Week 8 智能结构化产品设计

理论部分 (2h)

• 结构化产品概述
• 中国市场发展（2000-2025四阶段）
• DEMAND-SPACE-M七维框架
• 雪球产品深度解析
  • 敲入敲出结构
  • Greek参数敏感性
  • 雪球变种
• 行为金融学在产品设计中的角色
• LLM辅助产品设计
• 多轮对话合规审查

实践部分 (2h)

• 雪球产品定价模拟
• LLM辅助产品说明书生成
• 合规审查Workshop

雪球爆发的经济学逻辑：

低利率环境 (10Y国债 ~3%) + 股市区间震荡 (中证500在4500-6500)
      ↓
传统理财收益率下降 + 股市无明确方向
      ↓
"震荡市也能赚钱"的雪球产品天然匹配投资者需求
      ↓
券商积极推广 (对冲收益+发行收益双重盈利)
      ↓
规模从百亿到千亿的指数级增长

产品创新时间线：

2018: 经典雪球 (固定票息+敲入敲出)
2019: 早利雪球 (早期敲出高票息)
2020: 凤凰雪球 (多次敲出机会+递进票息)
2020: 降落伞雪球 (敲入后仍有保护)
2021: 双雪球 (双标的挂钩)
2021: 降敲雪球 (敲出价逐期下降)
2022: AI辅助雪球 (LLM情景分析起步)

D - Demographic:
  年龄: 35-55岁，中高净值
  学历: 本科以上
  投资经验: 3-10年

E - Expectation:
  目标年化: 15-20%
  可接受亏损: 不超过本金的20%

M - Motivation:
  主要动机: 震荡市中获取高票息
  次要目标: 资产配置多样化

A - Attitude:
  风险偏好: 中等风险（R3-R4级别）
  损失厌恶: 明显（不愿意接受本金损失）

N - Need:
  流动性: 可接受6-24个月锁定期
  提前赎回: 每月观察敲出

D - Duration:
  建议期限: 12-24个月
  原因: 与雪球敲出概率分布匹配

S - Structure:
  类型: 雪球结构（经典版）
  敲出条件: 每月观察，较期初≥103%
  敲入条件: 每日观察，较期初<75%
  票息: 年化18%（月付息）
  期限: 24个月

P - Pricing:
  定价模型: Monte Carlo模拟
  波动率假设: 25%
  无风险利率: 3%
  隐含分红: 2%

A - Asset:
  挂钩标的: 中证500指数
  原因: 估值低、波动适中、流动性好

C - Compliance:
  投资者门槛: 专业投资者或合格投资者
  销售适当性: R4风险等级
  信息披露: 完整揭示敲入风险

E - Execution:
  对冲策略: Delta One对冲
  调整频率: 每日
  对冲成本: 约3-5%/年

情景1 — 温和上涨 (概率~30%)：

期初: 中证500 = 5800
第6个月观察日: 收盘价 6050 (涨幅4.3%)
→ 触发敲出！产品提前终止
→ 投资者收益: 18% × (6/12) = 9% (年化18%)
→ 投资者再投资时面临市场已上涨的机会成本

情景2 — 区间震荡 (概率~45%)：

期初: 中证500 = 5800
24个月间: 价格在4600-6100之间波动，未触及敲入(4350)和敲出(5974)
→ 产品到期正常结束
→ 投资者收益: 18% × 2年 = 36%总收益
→ 产品如预期发挥"震荡市赚钱"功能

情景3 — 先跌后涨 (概率~10%)：

期初: 中证500 = 5800
第8个月: 跌破4350 (敲入触发)
后续: 回升至5974触发敲出
→ 投资者仍获得票息 (敲出在敲入之后仍有效)
→ 收益: 持有至敲出的票息收益

情景4 — 大跌未恢复 (概率~15%)：

期初: 中证500 = 5800
第5个月: 跌破4350 (敲入触发)
24个月到期: 收盘价3800 (跌幅34.5%)
→ 投资者承担全部跌幅: 亏损34.5%
→ 这是雪球的最差情景

敏感性分析框架：

参数分为三层:
  L1 市场参数: σ(波动率), r(利率), ρ(相关性)
  L2 产品参数: K_ko(敲出价), K_ki(敲入价), T(期限), Coupon(票息)
  L3 对冲参数: 对冲频率, 交易成本, 保证金比例

多维敏感性矩阵 (以稳盈雪球1号为基准)：

蒙特卡洛敏感性分析代码框架：

def sensitivity_analysis(base_params, param_ranges, n_sim=50000):
    results = {}
    for param_name, values in param_ranges.items():
        prices = []
        for v in values:
            params = base_params.copy()
            params[param_name] = v
            price = mc_price(params, n_sim)
            prices.append(price)
        results[param_name] = prices
    return results

