Week 7 AI驱动风险管理

AI-Driven Risk Management

课程目标与逻辑框架

本讲教学安排

Week 6回顾：大家创建的"看起来很蠢的"交易策略

• 双均线策略（简单但有效）
• 多因子选股策略
• 配对交易策略
• CTA趋势跟踪策略

Week 7改进方向：

原始策略 → 风险管理 → 绩效提升
            ↓
       1. 加入止损机制
       2. 优化仓位管理
       3. 控制最大回撤
       4. 提升风险调整收益

核心问题：如何通过风险管理和仓位管理，让"看起来很蠢的"策略变得"聪明"？

策略诊断：从绩效指标看问题

输入：策略回测结果（收益曲线、交易记录）
输出：
  1. 策略问题识别
  2. 改进建议
  3. 风险管理方案

• 讨论：怎么更专业地让AI辅助诊断？

仓位管理的核心逻辑

为什么仓位管理如此重要？

凯利公式的启示：

仓位大小对策略表现的影响：

关键洞察：仓位大小不改变夏普比率，但显著影响回撤和心理承受能力。

从简单策略到风险管理增强策略

# 简单双均线策略
if fast_ma > slow_ma:
    buy(100%)  # 满仓买入
elif fast_ma < slow_ma:
    sell(100%)  # 满仓卖出

# 加入风险管理的双均线策略
if fast_ma > slow_ma:
    # 波动率调整仓位
    position_size = target_vol / current_vol
    position_size = min(position_size, 0.5)  # 最大50%仓位
    buy(position_size)
    
    # 设置止损
    stop_loss = entry_price * 0.95  # 5%止损
    
elif fast_ma < slow_ma:
    sell(100%)

改进与效果：

• 以510300为标的

• 分组协作，探索用AI辅助改进策略的最佳实践
• 汇报你的改进效果：最大回撤？夏普比率? 波动率？

夏普比率 (Sharpe Ratio)

局限性：假设收益率正态分布，惩罚上行波动

Python示例：夏普比率计算

import numpy as np
import pandas as pd

def calculate_sharpe_ratio(returns, risk_free_rate=0.03, 
                           trading_days=252):
    """
    计算年化夏普比率
    
    Parameters:
    returns: 日收益率Series或数组
    risk_free_rate: 年化无风险利率
    trading_days: 年化交易天数
    
    Returns:
    年化夏普比率
    """
    # 超额收益
    excess_returns = returns - risk_free_rate / trading_days
    
    # 年化
    annual_return = np.mean(excess_returns) * trading_days
    annual_vol = np.std(excess_returns, ddof=1) * np.sqrt(trading_days)
    
    sharpe = annual_return / annual_vol
    
    return sharpe

# 示例使用
np.random.seed(42)
daily_returns = np.random.normal(0.001, 0.02, 1000)
sr = calculate_sharpe_ratio(daily_returns)
print(f"年化夏普比率: {sr:.4f}")

索提诺比率 (Sortino Ratio)

定义：仅考虑下行波动率，区分"好"波动与"坏"波动

其中 为下行标准差

与夏普比率的区别：

def calculate_sortino_ratio(returns, risk_free_rate=0.03, 
                            trading_days=252):
    """计算索提诺比率"""
    excess_returns = returns - risk_free_rate / trading_days
    
    annual_return = np.mean(excess_returns) * trading_days
    
    # 仅计算下行波动率
    downside = excess_returns[excess_returns < 0]
    downside_vol = np.std(downside, ddof=1) * np.sqrt(trading_days)
    
    sortino = annual_return / downside_vol
    return sortino

sortino = calculate_sortino_ratio(daily_returns)
print(f"索提诺比率: {sortino:.4f}")

