金融产品拓展链的风险积累与控制

王成吉

（天津财经大学 经济学院，天津 300222）

0 引言

各种金融产品的创新和衍生过程都经历了从基础产品到金融衍生产品再到结构性金融产品的过程。金融产品在创新和衍生的过程中，多是以改善流动性、规避风险以及追求利润最大化为原动力，转嫁风险的同时都会转移和隐藏更深层次风险。风险从某个产品到产品衍生链，往往会存在流动性风险和信用风险累积的情况，最终导致出现系统性风险。2008年美国次贷危机反映出衍生金融产品积聚的全球性金融风险，逐步从单一风险扩展到难以分散和对冲的系统性风险。

国内外相关研究主要从金融产品创新的单一节点出发探讨风险识别和管理，没有从产品创新的整个链条分析风险的转移和集聚。风险预警模型研究方面，多采用事后测度方法，格兰杰因果检验、ARCH族，VAR模型和协整检验一般是确定金融市场波动性传导先后关系，不能量化和确定波动传导过程。本文尝试采用BP神经网络模型建立更完善的风险预警系统，从控制论角度解决风险控制产品链的问题，有效熔断风险链条的控制节点，设置防火墙以防止系统性风险的蔓延。

1 金融产品拓展中风险预警模型

1.1 金融产品拓展链的风险累积与延伸

金融产品创新遵循市场参与者对金融产品风险特征和盈利能力的原则，以市场需求、流动性、风险配置对冲为原动力。从基础产品、衍生金融产品再到结构性金融产品，形成一条产品的拓展链条,将金融风险通过拓展路径逐渐传播（见图1）。

风险存在于每一个拓展节点上，产品的创新拓展同时也将风险转嫁，风险延拓展链条逐渐传导、转嫁给结构性金融产品，因此风险在链条的终点集聚。以美国次贷危机为例，从次级抵押贷款（SM）到抵押担保证券（MBS），商业银行规避风险的过程中，通过资本市场将次级抵押贷款的流动性风险转嫁给证券投资者，这其中包含了居民个人的信用风险和违约风险。从MBS到债券抵押担保债券（CDO）的过程中，投资银行将现有的MBS通过杠杆融资和贷款的方式转移给了投资者。这种关系隐含巨大系统性风险，资本市场中大投资者理所当然承担风险，这也是次贷危机蔓延的重要原因。从CDOs到CDO衍生品，信用违约风险互换（CDS）是重要的风险转移中介。他们可以利用原始产品的特别目的载体（SPV），通过破产隔离和增信措施将信用风险和道德风险转移到投资银行，同时使资产所有权不会转移。

图1 金融衍生产品6展链的风险积累与传导图

1.2 基于神经网络的衍生金融产品风险预警模型的构建

1.2.1 神经网络算法

BP神经网络模型广泛应用于模式识别、风险评估和自适应控制，可任意精确地逼近非线性函数。例如在一个三层的BP神经网络中，每个圆圈代表一个神经元，每个神经元通过相互连接形成一个网络拓扑。如下页图2所示。

从结构上看，BP神经网络具有输入层、输出层和隐藏层3个层次，不仅包含输入和输出节点，而且还包含一个或多个隐藏节点层，每个节点的输出值由输入值、函数和阈值共同决定。将输入信息转移到输入节点,通过权值的处理来传导到隐藏节点,隐藏层通过每个单元的操作后,发送到输出节点,输出值与期望输出相比,如果有误差,则误差反向传播。如此逐层修改权值，直到输出满足要求。具体算法如下：

