大數據背景下對沖基金的現狀分析和監測措施研究

李紅玉

(佳縣機關事業單位和居民社會養老保險經辦中心 陜西榆林 719200)

現代金融的發展速度十分迅猛，如今的金融，早已告別了傳統的貨幣金融時代，已經邁入了數字金融時代。在過去10年的時間里，相比于傳統低速成長的資產如股票、債券、房地產黃金等，數字資產呈現高速增長態勢，包括比特幣、對沖基金。對沖基金作為數字資產，每天都會有大量的交易。全球對沖基金行業規模龐大，為包括養老金在內的眾多機構提供了優秀的投資渠道，通過投資對沖基金，解決了高凈值人群的特殊需求，對沖基金獨特的運行模式也給相關人才提供了更好的用武之處。

1 對沖基金的現狀分析

1.1 對沖基金的概念

對沖基金是一種典型的以營利為目的的金融基金，采用對沖交易手段降低風險，是私募基金的一種，也是投資基金的一種形式。因為對沖基金在危機中的出色表現，2008年金融危機后，我國政府實行積極和較為寬松的貨幣政策，對沖基金的規模在金融危機后迅速擴大。

1.2 對沖基金的特點

對沖基金的收益有別于傳統資產。傳統的投資策略是利用證券上漲所獲得的差價來獲得收益，而對沖基金綜合運用多種投資策略、充分使用多種金融工具，讓多頭和空頭風險對沖，利用杠桿效應的方法獲得收益。對沖基金可7/24不間斷開展多類型數字加密資產交易，投資分布于多個交易平臺，可增加及時套利機會，從而為投資者提供更加穩健的回酬。

2 對沖基金的發展趨勢

2.1 我國對沖基金的發展

我國在 2010 年之前沒有符合對沖基金概念的基金，目前私募證券基金整體數量不多，包括混合類基金、股票類基金、固定收益類、FOF類及其他類基金。由于存在衍生品少、股指期貨及期權高收費和高進入標準的問題，導致我國的對沖基金在投資上非常單調，現有的對沖基金策略也只能進行單一的股票投資，因此并未融入國際主流的對沖策略。

目前我國金融衍生品市場正在逐步發展，補充對沖工具，但總體而言還是存在品種少、市場活躍性不夠高等問題。

2.2 對沖基金對我國經濟的影響

對沖基金在全球交易市場都處于活躍狀態，尤其是金融衍生品市場，一直是證監會的重點關注對象。對沖基金入場標準過高，因此對沖基金具有龐大的資金量，加之其在多個金融工具間同時操作、多維度的交易來影響市場交易傾向，可以主動操縱市場，從而引發市場甚至經濟體系的非理性波動。

尤其在2020年，我國結束了股市只能做多不能做空的歷史，因此對資金規模大、杠桿高的對沖基金進行監測具有重要的經濟意義。

3 基于大數據的對沖基金的監測措施

《資管新規》的實施會導致各機構在對沖基金的投資風險方面不得不更加嚴謹。如果對沖基金市場依舊波動較大，將會影響到對沖基金在我國的進一步發展。因此，包括養老金在內的眾多機構紛紛對對沖基金建立監測機制。

我國大數據化進程開始時間較晚，但隨著大數據技術在金融領域的應用，基金信貸產品不斷更新迭代，能夠實時自動捕捉市場信息并發掘具有高增值空間的數字資產，讓投資行為更智能、更高效。對沖基金的風險敞口是因為使用衍生工具，衍生工具少卻為對沖基金的監測提供了便利，故可以基于大數據技術將衍生產品的風險參數加入對沖基金的風險預測數據庫中，通過建模分析，更加準確地發現對沖基金的潛在風險，并及時采取防治措施。

3.1 構建基于大數據的對沖基金風險監測方法

對沖基金每天都會有大量交易，產生大量的數據。大數據的核心問題是數據問題。對沖基金風險的預測就是對價格趨勢的預測，具體包括股票價格預測、指數預測、外匯價格預測、大宗商品價格預測、債券價格預測、波動率預測、加密貨幣價格預測。對沖基金的目標是最大化回報，對沖基金獲得最大化回報最具挑戰性和令人興奮的任務之一便是：預測未來對沖基金是上漲還是下跌。