卡玛比率 (Calmar Ratio) 与最大回撤

最大回撤 (Maximum Drawdown, MDD)：

卡玛比率：

def calculate_max_drawdown(price_series):
    """计算最大回撤"""
    rolling_max = np.maximum.accumulate(price_series)
    drawdown = (price_series - rolling_max) / rolling_max
    max_dd = drawdown.min()
    return max_dd, drawdown

def calculate_calmar_ratio(returns, price_series, 
                           risk_free_rate=0.03, trading_days=252):
    """计算卡玛比率"""
    annual_return = np.mean(returns - risk_free_rate / trading_days) * trading_days
    max_dd, _ = calculate_max_drawdown(price_series)
    calmar = annual_return / abs(max_dd)
    return calmar, max_dd

# 示例
price = 100 * np.exp(np.cumsum(daily_returns))
calmar, mdd = calculate_calmar_ratio(daily_returns, price)
print(f"最大回撤: {mdd:.2%}")
print(f"卡玛比率: {calmar:.4f}")

信息比率 (Information Ratio)

定义：衡量相对于基准的超额收益与跟踪误差的比值

其中 为基准收益率， 为超额收益均值， 为跟踪误差

应用场景：

• 基金经理相对排名
• 指数增强策略评估
• 选股能力 vs 择时能力分解

def calculate_information_ratio(strategy_returns, benchmark_returns, 
                                trading_days=252):
    """计算信息比率"""
    # 超额收益
    excess = strategy_returns - benchmark_returns
    
    # 年化
    annual_excess = np.mean(excess) * trading_days
    tracking_error = np.std(excess, ddof=1) * np.sqrt(trading_days)
    
    ir = annual_excess / tracking_error
    return ir, annual_excess, tracking_error

# 模拟策略 vs 基准
benchmark_returns = np.random.normal(0.0008, 0.015, 1000)
strategy_returns = benchmark_returns + np.random.normal(0.0003, 0.005, 1000)
ir, alpha, te = calculate_information_ratio(strategy_returns, benchmark_returns)
print(f"信息比率: {ir:.4f}")
print(f"年化超额: {alpha:.2%}, 跟踪误差: {te:.2%}")

绩效指标对比与选择

实践建议：

• 单一指标不足以全面评价策略
• 建议同时使用多个指标
• 结合持仓周期和策略类型选择重点指标
• 关注样本外表现而非样本内优化

金融风险分类

本周焦点：市场风险和信用风险

传统风险指标

核心洞察：金融风险度量从"波动率"（Markowitz）演进到"尾部风险"（VaR/CVaR），再到"情景分析"。

VaR: Value at Risk

定义：在给定置信水平和持有期内，预期的最大损失

直观理解："95%置信水平下，日VaR为100万" = 在95%的情况下，每日损失不超过100万。

三种计算方法对比：

VaR计算方法详解

参数法 (方差-协方差法)：

假设收益率服从正态分布，缺点是金融数据有厚尾（Tails）

历史模拟法：

# 1. 计算历史收益率
returns = df['Close'].pct_change().dropna()

# 2. 对历史收益率排序
sorted_returns = returns.sort_values()

# 3. 取5%分位数
var_95 = sorted_returns.quantile(0.05)
print(f"95% VaR (日): {var_95*100:.2f}%")
# → "95%概率下，日损失不超过2.3%"

Monte Carlo模拟：

# 1. 估计参数
mu = returns.mean()
sigma = returns.std()

# 2. 生成大量模拟路径
n_simulations = 100000
simulated_returns = np.random.normal(mu, sigma, n_simulations)

# 3. 取分位数
var_mc = np.percentile(simulated_returns, 5)

VaR的局限性

问题2：忽略尾部损失

VaR只告诉我们"最差情况的分位点"，但超过VaR后的损失有多大？

         ↑          损失分布
         |  ██           
         |  ██████       
         | █████████████  
         |████████████████████
         +------------------------→ 损失
                        ↑ VaR  ↑ 超过VaR后呢？
                      95%分位    （尾部风险未知）

