SAC良好课题|证券灰色风险预警项目——“灰天鹅”体系构建研究 ...

风云挂机网

出处：《中国证券》2020年第4期
一、研究的源起与创新
（一）证券公司业务急迫要求场景化预警
2017年以来，随着国内国际政治经济情况的变革，各种负面变乱从债市到股市不停伸张。负面变乱导致股票代价大幅颠簸，严峻影响了客户的正常投资运动和资产增值，影响了证券公司经纪业务和名誉业务的正常开展，拖累了证券公司团体业绩，致使证券公司面对越来越大的市场风险，对证券市场的团体康健发展带来倒霉影响（见图1）。

在风险发作日益频仍的配景下，市场上也涌现出很多由第三方提供的风险预警产物和服务，在风险预警的方向上不停积极。然而在现实工作中我们发现，上述预警重要专注于证券投资和研究等范畴，实用范围有限。究竟上，在整个券贸易务体系中，投研业务并非风险的唯一受害者，以股票质押、融资融券为代表的券商名誉业务对风险更加讨厌，对风险预警的需求也更为急迫。诚然，利用现有第三方服务可以或许满意一些简朴的共性需求，但是在业务详细场景中仍存在一些风险关键点和风险辨认方式，无法通过第三方服务的简朴套用来实现。
（二）根本面风险分析框架
在根本面因素与股价颠簸之间存在一个关键动因——根据根本面变革而交易股票，从而导致股价颠簸的代价投资者。而根本面因素是一个包罗浩繁细分指标的体系，因此在题目研究上必要将根本面各因素举行公道的抽象。从现在投资和研究的详细实践角度思量，本文将其抽象为PEG[1]，即市盈率相对红利增长比率，其关系如图2所示。

图2左侧的整个过程可以形貌为：代价投资者发现股票PEG高估，于是抛售股票，继而导致股价下跌。由于PEG跟股价成正比，以是股价下跌造成PEG下跌，从而实现估值回回正常，PEG不再高估。右侧同理。上述过程称为估值修复。
可知，在估值修复的过程中，假如是以高估为出发点的，那么整个修复过程每每表现为股价下跌，这恰好是我们关注的预警内容。
详细到业务场景来看，对于股票质押业务，若贷前未能辨认估值过高，将会造成履约保障比例的高估，导致整个股票质押项目存在隐患。一旦质押标的证券以股价下跌的情势实现估值修复，引发履约保障比例下跌，则股票质押项目发生风险的概率就非常大。
而对于融资融券业务，修复过程将表现在客户的名誉账户市值破位，维持包管比例下跌，以致造成业务风险。
接下来针对PEG高估举行分析。PEG的盘算公式如下：