背景：2024年1-2月，A股市场大幅下跌，中证500指数跌破雪球集中敲入区

事件链条：

指数下跌 → 大量雪球Delta接近敲入线 →
发行方对冲卖出期货 → 期货加速下跌 →
基差扩大 → 更多雪球敲入 → 抛压加剧 → 指数继续下跌

数据：

• 受影响雪球名义本金：约2000-3000亿元
• 集中敲入区：中证500在4800-5200点
• 最大回撤：部分雪球投资者亏损30-40%

教训：

1. 雪球不是"固收替代品"——尾部风险真实存在
2. 集中敲入的系统性风险需要监管关注
3. 投资者教育（尤其是敲入风险）需要加强
4. LLM情景分析可以提前识别集中风险

Delta One对冲：

发行方收取投资者本金后：
1. 买入固收资产（获取无风险收益）
2. 使用剩余资金进行Delta对冲
3. 调整频率取决于Gamma暴露

对冲头寸 = Delta × 名义本金
初始Delta ≈ 0.3-0.4，随标的价格变化而变化

对冲成本分解：

2024年对冲教训：

指数跌破敲入线时形成负反馈：
Delta从正急转为负 → 发行方卖出期货对冲 → 
期货卖压加大基差贴水 → 指数继续下跌 → 更多雪球敲入

前景理论 (Prospect Theory)：

• 投资者对损失的敏感度 ≈ 收益的2-2.5倍
• → 产品设计"有限损失+无限收益"结构吸引力强

心理账户 (Mental Accounting)：

• 投资者在心理上将资金分为"保本账户"和"投机账户"
• → 结构化产品的"保本+参与"恰好匹配

框架效应 (Framing Effect)：

• "95%概率不亏损" vs "5%概率亏损xx元"
• → 产品营销中的框架选择影响购买决策

处置效应 (Disposition Effect)：

• 投资者过早卖出盈利头寸、过久持有亏损头寸
• → 雪球的自动敲出机制克服处置效应

1. 产品设计阶段:
   交易商协会/中证报价系统备案
   ├─ 产品结构说明书
   ├─ 定价模型及参数说明
   ├─ 风险分析报告 (含压力测试)
   └─ 投资者适当性管理制度

2. 发行前:
   向中证报价系统提交:
   ├─ 产品基本要素表
   ├─ 挂钩标的信息
   ├─ 风险揭示书模板
   └─ 合规审查意见

3. 存续期:
   定期报告:
   ├─ 月度: 存续规模、Delta暴露
   ├─ 季度: 风控指标、对冲情况
   └─ 年度: 全面风险管理报告

4. 重大事项:
   即时报告:
   ├─ 产品条款变更
   ├─ 挂钩标的异常波动
   └─ 集中敲入/敲出事件

第一步：DEMAND分析
  D (Demographic): 45岁企业高管，可投资资产800万
  E (Expectation): 年化收益目标12-15%，可接受≤15%亏损
  M (Motivation): 震荡市中提高资金使用效率
  A (Attitude): 风险偏好R3-R4，有衍生品投资经验
  N (Need): 1-2年流动性，每季度需要赎回可能
  D (Duration): 18个月为佳

第二步：SPACE设计
  S (Structure): 
    类型: 早利雪球 (前期票息高，降低敲出后期票息)
    第1-6月票息: 24%/年
    第7-18月票息: 12%/年
    敲出: 103% (月观察), 敲入: 75% (日观察)
  P (Pricing):
    波动率: 22%, MC模拟: 敲出概率68%, 敲入概率15%
    期望收益: 14.2%/年
  A (Asset): 中证500 (估值低, 波动适中)
  C (Compliance): R4级产品，需专业投资者认证
  E (Execution): Delta One + 波动率对冲

第三步：LLM增强
  - LLM情景生成: 生成5种极端市场情景
  - LLM合规审查: 检查风险揭示完整性
  - LLM产品说明书: 生成完整产品材料


第四步：最终产品定型
  初始参数 → LLM建议 → 量化验证 → 合规审查 → 产品定型

import numpy as np
import matplotlib.pyplot as plt

def snowball_mc(S0=5800, K_ko=1.03, K_ki=0.75, 
                coupon=0.18, T=2, r=0.03, sigma=0.22,
                n_steps=504, n_sim=50000):
    """
    雪球产品Monte Carlo定价
    """
    dt = T / n_steps
    # 每月观察敲出
    obs_steps = n_steps // 24
    