问题3：错误的激励
鼓励做小概率发生较大损失的交易，比如：大量卖出深度虚值的期权。

CVaR / Expected Shortfall

定义：超过VaR的期望损失（条件期望）

直观理解："在最差的5%情景中，平均损失是多少？"

Basel III新标准：从VaR转向Expected Shortfall (CVaR)

CVaR vs VaR：

维度	VaR	CVaR
尾部信息	只给阈值	尾部平均值
次可加性	不满足	满足
优化便利性	非凸、难优化	凸、易优化
监管认可	Basel I/II	Basel III

# CVaR计算
var_95 = sorted_returns.quantile(0.05)
cvar_95 = sorted_returns[sorted_returns <= var_95].mean()

一致性风险度量 (Coherent Risk Measures)

Artzner et al. (1999) 提出一致性风险度量的四条公理：

公理	定义	VaR	CVaR
正齐次性
平移不变性
单调性	若 a.s.，则
次可加性

次可加性在金融中的含义：组合风险 ≤ 各资产风险之和 → 分散化降低风险

VaR为何不满足次可加性：两个独立债券的联合VaR可能 > 各自VaR之和（当损失分布非正态时）

Basel III 已将市场风险标准从 VaR 转向 Expected Shortfall (CVaR)，因其满足一致性公理。

多资产VaR计算案例

场景：持有沪深300（50%）、中证500（30%）、国债ETF（20%）的组合，市值 = 1000万，置信水平 = 95%

import numpy as np
import pandas as pd
from scipy.stats import norm

# 资产权重和参数
weights = np.array([0.5, 0.3, 0.2])
market_values = np.array([500, 300, 200])  # 万元
annual_returns = np.array([0.08, 0.10, 0.03])
annual_vols = np.array([0.22, 0.28, 0.06])

# 相关系数矩阵
corr_matrix = np.array([
    [1.00, 0.85, -0.25],  # 沪深300 vs
    [0.85, 1.00, -0.30],  # 中证500 vs
    [-0.25, -0.30, 1.00]  # 国债 vs
])

# 组合波动率
cov_matrix = np.outer(annual_vols, annual_vols) * corr_matrix
portfolio_vol = np.sqrt(weights @ cov_matrix @ weights)

# 参数法VaR
portfolio_return = weights @ annual_returns
var_95_annual = -(portfolio_return - 1.645 * portfolio_vol)
var_95_daily = var_95_annual / np.sqrt(252)

print(f"组合年化预期收益: {portfolio_return*100:.2f}%")
print(f"组合年化波动率: {portfolio_vol*100:.2f}%")
print(f"95% 年化VaR: {var_95_annual*100:.2f}% ({var_95_annual*1000:.0f}万)")
print(f"95% 日VaR: {var_95_daily*100:.2f}% ({var_95_daily*1000:.2f}万)")

成分VaR与边际VaR

成分VaR (Component VaR) 将总体VaR分解到各资产，回答"哪个资产贡献了最多风险？"

# 成分VaR计算
mvar = norm.ppf(0.95) * (cov_matrix @ weights) / portfolio_vol
cvar_comp = weights * mvar  # 成分VaR
cvar_pct = cvar_comp / sum(cvar_comp) * 100  # 百分比

for i, asset in enumerate(['沪深300', '中证500', '国债ETF']):
    print(f"{asset}: 成分VaR = {cvar_comp[i]*100:.2f}%, 占比 = {cvar_pct[i]:.1f}%")
# 典型结果：尽管国债占比20%，但因其低波动+负相关，风险贡献仅5-8%

止损策略体系

止损是连接风险度量与风险控制的桥梁：

# 追踪止损示例
def trailing_stop(entry_price, current_high, trailing_pct=0.10):
    """追踪止损：动态上移止损线"""
    stop_price = current_high * (1 - trailing_pct)
    return max(stop_price, entry_price * 0.95)  # 不低于初始止损