PEG高估一定体现为股价或PE偏高，大概每股收益和红利增长率偏低，因此可以从如下几个角度举行根本面维度的风险预警。
起首是判定股价是否偏高。PEG与股价和PE成正比，股价和PE过高将直接导致PEG高估。股价和PE偏高的缘故原由包罗短期概念炒作或其他变乱性影响，如治理层增持、庞大条约等，可以通过肯定尺度举行辨认。别的，我们也可以通过个股市盈率共同其他估值指标，对高估环境举行判定。
其次是判定每股收益和红利增长率是否偏低。由于PEG只是研究题目的一个抽象指标，此处现实上是要判定公司的财政指标是否正常，是否存在公司将来谋划状态恶化、停业、财政造假的风险。前期研究发现，证券分析师和财政专家在这方面有很多值得鉴戒的结果。我们在研究中思量应用专家规则的方法，对财政方面的题目举行综合辨别。
思量到股价现实是对于上市公司将来谋划预期的反映，因此还可以思量增长对于公司将来谋划状态的猜测。以常用规则判定不存在高估的股票，假如将来谋划状态大幅恶化，那么纵然股价不增乃至反降，仍旧会出现PEG偏高。对于上述环境，由于涉及对于公司包罗预期现金流等在内的将来因素的预判，大概无法仅靠财政报表获知，现在尚属于证券分析师研究范畴，必要根据研究、走访、调研等情势举行详细研究，并以动态市盈率的情势给出估值。思量到分析师覆盖个股有限的实际环境，我们可以思量以AI估值模子的方式加以增补。
（三）基于舆情的风险分析框架
各业务场景共同的第二个预警维度是针对相干主体舆情方面的预警，此中股票质押场景下的主体包罗标的公司及相干个人，如大股东或其他长处相干者等，融资融券则重要限于可充抵包管金证券所属上市公司。
第一，针对公司负面消息举行监控。基于股票质押业务限期较长的特性，该业务对于舆情风险更加偏重于恒久性，其每每关注那些有大概对标的证券中恒久代价造成较大影响的因素，比方庞大负面舆情大概负面舆情的累积效应等，特殊是有大概对上市公司根本面造成不可规复性粉碎的负面信息举行评判和提示。因此在股票质押业务场景下，我们必要对短期舆情的短期影响举行过滤，大概说对舆情的时效性设置肯定的衰减率。
同股票质押业务相比，融资融券业务具有限期较短，以及金额小、涉及券种较多等独特性。因此，两个业务场景在舆情维度的预警需求方面也有所差别。融资融券业务重要关注的负面舆情，重点在于针对负面舆情的中短期影响举行预警。由于是中短期预警，市场的反应每每会先于负面影响的渐渐表露和显现，以是在预警方面必要更增强化前瞻性，而且对舆情信息的实时性提出了较高的要求，更加注意舆情对股价打击的时效性。这些与股票质押业务的舆情恒久预警都有较大差异。
第二，对质押标的公司的法律和羁系风险举行预警，重要包罗针对上市公司涉案环境、羁系部分处罚环境举行预警。比年来，随着羁系力度的不停增强，针对上市公司的问询函、关注函每每是反映公司不妥举动的官方提示，属于股票质押业务必备的信息泉源。
第三，融资人预警，即必要针对融资人及其同等举措人相干风险举行预警，包罗其拥有的其他上市公司股票的质押比例、融资人自己的负面舆情、法律和行政处罚环境等。
综上，我们对股票质押和融资融券业务在风险预警方面的偏重点举行了比力过细的分析。可以发现，券商名誉业务，特殊是融资融券业务在风险预警方面存在比力独特的需求。我们通过对市场上现有的代表性预警产物举行肯定的调研，也发现了这些通用的预警服务与实现业务需求之间存在不小的间隔。
（四）创新点
课题的创新点包罗以下三项：
第一，紧贴业务需求的场景化预警。与券贸易务场景的证券预算需求密切贴合，是本课题研究的出发点。在课题的研究中，各部门的分析与实证都精密地与业务场景需求相联合，以可否服务于现实需求作为研究的根本引导原则。
第二，经典模子与AI模子相联合。与经典的从金融工程和量化角度往研究风险差别，同时也与最新的人工智能研究相区别，本研究在预警模子的构建过程中，提出了由经典量化模子和呆板学习模子相联合的复合预警模子体系，并举行了实证研究并取得了较好的效果。
第三，分析师智能与人工智能联合。本文提出了在预警体系中由人工判定与AI模子相联合，将分析师的分析逻辑和相干履历引进模子，以便在事前引进分析师逻辑优化AI模子，从而形成对AI模子的团体优化。
二、复合预警模子及实证
以根本面数据为主的底子预警是各业务场景的第一类风险预警需求。它以公司财政数据、汗青股价、汗青市盈率、分析师估值、研究陈诉等作为信息泉源，详细包罗证券估值、财政预警、谋划预期三项预警内容。
（一）根本面风险预警模子实证
在综合研究相干文献和第三方预警服务的底子上，我们思量选用经典模子（专家规则、因子分析）与呆板学习模子的模子组合。此中，在财政指标预警方面选用专家规则，而在证券估值方面选用因子分析模子，在谋划预期方面选用深度学习模子。我们在体系中将各类模子加以组合，共同构成完备的根本面预警构架。篇幅所限，本文仅以财政指标预警为例，对实证效果举行演示。
财政预警方面的专家规则是根据根本面分析师和财政专家恒久研究确定的，可以或许切实反映企业财政状态恶化的各种条件。在综合文献研究和前期研究积聚的底子上，我们对现有专家规则举行了总结，并根据汗青回测举行了筛选，清除了对反映企业财政状态不敏感的部门规则，终极选择出专家规则组合（见表1）。