    # 存储结果
    knocked_out = 0
    knocked_in = 0
    total_coupon = 0
    total_loss = 0
    
    np.random.seed(42)
    
    for i in range(n_sim):
        # 几何布朗运动
        eps = np.random.normal(0, 1, n_steps)
        S = S0 * np.exp(np.cumsum(
            (r - 0.5*sigma**2)*dt + sigma*np.sqrt(dt)*eps
        ))
        S = np.insert(S, 0, S0)  # 插入期初价格
        
        # 检查敲入
        min_price = np.min(S)
        ki_occurred = min_price < S0 * K_ki
        
        # 每月检查敲出
        ko_time = None
        for t in range(1, len(S), obs_steps):
            if S[t] >= S0 * K_ko:
                ko_time = t
                break
        
        if ko_time is not None and not ki_occurred:
            # 情景①: 敲出且未敲入
            knocked_out += 1
            months_held = ko_time // obs_steps
            total_coupon += coupon * months_held / 12
            
        elif ko_time is not None and ki_occurred and ko_time > np.argmin(S):
            # 情景③: 敲入后敲出
            knocked_out += 1
            months_held = ko_time // obs_steps
            total_coupon += coupon * months_held / 12
            
        elif ko_time is None and not ki_occurred:
            # 情景②: 未敲入未敲出
            total_coupon += coupon * 2  # 持有到期
            
        else:
            # 情景④: 敲入未敲出
            knocked_in += 1
            final_price = S[-1]
            loss = (S0 - final_price) / S0
            total_loss += loss
    
    # 统计
    ko_rate = knocked_out / n_sim
    ki_rate = knocked_in / n_sim
    no_event = 1 - ko_rate - ki_rate
    avg_coupon = total_coupon / (n_sim - knocked_in) if n_sim > knocked_in else 0
    avg_loss = total_loss / knocked_in if knocked_in > 0 else 0
    
    print(f"=== 雪球产品定价结果 ===")
    print(f"敲出概率: {ko_rate*100:.1f}%")
    print(f"敲入且未敲出: {ki_rate*100:.1f}%")
    print(f"到期正常: {no_event*100:.1f}%")
    print(f"期望年化收益: {(ko_rate*avg_coupon + no_event*coupon*2 - ki_rate*avg_loss)/T*100:.1f}%")
    
    return ko_rate, ki_rate, no_event, avg_coupon, avg_loss

from openai import OpenAI
import json

client = OpenAI(base_url="http://localhost:11434/v1/",
                api_key="ollama")

class ProductDesignAssistant:
    """LLM产品设计助手"""
    
    def design_structure(self, investor_profile, market_env):
        """设计产品结构"""
        prompt = f"""
        投资者需求：
        - 风险偏好：{investor_profile['risk']}
        - 目标收益：{investor_profile['target_return']}
        - 投资期限：{investor_profile['horizon']}
        - 最大亏损容忍度：{investor_profile['max_loss']}
        
        市场环境：
        - 当前指数点位：{market_env['index_level']}
        - 波动率：{market_env['volatility']}
        - 市场判断：{market_env['outlook']}
        
        请推荐适当的产品结构，并给出参数建议。
        输出JSON格式，包含结构和参数建议。
        """
        
        response = client.chat.completions.create(
            model="qwen2.5:7b",
            messages=[{"role": "user", "content": prompt}],
            response_format={"type": "json_object"}
        )
        return json.loads(response.choices[0].message.content)
    
    def generate_spec_sheet(self, product_params):
        """生成产品说明书"""
        prompt = f"""
        根据以下参数生成产品说明书（中文，专业金融语言）：
        {json.dumps(product_params, ensure_ascii=False)}
        
        要求：
        1. 产品摘要（150字以内）
        2. 收益情景分析（含4种情景）
        3. 风险揭示（至少5条）
        4. 适用投资者描述
        
        使用Markdown格式输出。
        """
        response = client.chat.completions.create(
            model="qwen2.5:7b",
            messages=[{"role": "user", "content": prompt}]
        )
        return response.choices[0].message.content
    
    def compliance_check(self, spec_sheet):
        """合规审查"""
        prompt = f"""
        作为合规审查员，审查以下产品说明书：
        
        {spec_sheet}
        
        请检查：
        1. 风险揭示是否充分
        2. 是否有误导性表述
        3. 投资者适当性是否匹配
        4. 是否遗漏必要信息披露
        
        输出问题和修改建议。
        """
        response = client.chat.completions.create(
            model="qwen2.5:7b",
            messages=[{"role": "user", "content": prompt}]
        )
        return response.choices[0].message.content

# 使用示例
assistant = ProductDesignAssistant(client)
profile = {"risk": "R3", "target_return": "15%", 
           "horizon": "2年", "max_loss": "20%"}
market = {"index_level": 5800, "volatility": "22%", 
          "outlook": "震荡"}

design = assistant.design_structure(profile, market)
spec = assistant.generate_spec_sheet(design)
compliance_report = assistant.compliance_check(spec)