# 波动率止损
def volatility_stop(position, atr, atr_multiplier=2.5):
    """基于ATR的动态止损"""
    return position.entry_price - atr_multiplier * atr

EVT极值理论

Markowitz均值-方差模型

局限性：

• 对输入参数（期望收益、协方差）极度敏感
• 优化结果往往极端（集中少数资产）
• 期望收益的估计误差远大于协方差

风险平价 (Risk Parity)

Black-Litterman模型

Black-Litterman实践

import numpy as np
import pandas as pd

def black_litterman(cap_weights, cov_matrix, P, Q, omega, tau=0.05):
    """Black-Litterman模型实现"""
    n = len(cap_weights)
    
    # 1. 从市值权重反推隐含收益
    # CAPM: Π = δ * Σ * w_mkt
    delta = 2.5  # 风险厌恶系数
    pi = delta * cov_matrix @ cap_weights
    
    # 2. 融合观点
    # 先验：N(Π, τΣ)
    # 观点：N(Q, Ω)
    
    # 后验均值
    M_inverse = np.linalg.inv(tau * cov_matrix)
    posterior_cov = np.linalg.inv(M_inverse + P.T @ np.linalg.inv(omega) @ P)
    posterior_mean = posterior_cov @ (M_inverse @ pi + P.T @ np.linalg.inv(omega) @ Q)
    
    # 3. 优化新权重
    # 最大化夏普比率
    ones = np.ones(n)
    inv_cov = np.linalg.inv(cov_matrix)
    weights = inv_cov @ posterior_mean / (ones.T @ inv_cov @ posterior_mean)
    
    return pd.Series(weights, index=cap_weights.index)

# 使用示例
cap_weights = pd.Series({'沪深300': 0.4, '国债': 0.4, '黄金': 0.2})
cov = pd.DataFrame(...)  # 协方差矩阵

# 观点：沪深300未来表现优于国债3%
P = np.array([[1, -1, 0]])
Q = np.array([0.03])
omega = np.array([[0.01]])  # 观点不确定性

weights = black_litterman(cap_weights, cov, P, Q, omega)

Kelly准则

有效前沿的构建 (Efficient Frontier)

Python示例：有效前沿

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

def efficient_frontier(returns, num_portfolios=10000):
    """计算有效前沿"""
    n_assets = returns.shape[1]
    mean_returns = returns.mean() * 252
    cov_matrix = returns.cov() * 252
    
    results = np.zeros((3, num_portfolios))
    weights_record = []
    
    for i in range(num_portfolios):
        weights = np.random.random(n_assets)
        weights /= weights.sum()
        weights_record.append(weights)
        
        port_return = np.dot(weights, mean_returns)
        port_std = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
        
        results[0, i] = port_return
        results[1, i] = port_std
        results[2, i] = port_return / port_std  # Sharpe
    
    return results, weights_record

# 模拟数据
np.random.seed(42)
n_assets = 4
n_days = 252
returns = pd.DataFrame(
    np.random.normal(0.001, 0.02, (n_days, n_assets)),
    columns=['股票', '债券', '商品', '现金']
)

results, weights = efficient_frontier(returns)
max_sharpe_idx = results[2].argmax()
print(f"最大夏普组合: 收益={results[0,max_sharpe_idx]:.2%}, "
      f"风险={results[1,max_sharpe_idx]:.2%}")

有效前沿的应用与局限

实践中前沿的漂移问题：

def rolling_frontier(returns, window=252):
    """滚动计算有效前沿，观察稳定性"""
    frontiers = []
    for i in range(window, len(returns)):
        window_data = returns.iloc[i-window:i]
        results, _ = efficient_frontier(window_data, 2000)
        max_sr = results[2].max()
        frontiers.append({
            'date': returns.index[i],
            'max_sharpe': max_sr,
            'min_vol': results[1].min()
        })
    return pd.DataFrame(frontiers)

主要局限：

风险平价 (Risk Parity)