专家规则大概会根据分析师和财政专家的研究效果举行动态调解。好比在商誉题目的处置惩罚上，此前并无对应的预警规则，在2019年年初举行了补充。
在针对企业财政指标举行风险测算时，可以思量为差别的财政风险规则设定差别的风险分值，以便与证券公司业务场景更加贴合。以股票质押业务场景为例，此时最紧张的预警目的在于对于极度恶劣变乱的预期，比方财政造假、逼迫退市等，因此可以相应地将与造假退市等极度变乱汗青关联最密切的因子权重相应进步。但是从实践上来看，上述极度恶劣变乱现在的样本数目有限，还不敷以举行有用的规则提取，否则轻易造成过拟合（Overfitting）。
同理，模子也可以针对融资融券业务场景设置风险权重分值。现实上，在股票下跌风险预警这个共同配景下，股票质押和融资融券业务最为明显的区别在于预警限期的差别。详细到财政指标预警方面，思量到财政指标自己表露的时效是固定的，因此从逻辑上讲很难得到时效的差别化。也就是说，财政指标每年分季、半年和年度举行会合表露，这是固定稳定的，模子对于会合表露的隔断期股票代价举行预警是比力公道的，既包管了预警的时效，又实现了数据的充实利用。因此针对财政预警模子，我们在实证阶段并未针对融资融券模子举行特定的设置。
综上思量，在前期测算中我们为各项风险规则设置了同一的分值。实证研究到达了较好的结果，反映出专家规则的有用性。
停止本实证研究举行时，2019年半年报尚未开始表露。同时思量到股票质押业务的恒久性，此处我们接纳2018年年报数据举行实证研究。效果见图3。

我们对市场上3468只股票的财政预警专家规则举行了试算，并按照等权的方式对规则打分举行加总，以此举行风险分组。图3横轴表明预警分组，数字越高风险越大，即向右侧风险递增；纵轴为股票数目。风险最小的组别股票数目为1278只，次小的级别股票数目为845只，以此类推，风险最大的组别股票数目为24只。
各组别股票2019年以来的市场体现见图4。

图4横轴表明预警分组，数字越高风险越大，即向右侧风险递增；纵横为股票均匀涨跌幅，向上涨幅递增。图4的柱形为各分组股票的均匀涨跌幅，右侧柱形所示涨幅显着低于左侧；同时，图中曲线为股票财政风险（组）与涨跌幅的关系拟合曲线，曲线方向显着向右下方倾斜，表明财政风险与股票涨幅之间的反向关系。可见，风险越大的股票，后期市场现实体现越差，根本符合我们的逻辑。实证研究证明白专家规则在财政指标预警方面的有用性。
（二）谋划预期的深度学习模子
不停以来证券估值都是根本面分析师的重要工作内容，由呆板学习来举行估值尚处比力新的范畴。基于前期AI应用方面的储备，我们可以实验运用CNN模子来举行基于股票质押业务场景下的根本面数据的证券估值。
CNN模子（卷积神经网络模子，Convolutional Neural Network）是一种深度神经网络模子，在盘算机界重要用于图像辨认。在CNN模子中，卷积层的存在，使得相相近的数据单元之间的关联可以被纳进模子，继而举行深度发掘。在我们的数据输进布局中，由时间轴t作为通用轴，因此相相近数据单元恰好对应数据的同环比。因此CNN模子比单纯的MLP模子（多层感知器模子，Multilayer Perceptron）可以或许更多地思量数据项之间的关联。
同时，由于CNN模子中心层会颠末多次卷积和池化运算，从而更加可以或许反映数据的恒久影响，相对短期效应则是一种过滤，这恰好是基于恒久估值的股票质押业务所必要的。
为了便于明白，我们略往模子的详细细节，将以CNN模子为底子的证券估值模子以一种布局图的情势加以显现（见图5）。 