價格趨勢預測是一個分類問題，即預測價格將以何種方式變化。針對分類問題，首選深度學習神經網絡模型解決。

時間序列數據是一系列按時間順序排列的數據點，根據概念可知，金融數據屬于時間序列數據，對沖基金的價格數據更是典型的時間序列數據。深度學習神經網絡模型能夠充分學習對沖基金時序數據中的前后依賴關系，從而在未來的風險預測中發揮作用，對沖基金是深度學習應用中具有吸引力的領域之一，也是投資基金的一種形式，業內針對時間序列數據的預測已經取得了不錯的效果。

在深度學習中，有一種適用于時間序列分析的架構：遞歸神經網絡。針對股票、基金等時間序列數據的預測，更典型的遞歸神經網絡是長短期記憶網絡(LSTM)(見圖1)。

圖1 基于大數據技術的對沖基金風險監測模型的建立方法流程

以下分小節對基于大數據技術的對沖基金風險監測模型建立方法進行闡述。

3.1.1 基于大數據建立對沖基金交易數據庫

對沖基金交易數據庫基于對沖基金交易的歷史數據和實時數據，這里的歷史數據是指過去的時間序列數據。這是預測未來價格走向最重要和最有價值的部分。

對沖基金交易數據大都來源于大連商品交易所、鄭州商品交易所、上海期貨交易所、外匯、中國金融期貨交易所、上海證券交易所、證券期貨交易所等金融機構。以上金融機構的歷史數據有一部分是公開的，但通常情況下，公開的數據缺少很多特征，例如數據間隔時長太長，會導致對沖基金風險預測監測模型不能夠很好地訓練和泛化，使得可用性變低。具有更豐富特征和更小時間間隔的歷史數據通常不公開，使用者需要高價從金融機構購買。但隨著大數據技術的應用，以上金融機構的歷史數據和實時數據均可通過baostock模塊下載獲取，也可以通過爬蟲技術自動、快速抓取目標數據信息。

baostock模塊和爬蟲技術的數據間隔時長可人為設置，baostock模塊和爬蟲技術都可以有效高頻地自動抓取對沖基金交易數據，并通過對抓取到的海量數據進行識別、度量、計算和分析，將數據隱藏的有效信息進行開發利用，無條件地執行捕捉任務，定時豐富對沖基金交易數據庫。

理論上來說，如果我們擁有每一個金融衍生品近些年每一納秒的價格數據，對下一納秒的價格數據的預測就會變得簡單。但是基于數據庫的存儲能力和計算機的計算效率，對沖基金交易數據庫并不能無限大，具體的抓取時段和數據間隔時長需根據使用的數據庫和計算機的數據處理能力合理設置。

3.1.2 基于深度學習神經網絡建立對沖基金風險預測模塊

本文基于深度學習神經網絡建立對沖基金風險預測模塊，對沖基金風險預測模型是關于對沖基金如何使用深度學習神經網絡的一個使用方法。

將上一步獲得的對沖基金時間序列數據劃分為訓練集和測試集，對測試集中的時間序列數據按波形拐點設置上漲、下跌和穩定的評價，以此評價作為該段時間內數據的標簽。

基于LSTM網絡模型建立對沖基金風險預測模型：定義LSTM網絡模型的目標函數，LSTM網絡模型的激勵函數輸出為，其中φ表示權重，，Pi-t表示第i只對沖基金時間序列數據在t時刻的數據，表示第i只對沖基金時間序列數據的均值，p表示概率，ε表示判斷系數。

將訓練集作為LSTM網絡模型的輸入，使用損失函數smooth-L1進行訓練，求解LSTM網絡模型的最優參數，從而完成LSTM網絡模型的訓練，得到對沖基金風險預測模型。