Python示例：风险平价组合

from scipy.optimize import minimize

def risk_parity_weights(cov_matrix):
    """计算风险平价权重（等风险贡献）"""
    n = cov_matrix.shape[0]
    
    def risk_contribution(w, cov):
        """计算各资产的风险贡献"""
        port_vol = np.sqrt(w @ cov @ w)
        rc = w * (cov @ w) / port_vol
        return rc
    
    def risk_parity_objective(w, cov):
        """目标：各资产风险贡献的方差最小化"""
        rc = risk_contribution(w, cov)
        target = np.mean(rc)
        return np.sum((rc - target) ** 2)
    
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]
    
    result = minimize(
        risk_parity_objective, 
        x0=np.ones(n) / n,
        args=cov_matrix,
        method='SLSQP',
        bounds=bounds,
        constraints=constraints
    )
    return result.x

# 示例
cov = np.array([[0.04, 0.01, 0.005],
                [0.01, 0.09, 0.02],
                [0.005, 0.02, 0.16]])
weights = risk_parity_weights(cov)
print("风险平价权重:", np.round(weights, 4))

LLM风险情景生成

优势：LLM可以生成"合理但历史上未曾出现"的情景，填补传统压力测试的盲区。

LLM情景提示模板

你是一名金融风险专家。请为以下投资组合生成5个压力测试情景：

组合配置：
- 沪深300 ETF: 40%
- 中证500 ETF: 20%
- 10年期国债: 25%
- 黄金: 10%
- 现金: 5%

当前宏观环境：
- GDP增速: 5.0%
- CPI: 2.5%
- 十年国债收益率: 3.2%
- 人民币汇率: 7.2

请生成5个互斥的情景，每个包括：
1. 情景名称和简要描述
2. 关键假设（利率变化、GDP变化、汇率变化）
3. 发生概率估计
4. 各资产的预期收益

输出格式：JSON列表

LLM vs 传统方法：

• 传统：统计方法生成（基于历史协方差矩阵）
• LLM：结合宏观经济关联性+历史案例+逻辑推理生成更"可信"的情景

DRL动态对冲

状态空间:
  S = {标的资产价格, Delta, Gamma, Vega, 剩余期限, 隐含波动率, 账户PnL, 对冲频率计数器}

动作空间:
  A = {调整对冲比率: [-0.1, +0.1] 连续值}  = 在现有对冲基础上调整

奖励函数:
  R = -(PnL的波动率 + λ × 交易成本)

目标: 最小化对冲误差和交易成本的加权和

图神经网络风险传导

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class RiskPropagationGNN(torch.nn.Module):
    """图卷积网络建模风险传导"""
    def __init__(self, in_features, hidden_dim, out_dim):
        super().__init__()
        self.conv1 = GCNConv(in_features, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, hidden_dim)
        self.conv3 = GCNConv(hidden_dim, out_dim)

    def forward(self, x, edge_index):
        # x: 节点特征（资本充足率、杠杆率、流动性等）
        # edge_index: 网络连接（同业拆借、衍生品敞口）
        
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, p=0.2, training=self.training)
        
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        
        # 输出：违约概率变化
        x = self.conv3(x, edge_index)
        return torch.sigmoid(x)

# 应用：模拟某大型银行违约后的风险传导
model = RiskPropagationGNN(in_features=10, hidden_dim=64, out_dim=1)
default_scenario = torch.tensor([[0.0], [1.0], [0.0], ...])  # 节点2违约
propagation = model(default_scenario, adjacency_matrix)

优势：

• 捕获非线性传导效应（多米诺骨牌）
• 考虑网络拓扑结构
• 识别系统重要性节点（Too-Connected-To-Fail）

金融网络风险可视化

NLP情感分析：风险早期预警

数据源 → 文本预处理 → NER → FinBERT情感分类 → 风险预警指标

新闻 (路透/财新)    → 每日情感得分
研报 (券商/评级)    → 主题+情感倾向
社交媒体 (互动易)   → 散户情绪快照

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("ProsusAI/finbert")
model = AutoModelForSequenceClassification.from_pretrained("ProsusAI/finbert")