图5所示是底子的CNN模子。我们以一个包罗财政类数据、变乱类数据和底子属性数据的三维数据块为模子的输进，颠末双重由卷积层和池化层构成的隐蔽层的处置惩罚，再经全毗连层，末了到达输出层，组建一个共计六层的神经网络深度学习模子。
对于输进层的数据构成方面，包罗财政类数据、变乱类数据、底子属性类数据，都可以经过分析师举行精选与补充，以便将分析师的分析逻辑和相干履历引进模子。
（三）文本舆情类风险模子实证
1．舆情类AI模子的选择
针对舆情的深度学习模子，履历了从RNN到LSTM和GRU的发展过程。基于前期AI应用方面的储备，我们可以实验运用LSTM模子来举行基于股票质押场景内的舆情风险猜测（见图6）。

LSTM模子算法相对复杂，盘算量较大，假如对模子练习速率有要求的话，特殊是股票质押业务场景下，一样平常发起启用带有GPU的深度学习专用服务器。经费答应的环境下，可设置多块GPU以增长模子的优化速率，满意股票质押业务需求。
2．舆情预警的实证研究
舆情预警起首要将股票舆情信息经LSTM模子转化为详细的感情值。将每只股票天天的感情值举行汇总，就得到各股票的逐日感情。在股票质押业务场景下，现实上是必要对标的公司的差别主体举行舆情预警，包罗上市公司自己、大股东等。因此，我们思量可以将舆情及其代表的风险泉源分别成为如下几种范例（见表2）。

通过这种细化的分类方法，可以尽大概充实地捕获到与股票质押标的公司相干的各类舆情风险。本课题选择了以消息风险作为各类风险的代表，举行了前期实证研究。下面以股票质押业务场景为例举行实证分析。
如前所述，在股票质押业务场景下，我们对舆情的预警重点是恒久效应。因此，我们在运用LSTM模子对舆情举行感情辨认后，履历史回溯测试，选用如下对股票将来涨跌幅影响最大的因子举行舆情风险的预警（见表3）。

在针对企业舆情举行风险测算时，可以思量为差别的预警因子设定差别的风险分值，以便与企业的负面舆情状态更加贴合。在前期测算中，由于样本有限，我们为各项风险规则设置了同一的分值。只管云云，实证研究仍到达了较好的结果，反映出舆情预警体系的有用性。
我们接纳2019年上半年的舆情因子举行实证，对应股票涨跌幅为2019年7月份数据。效果见图7。

我们对市场上2139只拥有舆情评分的股票的各舆情因子举行了试算，并按照等权的方式对因子得分举行加总，以此举行股票分组。图7横轴表明预警分组，数字越高风险越大，即向右侧风险递增；纵轴为股票数目。因此，风险最小的组别的股票数目为7只，次小的级别股票数目为10只，以此类推。风险最大的组别股票数目为75只。
图8横轴表明预警分组，数字越高风险越大，即向右侧风险递增；纵轴为股票均匀涨跌幅，向上涨幅递增。图中柱形为各分组股票的均匀涨跌幅，右侧柱形所示涨幅显着低于左侧；同时，图中曲线为股票舆情风险（组）与涨跌幅的关系拟合曲线，曲线方向显着向右下方倾斜，表明舆情风险与股票涨幅之间的反向关系。可见，2019年上半年风险越大的股票，后期市场现实体现越差，根本符合我们的逻辑。实证研究证明白舆情因子体系在估值预警方面的有用性。