對比其他網絡模型，LSTM網絡模型能夠從時間序列數據中捕捉貢獻度更高的特征向量并進行關聯建模。

由于tanh激勵函數、softmax激勵函數對數據的處理側重點不同，因此建立融合分類機制。softmax激勵函數對中央區的信號增益較大，對兩側區的信號增益小，因此當，對sigmoid激勵函數賦予較大的權值，以sigmoid激勵函數為主。tanh激勵函數具有相對寬闊的興奮邊界，因此當，對tanh激勵函數賦予較大的權值，以tanh激勵函數為主，是因為tanh激勵函數的輸出位于-1到1之間，模型收斂快。因此采用融合分類機制，對不同分類的數據采用不同的激勵函數，提高了數據處理的靈活性，減小對沖基金風險預測模型數據處理過程中的數據缺失，利用深度學習方法讓對沖基金風險預測模型向實際趨勢數據“學習”。

采用測試集對對沖基金風險預測模型的預測分類精度進行測試，若測試精度符合要求，則“學習”結束，否則對對沖基金風險預測模型進行迭代訓練。

3.1.3 基于大數據建立回測參數數據庫

回測參數數據庫包括多個回測參數的基準詞和與其對應的近義詞，回測參數的基準詞包括但不限于回測名稱、回測時間、策略名稱、初始資金、頻率、撮合方式、業績基準、滑點、交易傭金，和/或限制成交量。在使用時，基于大數據技術在后臺抓取用戶的搜索關鍵詞，將高頻出現的搜索關鍵詞加入回測參數的基準詞。

同時，采用哈爾濱工業大學社會計算與信息檢索研究中心做出的同義詞詞林擴展版作為同義詞近義詞庫，對回測參數的基準詞進行擴展與關聯映射，降低了回測基準詞的編寫難度，提高了回測執行的有效性，大大提高了用戶體驗。

3.1.4 執行回測任務，生成風險預測報告

根據輸入的回測參數，獲取對應的對沖基金的時間序列數據，將當前對沖基金的時間序列數據輸入對沖基金風險預測模型，對沖基金風險預測模型輸出未來時刻對沖基金的預測時間序列及預測時間序列對應的標簽，即上漲、下跌和穩定。預測時間序列及預測時間序列對應的標簽組成風險預測報告。

3.1.5 顯示風險預測報告

基于模糊數學的綜合評價方法，將定性評價轉化為定量評價，具體方法：建立基于IfThen形式的模糊規則的模糊規則庫，將預測時間序列作為模糊規則庫的輸入，得到模糊輸出量，模糊規則為：

本文考慮上漲下跌和穩定的三分類，在一些研究中，僅考慮上漲和下跌，那么模糊輸出量的輸出即可對應劃分為2分類，即漲或跌。將模糊輸出量顯示出來，以證監局、投資機構和用戶直觀清晰的參考為后期的金融決斷提供依據，使用效果良好，貼近市場需求。

3.2 效果分析

基于大數據技術的對沖基金風險監測模型的建立，主要作用有兩方面：一方面是投資者可以通過看漲對沖基金獲得更高收益，也可以通過看跌對沖基金進行風險防范，防止市場劇烈下跌帶來的損失，幫助投資者決定基金的傾向是做空還是做多，擇優選擇高收益的金融衍生產品進行投資，以達到高于平均收益率的超額投資回報；另一方面是幫助證監局監測惡意做空，面對監測惡意做空監管層可以果斷出手間接制止這種行為。

當然，基金市場千變萬化，尤其是大額資金突然進場或退場等人為因素較多，這種人為因素一定會改變供需關系，所以價格會出現一定的波動，甚至會改變基金走向，造成來回震蕩。因此對沖基金風險監測模型的使用具有一定的局限性。

4 結語

綜上所述，以大數據分析和人工智能技術為核心，合理運用大數據技術對對沖基金的風險進行預測，充分發揮人工智能技術的信息科技優勢，建立包括分析建模、實時監測、風險預警的監測模型，如果模型對于大量的金融衍生產品的預測都表現得很好，那么它便可以使對沖基金管理者使用大數據技術和深度學習算法的監測策略來預測未來對沖基金中某一個金融衍生產品的價格，有效增強對沖基金風險管理的及時性和前瞻性，能夠有效保證對沖基金的交易安全，提升金融市場運行效率。