风险预警触发规则：

文献支撑：FinBERT 由 Araci (2019) 提出，ProsusAI 团队于 2020 年在 HuggingFace 发布预训练模型，在金融情感分类任务上显著优于通用 BERT。

LSTM波动率预测与VaR改进

传统VaR局限：假设波动率恒定或依赖GARCH——对非线性、长记忆性建模不足

LSTM增强VaR：利用LSTM架构，从历史收益率序列学习波动率动态

LSTM vs GARCH 适用场景对比：

LLM监管合规

监管机构要求对风险模型进行独立审计

传统流程（4-6周）：
  阅读模型文档 → 理解假设 → 检查代码 → 
  测试敏感性 → 撰写审计报告

LLM辅助流程（1-2周）：
  LLM阅读文档 + 代码 → 自动生成审计问题 → 
  分析师验证 → LLM生成审计报告

DRL在动态对冲

             状态: 
  [标的资产价格, Delta, Gamma,
     剩余期限, IV, 账户余额]
             ↓
       PPO/SAC 策略网络
             ↓
   动作: [对冲比例 ∈ [0, 1]]
             ↓
   奖励: -(PNL² + λ·交易成本)

Python示例：RL动态对冲环境

import gymnasium as gym
import numpy as np
from gymnasium import spaces

class OptionHedgingEnv(gym.Env):
    """期权动态对冲环境"""
    
    def __init__(self, option_type='call', T=30, 
                 sigma=0.2, r=0.05, cost_rate=0.001):
        super().__init__()
        self.T = T
        self.sigma = sigma
        self.r = r
        self.cost_rate = cost_rate
        
        self.action_space = spaces.Box(0, 1, shape=(1,))
        self.observation_space = spaces.Box(-5, 5, shape=(5,))
    
    def step(self, action):
        hedge_ratio = action[0]
        dS = self.S * (self.r * self.dt + 
                       self.sigma * np.random.normal() * np.sqrt(self.dt))
        self.S += dS
        
        hedge_pnl = self.hedge_position * dS
        trade_cost = abs(hedge_ratio - self.hedge_ratio_prev) * self.S * self.cost_rate
        
        self.day += 1
        reward = -(hedge_pnl ** 2) - trade_cost * 100
        done = self.day >= self.T
        
        return self._get_state(), reward, done, False, {}

AI风险管理前沿方向

压力测试框架

六大风险因子类别：

历史情景 vs 假设情景

反向压力测试

问题: "什么情景会导致组合损失超过30%？"

正向压力测试:
  给定: 股指下跌20%, 利率上升100bp
  计算: 组合损失15%
  
反向压力测试:
  给定: 组合损失30%
  求解: 需要什么程度的市场冲击？
  答案: 股指下跌35% + 信用利差扩大300bp 或 极端情况

监管压力测试要求

巴塞尔III压力测试框架：

第一支柱：最低资本要求
  ├─ 市场风险：标准化方法 → FRTB ( Fundamental Review of the Trading Book)
  ├─ 信用风险：内部评级法(IRB) / 标准化法
  └─ 操作风险：基本指标法 / 标准化法

第二支柱：监管审查
  ├─ ICAAP (内部资本充足评估程序)
  ├─ 压力测试程序
  └─ 治理与内控

第三支柱：市场纪律
  ├─ 信息披露要求
  ├─ 风险暴露报告
  └─ 资本结构报告

国家金融监督管理总局压力测试要求：

• 至少每季度进行一次压力测试
• 至少包含6种情景（基准、 adverse、 severely adverse）
• 结果需上报董事会
• 压力测试结果需影响经营决策

6.6.1 流动性风险管理

6.6.2 担保品与保证金管理

信用风险管理 (Credit Risk)