# GARCH(1,1)波动率预测 + 雪球MC定价
import numpy as np
from scipy.optimize import minimize

def garch_likelihood(params, returns):
    """GARCH(1,1) 对数似然函数"""
    omega, alpha, beta = params
    T = len(returns)
    sigma2 = np.zeros(T)
    sigma2[0] = np.var(returns)
    
    for t in range(1, T):
        sigma2[t] = omega + alpha*returns[t-1]**2 + beta*sigma2[t-1]
    
    # 对数似然 (假设正态分布)
    loglik = -0.5 * np.sum(np.log(2*np.pi*sigma2) + returns**2/sigma2)
    return -loglik  # 最小化负对数似然

# 拟合GARCH
returns = np.diff(np.log(prices))  # 对数收益率
result = minimize(garch_likelihood, x0=[0.00001, 0.08, 0.87],
                  args=(returns,), bounds=[(1e-6,1), (1e-6,1), (1e-6,1)])

omega, alpha, beta = result.x
print(f"GARCH(1,1): ω={omega:.6f}, α={alpha:.3f}, β={beta:.3f}")

# 长期方差
long_term_var = omega / (1 - alpha - beta)
print(f"长期波动率: {np.sqrt(long_term_var*252):.1%}")

# 预测未来N天波动率
def forecast_vol(omega, alpha, beta, last_return, last_sigma2, horizon):
    sigma2_forecast = np.zeros(horizon)
    sigma2_forecast[0] = omega + alpha*last_return**2 + beta*last_sigma2
    for t in range(1, horizon):
        sigma2_forecast[t] = (omega + 
            (alpha+beta) * sigma2_forecast[t-1])
    return np.sqrt(sigma2_forecast)

# 使用GARCH预测的波动率期限结构进行MC定价
vol_forecast = forecast_vol(omega, alpha, beta, 
                            returns[-1], sigma2[-1], 504)

import matplotlib.pyplot as plt
import seaborn as sns

def plot_snowball_sensitivity(pricer, param_name, 
                               param_range, n_sim=30000):
    """雪球参数敏感性分析+可视化"""
    results = []
    base_val = getattr(pricer, param_name)
    
    for val in param_range:
        setattr(pricer, param_name, val)
        r = pricer.price(n_sim=n_sim)
        results.append({
            param_name: val,
            'fair_value': r['fair_value'],
            'knock_out_prob': r['knock_out_prob'],
            'loss_prob': r['loss_prob']
        })
    
    setattr(pricer, param_name, base_val)  # 恢复
    
    fig, axes = plt.subplots(1, 3, figsize=(15, 4))
    df = pd.DataFrame(results)
    
    ax = axes[0]
    ax.plot(df[param_name], df['fair_value'], 'b-o', markersize=6)
    ax.axvline(x=base_val, color='gray', linestyle='--', 
               label=f'Base={base_val}')
    ax.set_xlabel(param_name)
    ax.set_ylabel('Fair Value')
    ax.legend()
    ax.grid(True, alpha=0.3)
    
    ax = axes[1]
    ax.plot(df[param_name], df['knock_out_prob'], 'g-s', markersize=6)
    ax.axvline(x=base_val, color='gray', linestyle='--')
    ax.set_xlabel(param_name)
    ax.set_ylabel('Knock-Out Probability')
    ax.grid(True, alpha=0.3)
    
    ax = axes[2]
    ax.plot(df[param_name], df['loss_prob'], 'r-^', markersize=6)
    ax.axvline(x=base_val, color='gray', linestyle='--')
    ax.set_xlabel(param_name)
    ax.set_ylabel('Loss Probability')
    ax.grid(True, alpha=0.3)
    
    fig.suptitle(f'Snowball Sensitivity: {param_name}')
    plt.tight_layout()
    return fig, df

# 使用示例
pricer = SnowballPricer()
fig, df = plot_snowball_sensitivity(pricer, 'sigma',
    param_range=np.arange(0.12, 0.32, 0.02))
plt.show()

错误1：票息定得太高

表现: 票息20%远超理论值15%
原因: 忽略了对冲成本或使用过低波动率
后果: 发行方亏损，产品不可持续
修正: 票息 = 理论价值 - 总对冲成本 - 合理利润

错误2：敲入价定得太高

表现: 敲入价设为85%（太容易触发）
原因: 为了给高票息"腾空间"
后果: 投资者面临高敲入概率
修正: 历史回测敲入概率应<25%

错误3：忽视相关性风险

表现: 双雪球假设两标的低相关
原因: 历史相关≠未来相关
后果: 危机时相关性骤升 → 同时敲入
修正: 压力测试相关性提升至0.8-0.9