图2 三层BP神经网络图

（1）BP网络的初始化操作：初始化随机数wji和θj，标记神经元i到神经元j的连接权重为wji，神经元j（包括隐含层和输入层）的阈值记为θj。

（2）样本数据选取：将已经预处理的期望输出向量{Ypl}和训练样本向量{Xpl}导入建立的BP神经网络模型，其中，l和p分别表示输入向量数和样本数量。

（3）计算各层的输出：当输入层的输入与输出相同，即Opj=Xpj，其中Xpj是第p个样本的第i个值。对于输出层和隐含层来说，神经元的输出为Opj=F(∑wjiOpi-θj)，其中Opi是神经元j的输入，也是神经元i的输出，F(x)是非线性可微分非递减函数，即F(x)=1/(1+e-x)。

（4）计算各层误差的信号，隐含层为δpj=opj(1-opj)，输出层为

（5）反向传播过程，修正权值为 ωij(t+1)=ωij(t)+αδpjopj，α为学习速度。

1.2.2 风险预警模型

基于衍生金融工具风险具有非线性、复杂性和智能性的特点，依靠传统的Logistic回归方法会直接或间接的依赖线性函数模型，影响预警信息发起的及时性和有效性。BP人工神经网络的反向传播可以随时根据自学习和培训的新数据，将其内部存储权重参数调整到相应的可变经济环境，本文利用BP人工神经网络对衍生金融工具对风险预警系统建模。

（1）输入节点的选择

根据衍生金融工具的基本类型和传导机制，基于充分考虑巴塞尔协议衍生金融工具风险分类前提，选取12项对市场波动数据具有前瞻性、敏感性和及时性的代表性指标，作为神经网络风险预警模型的输入节点：进出口与GNP比率、外汇储备风险、外债余额与进出口额比率、资本充足率、市场资金集中率、市场资金总量变动率、合约集中持仓率、价格波动性、合同净头寸暴露比率、风险价值充足率、最高持股比例、基差变动率。输入节点的数值需要对基础数据进行归一化处理，将其转换为[0,1]值域无量纲性指标值，这里我们采用将每个参数值除以其理论上的最大值域的归一化方法。

（2）隐含层节点数的选择

根据BP神经网络模型的特点和Kolmogorov定理，这里选择隐含层数为H=2M+1，其中M为输入层的节点数。通过反复计算收敛速度和误差率，不断调整参数，发现隐含层为25是验证的最佳选择，即M选取25。

（3）输出节点的选择

根据主成分分析法的综合评价，充分考虑整个系统的稳定性，最终选择的4个输出节点：正常状态输出为[1000]，低风险警戒输出为[0100]，中度风险警戒输出为[0010]，高度风险警戒输出为[0001]；分别对应于主成分得分表中的4种不同的风险状态：F∈(-∞,0]时存在较大风险，F∈(0,1]时存在风险，F∈(1,2]时基本安全，F∈(2,+∞]时安全，因此输出节点数确定为4。

2 衍生金融工具风险预警模型的实证

2.1 风险预警模型的训练

通过BP神经网络模型对构建的风险预警模型进行训练学习，把隐含层的阈值函数通过trainbpx函数训练，误差标准采用标准均方误差。建立模型中的参数设置如表1所示。实证采用Matlab软件中BP神经网络的默认值，即动量系数α=0.19，学习率η=0.01，可接受的误差ε=0.00001。经过反复实验证明，这两个参数可以使模型以非常快的速度收敛在误差范围内。

表1 BP神经网络参数

采用以下措施衡量金融机构衍生金融工具的风险状况，并对神经网络进行了342次仿真数据训练。如表2所示。

表2 四组真实仿真数据训练数据 （单位：%）

根据下页表3的输出结果，模型的误差结果为1.22。但此时得到训练结果并不收敛，因此利用BP神经网络的自适应性对模型进行优化，扩大每层的权重值，在迭代3586次以后，该模型满足精度的优化结果，训练效果非常理想。

表3 神经网络衍生金融工具风险预警系统训练结果

表3结果表明，BP神经网络模型对金融衍生工具风险预警具有较好的适用性。根据上述4组训练模拟数据，可将风险预警程度分为4个警戒水平，一旦金融产品链条积累风险超过警戒水平，风险预警系统可依据训练获得的数据及时发出预警信号，并对风险的严重等级进行更准确的分类。金融机构的风险管理人员可以根据风险预警系统的警戒级别制定相应的避险方案。

