基金近6个月回报前50名
私募基金近1个月回报前50名