Python示例：信用风险评分卡

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score, accuracy_score

def credit_risk_scoring(features, labels):
    """
    构建信用风险评分模型
    
    使用逻辑回归构建可解释的信用评分卡
    """
    X_train, X_test, y_train, y_test = train_test_split( features, labels, test_size=0.3, random_state=42 )
    
    from sklearn.linear_model import LogisticRegression
    from sklearn.preprocessing import StandardScaler
    
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    model = LogisticRegression(class_weight='balanced')
    model.fit(X_train_scaled, y_train)
    
    y_pred_proba = model.predict_proba(X_test_scaled)[:, 1]
    y_pred = model.predict(X_test_scaled)
    
    print(f"准确率: {accuracy_score(y_test, y_pred):.4f}")
    print(f"AUC-ROC: {roc_auc_score(y_test, y_pred_proba):.4f}")
    
    # 系数解读（原始尺度）
    coef_df = pd.DataFrame({'feature': features.columns, 'coefficient': model.coef_[0], 'odds_ratio': np.exp(model.coef_[0])})
    return model, coef_df

# 模拟信用数据
np.random.seed(42)
n_samples = 1000
features = pd.DataFrame({'income': np.random.normal(50, 20, n_samples), 'debt_ratio': np.random.beta(2, 5, n_samples), 'payment_history': np.random.uniform(0, 1, n_samples),
    'months_employed': np.random.exponential(60, n_samples)})
labels = (features['payment_history'] * 0.5 + (1 - features['debt_ratio']) * 0.3 + np.random.normal(0, 0.1, n_samples) > 0.5).astype(int)

操作风险与合规管理 (Operational Risk)

压力测试方法与实践

压力测试类型：

历史情景示例：

historical_scenarios = {
    '2008_金融危机': {
        'equity': -0.50,   # 股市下跌50%
        'credit_spread': 0.06,  # 信用利差扩大600bp
        'vol_index': 0.35,  # 波动率升至35
        'fx_emerging': -0.20  # 新兴市场货币贬值20%
    },
    '2020_新冠': {
        'equity': -0.34,
        'credit_spread': 0.04,
        'vol_index': 0.45,
        'fx_emerging': -0.15
    },
    '2015_A股': {
        'equity': -0.45,
        'credit_spread': 0.03,
        'vol_index': 0.50,
        'fx_emerging': -0.05
    }
}

全面风险管理体系

压力测试Python实战

import numpy as np
import pandas as pd

def stress_test_portfolio(positions, risk_factors, scenarios):
    """
    投资组合压力测试
    
    Parameters:
    positions: dict {资产名: 市值}
    risk_factors: dict {资产名: {因子名: 暴露}}
    scenarios: dict {情景名: {因子名: 变化率}}
    
    Returns:
    DataFrame: 各情景下的组合损益
    """
    results = []
    for scenario_name, shocks in scenarios.items():
        total_pnl = 0
        details = {}
        
        for asset, exposure in positions.items():
            asset_factors = risk_factors[asset]
            asset_pnl = 0
            
            for factor, beta in asset_factors.items():
                if factor in shocks:
                    factor_pnl = exposure * beta * shocks[factor]
                    asset_pnl += factor_pnl
            
            total_pnl += asset_pnl
            details[asset] = asset_pnl
        
        results.append({
            'scenario': scenario_name,
            'total_pnl': total_pnl,
            'pnl_pct': total_pnl / sum(positions.values()),
            **details
        })
    
    return pd.DataFrame(results)