2.2 风险预警模型的评价

通过实证研究证明，BP神经网络建立风险预警系统具有较好的容错与识别能力，对数据的分布没有严格要求，可以成功解决神经网络普遍的训练效率、收敛、训练瘫痪等问题。同时它具有学习能力，可以随时根据新数据进行自学习和训练，将其内部存储权重参数调整到相应的可变经济环境。因此认为该模型能够及时有效地预测复杂状况下衍生金融工具的风险。

3 金融产品拓展链的风险控制

可以采用系统控制论中的前馈控制与反馈控制相结合的方式，来解决金融衍生产品的风险控制问题。

（1）风险控制中的前馈控制与反馈控制

在控制金融产品风险控制的过程中，前馈控制应事先采取相应的控制措施，根据可能的状态偏差调整和变更受控衍生产品的运行状态。但对运行过程中可能发生的偏差，前馈控制对偏差的方向、程度和时机都不能准确把握，或者控制时机把握不及时，可能会导致前馈控制失误，不能对风险因素进行有效的控制。反馈控制利用风险预警系统的输出值来产生控制力。如果在风险控制过程中出现的偏差是不可接受的，那么应该分析差异的具体原因，并对风险做新的量化和修正。

通过上述分析，采用前馈控制与反馈控制相结合的方式是金融衍生产品风险控制较为理想的方案。

（2）风险控制模型的建立与风险控制的实施

结合前馈控制与反馈控制建立模型：Lt*P＜（La+Lb）－C。

其中，Lt为风险事件发生的总损失；P为风险事件发生的概率；La为前馈控制识别出风险造成的损失；Lb为反馈控制识别出风险造成的损失；C为风险控制系统花费的总成本。模型表达式左边为总损失的加权平均值（即净损失），右边为实施风险控制所产生的总节约与总成本的差（即净结余）。该表达式意味着在净结余大于净损失时，风险控制是有效的。

通过前馈控制和反馈控制识别出风险形成的损失可分为直接损失和间接损失。直接损失是指流动性风险、利率风险、信用风险和汇率风险造成的损失，这种损失将对产品价格和市场价格产生直接损失。Lt则是指在不加以任何控制的情况下各类风险事件造成的损失总和，是对各种风险事件形成损失的加权。对前馈控制来讲风险事件是随机发生的，可以利用专家经验数据对事件发生的概率和损失率来定义。

在模型分析过程中，一旦能够确定前馈控制和反馈控制是必要的，则将实施风险控制。首先确定风险管理的目标和准则，通过风险识别确定存在风险的种类和来源。然后根据不同的风险类型，依据数据评估事件发生概率和影响范围对风险进行评估，并依据评估结果决策风险处置预案，即风险自留、风险转移和风险规避，至此前馈风险控制阶段完成。如果选择风险转移预案，那么风险控制方案进一步细化和明确，直至制定完整的风险管理方案。此方案的执行结果可以判断风险事件造成的损失是否在可容忍范围内，一旦事件损失超出可容忍范围则触发反馈控制流程，重新回归起点，反复修正风险控制模型，直到风险损失在可容忍范围内，即净结余大于净损失，风险控制流程结束。

面对不同的金融产品需要有区别的风险控制模型，基础金融产品由于风险影响因素相对比较单一，采用前馈控制可以很大程度上控制风险发生概率，降低风险损失。但对于金融衍生产品来说，各种风险的积累使风险本身变得更为复杂，搭配反馈控制尽可能将事实偏差降低到预期水平，以实现风险管理的目标。在风险控制过程中，可以对每个节点都进行控制，保证在风险链过度聚集时可以有效介入熔断机制，及时将风险链断开，防止风险蔓延。