三、从模子加入景的转化及模子优化
（一）场景化智能预警的实现
恒久以来，由于缺乏一套顺应业务场景化的证券公司风险预警体系，大量的手动作业影响了工作的服从。创建一套行之有用的风险预警体系，顺应证券公司业务场景，尽大概淘汰手动工作，节省人工，就成为我们体系建立的目标。
在证券公司各业务场景方面，我们仍以股票质押和融资融券业务为例，对业务场景化的智能预警体系建立举行探究。
1．场景化预警模块计划
我们通过对详细业务场景的需求要素举行研究，来逆推预警模子向预警场景的转化。

联合表4的总结可以发现，由于复合模子均为尺度化输出，以是必要与股票质押和融资融券业务的需求场景下的直接需求之间举行转换，以便业务场景可以以一种更加直接的方式对模子效果加以应用，一方面可以敏捷对风险做出反应，另一方面可以将风险的影响反应到各个业务场景。
因此，针对上述模子输出向场景输出转化的需求，我们计划了一系列转化过程，终极组合成为“灰天鹅”证券业务风险场景化智能预警体系。下面临这些转化过程逐一举行分析。
2．模子输出的转化
起首是风险分组的输出。这部门相对轻易处置惩罚，由于我们在复合模子的回溯测试中已经按股票的风险分组举行了组间对比，此股票分组可以向业务场景举行输出。
第一，在怎样将单项预警分组举行整合方面，我们有如下两种选择：一是将单项风险指标举行量化之后，以加权均匀的方式举行整合；二是将单项风险指标的最大值作为风险代表。在体系层面应当同时输出两种方案下的整合评价，供业务场景选用。
第二，必要向融资融券业务场景输出折算率。在折算率的最初设定方面，融资融券业务部分有着更加专业的判定，而且会据此判定举行初始的折算率设定。而风险预警体系会根据个股的风险分组，给出发起的折算率扣头比例，供业务部分参考。
第三，必要向融资融券业务场景举行及时风险提示。对于突发的负面舆情、业绩预警及别的负面事项，体系在快速判定之后必要向融资融券等中短期敏感的业务场景举行及时的提示。提示内容应当包罗风险评分、风险的泉源、风险事项的择要等。
（二）须要的人工干预及风控研究
现在的风险模子无论是经典量化模子照旧人工智能模子，在算法层面均是监视学习，即基于汗青数据的分析与学习，故无法对初次发生的风险变乱举行预警。
在现在条件下，模子尚无法对初次出现的风险变乱举行预警，特殊是对于舆情风险。因舆情信息发布频率较高，新型风险变乱出现的概率相对较大，假如模子出现漏判，大概会带来业务风险。
下面我们以融资融券业务为例，对业务场景下的人工干预加以讨论。舆情是一种相对高频的信息，通过纯人工也是不实际的，由于一样平常环境下业务部分无法负担7×24小时舆情监控的人力本钱。以是，所谓人工干预，一定是在步伐无法判定的舆情底子上举行了高条理判定，而不是完全依赖人力。
在体系现实建立中我们发现，中心部门的舆情数据仍旧过多，人工无法实时处理，因此还必要举行第二重过滤。颠末对此题目的反复研究和讨论，我们发现主流消息网站的热门消息栏目每每提供了批评模块，可以思量在不违背现行法律和不侵占版权的条件下，对消息批评举行获取，然后对消息所属的批评举行NLP情绪辨认，分析批评的正负面感情。末了，将评价广泛为负面的中心舆情交付人工判定。
没有永久不堕落的体系，无论是人工处置惩罚照旧盘算机都是云云。在我们构建的“灰天鹅”证券业务风险场景化智能预警体系中，大概的风险点存在以下几个方面：
起首，针对数据输进缺失，应当创建数据及时监控机制，定时将本时段的各项数据输进内容举行统计，并根据汗青输进数据创建数据量的时间序列模子。一旦发生及时监控数据输进偏离汗青模子的环境，特殊是不敷的环境，应立刻举行排查。固然，假如经费答应，以多样泉源的输进举行互备、举行事前风控应该是比力好的选择。
其次，针对模子输出题目，应当创建一套简朴算法的平行预警机制作为AI预警模子的检测。其详细机制是：在数据输进方面，平行预警机制和AI预警模子是同步的；在信息处置惩罚方面，平行预警机制以简朴算法，将比力明显的风险信息举行辨认和输出，同时由AI模子输出全面的风险信号。此时，假如某股票出现明显风险信号，但AI模子未发出全面风险信号，则阐明AI模子输出出现题目，此时应当立刻举行排查，并以平行预警机制作为暂时替换方案。