# 示例
positions = {'股票': 1e8, '债券': 5e7, '商品': 2e7}
risk_factors = {'股票': {'equity': 1.0, 'rate': 0.2, 'credit': 0.3}, '债券': {'equity': 0.1, 'rate': 0.8, 'credit': 0.5}, '商品': {'equity': 0.3, 'rate': 0.1, 'credit': 0.1}}
scenarios = {'2008危机': {'equity': -0.5, 'rate': -0.02, 'credit': 0.06}, '利率冲击': {'equity': -0.1, 'rate': 0.01, 'credit': 0.02}, '温和衰退': {'equity': -0.2, 'rate': -0.005, 'credit': 0.03}}

result = stress_test_portfolio(positions, risk_factors, scenarios)
print(result[['scenario', 'total_pnl', 'pnl_pct']])

风险预算与限额管理

            组合总风险预算 (100%)
                   ↓
    ┌──────────────┼──────────────┐
    ↓              ↓              ↓
股票部门        债券部门        另类部门
(40%)          (30%)          (30%)
    ↓              ↓              ↓
行业/风格       久期/信用       策略/产品
细分限额        细分限额        细分限额

监管资本与巴塞尔协议

巴塞尔协议III框架：

中国版巴塞尔协议实施：

• 2012年: 《商业银行资本管理办法》正式实施
• 2023年: 巴塞尔III最终版落地，强化内部模型约束
• 对量化机构的影响：杠杆率约束、衍生品资本成本上升

杠杆率与流动性覆盖率：

课堂实践项目选题

选题一：量化策略绩效诊断与改进

选题二：VaR/CVaR计算与回测验证

选题三：Black-Litterman组合优化

选题四：LLM辅助风险情景生成

选题五：止损策略优化

选题六：风险预算与仓位管理

AI协作指南

我正在研究双均线策略的改进方案。当前策略的问题是：
1. 最大回撤过大（-45%）
2. 波动率过高（40%）
3. 夏普比率较低（0.63）

请帮我设计一个风险管理改进方案，包括：
1. 仓位管理策略（如波动率调整）
2. 止损机制（如追踪止损）
3. 信号过滤器（如趋势强度）

请提供具体的Python实现代码，并解释每个改进点的原理。

风险管理课程总结

量化交易策略的风险管理（连接Week 6）
         ↓
风险度量 (VaR/CVaR/绩效指标)
         ↓
投资组合优化 (Markowitz/风险平价/Black-Litterman)
         ↓
AI增强风控 (LLM情景/DRL对冲/GNN传导)
         ↓
风险治理 (压力测试/ERM框架/巴塞尔协议)
         ↓
实践应用 (策略改进/组合优化/情景分析)

延伸思考：

本周总结

延伸阅读

经典教材

• Jorion "Value at Risk: The New Benchmark for Managing Financial Risk"
• Hull "Risk Management and Financial Institutions"

信用风险建模核心

核心: 评级迁移矩阵 → 信用VaR

评级迁移矩阵 (1年):
  AAA → AA: 5%, AAA → A: 1%, AAA → Default: 0.01%
  AA → A: 8%, AA → BBB: 2%, ...
  BBB → BB: 4%, BBB → Default: 0.5%

信用VaR = 组合当前价值 - 置信水平下的组合最坏价值

操作风险与流动性风险

Basel III操作风险分类：

操作风险量化 (LDA方法)：

频率(λ)∼Poisson, 严重度∼LogNormal, 通过Monte Carlo模拟计算

流动性风险度量：

中国市场特殊性：

• 涨跌停→极端日流动性为零
• T+1→日内流动性受限
• 散户为主→流动性供给不稳定（恐慌时买卖单同时消失）

Basel III与资本管理

三大支柱：

FRTB (交易账户根本审查)：

• 从VaR→Expected Shortfall (97.5%, 不同流动性期限)
• 引入流动性期限（10天/20天/60天/120天）
• 对模型风险更严格的惩罚

AI在资本管理中的应用：

• ML预测风险加权资产(RWA)优化
• LLM辅助监管报告生成
• RL优化资本配置（在业务线和风控间分配资本）

工具

• riskfolio-lib: Python组合优化库
• PyPortfolioOpt: 组合优化
• PyTorch Geometric: GNN实现