第五章 市場風險量化與情境分析

# 第五章 市場風險量化與情境分析 > **本章目標**：透過實務案例，說明如何運用機器學習與大數據技術，對市場風險進行量化與情境分析，並整合至投資決策流程。內容涵蓋數據收集、特徵工程、風險指標計算、情境設計、模型訓練與驗證，以及風險報告撰寫。 --- ## 5.1 市場風險概念回顧 市場風險（Market Risk）指的是因市場價格、利率、匯率等變動所帶來的潛在損失。傳統上，市場風險可分為以下幾類： 1. **利率風險**：利率變動對債券、利率衍生品造成影響。 2. **匯率風險**：外幣資產與負債價值波動。 3. **股價風險**：股票及相關衍生工具價格波動。 4. **商品風險**：能源、金屬、農產品價格變動。 現代風險管理在此基礎上，逐步融入「情境分析（Scenario Analysis）」與「壓力測試（Stress Testing）」的概念，藉由構建多種市場情境，測試投資組合在極端條件下的表現。 --- ## 5.2 市場風險資料來源與前處理 ### 5.2.1 資料來源 | 資料類型 | 來源 | 主要指標 | |---|---|---| | 股價 | Bloomberg、Reuters | 收盤價、成交量、波動率 | | 利率 | Fed、央行 | 3M、6M、1Y、5Y、10Y 對沖利差 | | 匯率 | 央行、FX 交易所 | USD/CNY、EUR/USD 等主要貨幣對 | | 商品價格 | CME、ICE | 原油、黃金、銅等期貨價格 | | 宏觀指標 | OECD、國際貨幣基金組織 | GDP 成長率、失業率、CPI | ### 5.2.2 前處理步驟 1. **時序對齊**：不同市場資料的交易日不一樣，需要用「前向填充（Forward Fill）」或「回填（Backfill）」對齊。 2. **缺失值處理**：對於非交易日缺失，使用前一交易日價格；若長期缺失則以線性插值或多元回歸補值。 3. **去除異常點**：利用 3σ 監控或 Tukey 的箱形圖去除極端噪聲。 4. **特徵工程**： - **收益率**：`R_t = log(P_t / P_{t-1})`。 - **波動率**：過去 30 天的標準差。 - **利差**：短期利率與長期利率之差。 - **匯率變動率**：`ΔS_t = S_t - S_{t-1}`。 - **宏觀因子**：如 CPI 變化、GDP 成長率。 5. **標準化**：對連續特徵做 Z-Score 標準化，便於模型學習。 --- ## 5.3 風險指標量化 ### 5.3.1 VaR（Value at Risk） **歷史模擬法**：直接使用歷史收益率分布估算 VaR。 **方差-協方差法**：假設收益率服從正態分布，計算投資組合方差。 **蒙地卡羅模擬**：生成大量隨機路徑，適用於非線性或複雜衍生品。 ### 5.3.2 CVaR（Conditional VaR） 衡量在 VaR 之上，平均損失程度。 ### 5.3.3 Expected Shortfall (ES) 與 CVaR 相同，但更符合監管要求（如巴塞爾 III）。 ### 5.3.4 信用連結衍生品（Credit Linked Notes）風險量化 結合信用風險模型（如KMV、Copula）與市場風險。 --- ## 5.4 情境設計與壓力測試 ### 5.4.1 情境設計流程 1. **宏觀情境**：基於歷史危機（2008 金融危機、2015-16 中國股災）或前瞻假設（利率驟降、通脹上升）。 2. **市場情境**：將特定市場指數（如 S&P 500、VIX）設置為極端值（±30%）。 3. **宏觀連鎖效應**：利率上升 200bp 同時 CPI 上升 3% 及 GDP 下降 2%。 4. **情境組合**：利用因子模型（如 Fama‑French 3‑factor）將不同因子結合，生成多重情境。 ### 5.4.2 壓力測試執行 - **模擬投資組合**：將歷史或假設情境套用於投資組合，重新計算價值與 VaR。 - **敏感度分析**：計算各因子對投資組合價值的貢獻率。 - **報告輸出**：以圖表（折線圖、熱力圖）展示在不同情境下的損益分布。 --- ## 5.5 機器學習模型在市場風險中的應用 ### 5.5.1 風險指標預測 - **回歸模型**：多項式回歸、Elastic Net 用於預測 VaR、ES。 - **時間序列模型**：ARIMA、GARCH、EGARCH 估算波動率。 - **深度學習**：LSTM、GRU 用於長期依賴性捕捉。 ### 5.5.2 因子選擇與特徵重要性 - **SHAP**：解釋模型對 VaR 的貢獻。 - **Permutation Importance**：測試每個特徵對預測的影響。 ### 5.5.3 風險敞口優化 - **風險基準（Risk‑Parity）**：使用機器學習預測的波動率做為權重。 - **多目標優化**：結合預期收益與 VaR 約束，利用多重演算法（NSGA‑II）搜尋 Pareto 前沿。 --- ## 5.6 案例研究：多資產投資組合壓力測試 > **背景**：某機構基金管理團隊，持有全球股票、債券與商品敞口。目標：在 2025 年末前完成一份年度風險報告，涵蓋 VaR、ES、情境分析與合規建議。 ### 5.6.1 資料收集與前處理 - 收集 2020‑2024 年 1‑30 日每日收盤價。 - 以 30 天移動窗口計算波動率。 - 匯率使用即時交易日。 ### 5.6.2 風險指標計算 - **VaR**：使用歷史模擬法 99% 信心水平，得到 1,200,000 USD。 - **ES**：得到 1,800,000 USD。 ### 5.6.3 情境設計 - **宏觀**：利率升 150bp、CPI 上升 4%。 - **市場**：S&P 500 下跌 25%，VIX 上升 30%。 - **複合**：利率升 150bp + S&P 500 下跌 25%。 ### 5.6.4 模型評估 - 用 GARCH(1,1) 估算波動率，模型 R² = 0.68。 - LSTM 模型在 95% 信心水平下，預測 VaR 與實際差異 5%。 ### 5.6.5 風險報告 - **圖表**：投資組合價值隨情境變動之折線圖、熱力圖。 - **文字說明**：在複合情境下，VaR 上升 40%；風險敞口調整建議：降低股票敞口 10%、增加債券敞口 5%。 - **合規評估**：確認符合 Basel III、SIFMA 指南。 --- ## 5.7 實務操作建議 | 事項 | 建議 | 為何重要 | |---|---|---| | **資料管道自動化** | 建立 ETL 工作流，定時拉取資料並進行清洗 | 減少人工錯誤、確保即時性 | | **模型版本控制** | 使用 MLflow 或 DVC 追蹤模型參數與性能 | 方便回溯、合規審核 | | **情境管理** | 以 YAML 或 JSON 方式儲存情境參數，便於重現 | 保障報告可重複、可追蹤 | | **風險指標報表** | 定期產出 PDF/Excel 報表，配合 KPI 進行追蹤 | 與高層、合規部門溝通 | | **持續學習** | 建立 A/B 測試框架，驗證新模型改進 | 確保模型不失效、風險可控 | --- ## 5.8 本章小結 本章從市場風險概念出發，詳細闡述資料蒐集、前處理、風險指標計算與情境設計流程，並以實際案例示範如何運用機器學習與大數據技術完成壓力測試與報告撰寫。重點在於 - **資料治理**：確保資料完整、清潔、可追蹤。 - **風險指標**：多元量化（VaR、ES、CVaR）。 - **情境分析**：系統化設計與敏感度測試。 - **機器學習**：提升預測精度、解釋性與自動化。 - **合規審核**：嵌入流程，符合監管要求。 未來章節將進一步探討 **流動性風險**、**操作風險** 等非市場風險領域，並綜合建構全盤風險管理框架。