（三）AI预警体系模子的优化途径
接纳预警模子的上风之一就是可以在有限的时间内举行快速迭代，不停优化。通过优化，一方面临原有AI模子在各类风险捕获方面的不敷举行美满，另一方面临新的风险信息举行转动学习，以便将来应对。别的，在用于谋划预期猜测的AI模子构建方面，还可以参加分析师多年研究履历总结的分析逻辑，从而使AI模子可以或许准确地对风险内容举行辨认。
四、政策发起
各证券公司所建立的风险预警模子必要有机构从更高的层面来举行和谐，其缘故原由有两点：
其一，从底子信息搜集角度分析，风险预警数据的获取假如每家证券公司都在做，将存在大量的重复性工作。数据的独立获取，从单个券商的角度来看是一种直观的选择，但是对金融行业团体而言，显然不是最有服从的办理方案，因此必要高层机构加以分工和谐。
其二，从风险自己角度分析，个股的风险是行业团体风险的子集，即个股风险的会合暴发会导致行业风险；与此同时，行业风险也会引致个股风险。因此，个股风险与行业风险有大概构成一种互为因果的复杂关系。从券商层面而言，风险预警的着力点在个股层。换言之，在个股风险预警方面，主体为券商。但仅此而已的话，在行业全局层面，就会存在预警主体的缺位。因此相应地，在更高层面必要高层机构作为预警主体，来构建行业总体预警构架。
基于上述观点，我们提出如下政策发起：一是由羁系机构出头和谐，以共享互助的方式创建预警数据库；二是以此预警数据库为底子，在羁系机构层面创建强盛的行业风险预警体系，强化宏观层面风险预警功能。
参考文献：
[1] 金学禹，井明刚．智能大数据平台的证券行业的应用与研究[J]．中国证券，2018，11：20－26.
[2] 刘超，李元睿等．中国证券公司体系性风险测度及演化特性研究[J]．中国治理科学，2019，05：11－22.
[3] 王辉．浅谈我国证券公司风险治理及代价创造[J]．当代贸易，2019，21：90－91.
[4] 谭炼．证券公司股权质押业务的生意业务风险研究[J]．知识经济，2019，21：70－72.
[5] 黄苒，范群，郭峰．中小企业违约风险体系性和异质性测度——基于违约风险身分分析法的研究[J]．中国治理科学，2018，03：13－21.
[6] 杜新乐．关于股票质押式回购生意业务业务风险控制的专题研究[C]．中国证券业协会专题资料汇编，2018，09：750－783.
[7] 葛致壮，唐婧．创建股票质押宏观风险预警指标，防范股票质押引发市场风险[J]．中国证券期货，2019，02：59－62.
[8] 肖劲楠．股票质押融资业务的重要风险和应对计谋[J]．期间金融，2019，08：69+83.
[9] 洪健．浅析我国证券公司融资融券业务的风险治理[J]．山东纺织经济，2019，03：11－14.
[10] 肖翔．证券公司融资融券业务风险控制研究[J]．中国治理信息化，2018，21（21）：118－120．
解释：
[1]常用的代价投资变量包罗PE、PB、PEG。PE=每股代价/每股收益，PB=每股代价/每股净资产，PEG=PE/红利增长率。观察三个盘算公式可知，这三个估值变量都是以代价作为分子，以财政指标作为分母。以PEG为代表举行分析，并不影响后续结论，由于在现实财政风险猜测时，利用了一系列的财政指标，覆盖面宏大于PEG。

                                                                                                                                                                                                                                                                                                       

http://www.fyguaji.com