投资者需要更好地掌握风险管理工具,以衡量投资组合在快速变化的世界中战略弹性。
金融市场的每个角落都潜伏着危险。从宏观经济风险到系统性波动,再到个别公司面临的商业威胁,无数因素都可能使股票或投资组合偏离轨道。
正确进行风险管理是一项永恒的任务,即使是最有经验的投资组合经理也会受到考验,需要技能、经验和谦逊的结合。虽然投资者可能并不总是了解工具背后的技术细节,但提高他们对原则的了解可以让他们更好地评估投资组合经理的风险管理策略。
复杂市场的马赛克方法
全球市场极其复杂。这就是为什么我们提倡采用“马赛克方法”进行风险管理,即针对不同情况使用不同的工具(显示)。使用正确的工具可以提高投资组合对各种风险的透明度。当投资组合团队能够形成最终带来阿尔法收益的信念和洞察力时,它还可以让他们承担经过计算的风险。使用多个模型有助于减少测量误差。
传统的因子风险模型仍然是股票风险管理的基石。股票投资组合的标准风险模型侧重于影响业绩的因素,例如风格、行业、国家和货币。这些模型旨在阐明投资组合的风险敞口,并帮助其避免与市场的特定领域过于紧密地联系在一起。
但传统模型存在盲点,因为它们只关注狭隘的风险。因此,我们认为股票投资组合必须使用多种模型来寻找风险的不同角度,并依靠人工智能 (AI) 驱动的技术。正如两个艺术爱好者对同一幅画的解读可能不同一样,每种风险模型都没有对错之分;它们为投资组合经理在选择股票和构建投资组合时提供了对风险的不同解读。我们认为,三种主要风险类型已变得突出。
宏观威胁:经济威胁无处不在
近年来,各类投资者都面临着宏观经济风险。随着通货膨胀率飙升和利率飙升,不熟悉的市场环境给股票投资组合增添了新的风险。
投资组合经理必须了解其面临的宏观风险,例如通货膨胀、利率和油价。正确的工具可以提供有关个股和投资组合在不同宏观环境下表现的重要信息。
宏观风险影响股票基本面,因此它们对于自下而上的选股者来说非常重要。在某些行业,宏观趋势与基本面之间的联系是不言而喻的。例如,利率影响银行业务,油价影响能源公司。许多拥有长期现金流的科技公司也往往会受到利率上升的影响。在其他行业,宏观影响可能更加微妙,例如通胀对消费者支出和零售商的影响。挑战在于估计这些敏感性如何影响不同的资产;这样做的方法之一是开发宏观贝塔系数。分析师可以创建每只股票对宏观资产回报的时间序列回归。然后,我们可以将它们汇总到投资组合级别,以评估配置的风险。建模后,可以进行压力测试以模拟投资组合如何应对利率跃升等冲击。
情景驱动风险:历史重演
股票市场承受着过去危机的伤痛。引发市场波动的情景不一定遵循历史脚本。但重演历史以了解投资组合如何应对重大危机,例如 2010-2012 年的欧洲主权债务危机或 2013 年的缩减恐慌,可能会有所启发。量化分析师可以使用基于市场回报和因子回报的真实数据重现历史情景,然后将投资组合置于这些条件下。
事后诸葛亮有什么好处?它让我们能够检查我们当前的投资组合在历史压力时期的表现,并评估它们在未来如何应对类似的情况。分析师必须小心,不要过度解读结果,因为当前和历史情况可能存在显著差异。历史可能不会重演——但它往往会押韵,并可能扰乱投资组合的表现模式。
您不知道的风险:聚类分析
历史并不总是能引导您发现新的风险。而且在很多情况下,新的风险很难发现,而且可能在表面下缓慢出现。聚类分析寻找传统量化风险模型或基本面分析师可能不明显的相关风险来源。
该分析基于复杂的机器学习技术,将股票按一定时期内收益变化密切的组别进行分类(显示)。其目的是识别那些开始一起变动但可能不被视为类似证券的股票中新形成的风险。
潜在因素或聚类工具有助于识别新形成的风险。例如,在疫情期间,我们发现了“居家隔离”集群风险,其中包括互联网零售公司、家庭娱乐公司和其他符合该主题的股票,其交易模式相似。对人工智能的热情也可能使通常不被视为相关的股票之间产生联系。例如,我们的分析发现了一个与人工智能主题相关的集群,其中数据中心和能源股的交易方式相似。两年前,由于相关股票的表现模式不同,这个集群没有出现。识别集群有助于我们的投资组合经理在周期早期了解他们对这个新主题的敞口。它还使团队能够管理与该集群相关的风险,而不仅仅是通过传统风险模型中的静态行业。
接下来是什么?从超级资本到选举
正确部署这些工具需要密切关注风险范围。目前,我们关注的突出风险包括市场集中度风险和美国大选。
自 2022 年底以来,人们对人工智能的热情推动了美国七大市值股票的飙升。所谓的“七大”股票 (Mag 7) 中基准指数的高度集中,给没有买入整个集团的投资者以及持有整个集团头寸的投资组合带来了风险,如果对该集团的情绪恶化,这些投资组合可能会受到影响。
从风险管理的角度来看,我们可以使用马赛克来更好地了解 Mag 7。首先了解与该组相关的因子暴露。然后,检查情景分析和聚类可以告诉我们有关该群组及其可能与其相关的其他股票的哪些信息。最后,权衡在每只股票的头寸中真正特殊的部分上花费的风险预算金额,并确认它是否符合投资组合的信念和理念。
投资者必须特别注意股票减持的风险。在 Mag 7 占据主导地位之前,不持有大型股票的风险并不太令人担忧。但现在,不持有像 NVIDIA 这样的公司会增加基准风险。由于该股是标准普尔 500 指数的重要组成部分,如果 NVIDIA 的涨势持续下去,避免或减持 NVIDIA 的投资组合将持续跑输基准指数。
那么美国大选呢?一个好的起点是尝试找出可能受到不同影响的股票组。经纪人篮子提供了有用的线索。这些是经纪人认为可能根据某些结果上涨或下跌的股票篮子。当然,投资组合只会接触其中的一些股票。因此,我们可以通过采取类似的方法来填补空白,以了解宏观敏感性并估计这些篮子的选举贝塔系数,然后可以将其应用于所有股票。
为此,我们计算了券商投资组合的收益时间序列,类似于宏观敏感性方法。然后,我们计算所有股票相对于这些选举投资组合收益的滚动贝塔系数。这样,我们就可以看到所有股票的表现模式与这个投资组合的关系,这可以帮助投资者发现可能受选举影响但未被券商覆盖的相邻股票(例如投资组合中公司的客户或供应商)。
文化对风险管理很重要
如果没有正确的组织文化,即使是最先进的风险工具也无法发挥作用。这是因为这些工具提供的情报需要经过深思熟虑的解读和应用。
量化分析师通常负责开发和管理风险管理工具。在拥有众多股票投资组合的大型投资公司中,我们认为集中开发风险工具有助于传播最佳实践并扩大创新规模。但为了在基本面驱动的投资组合中发挥作用,我们认为量化分析师应该融入投资团队。这样,他们就可以充当第二双眼睛,并提出基本面研究中可能无法发现的盲点问题。在核心投资集团之外运作的量化团队可能得不到足够的信任,因此他们的建议不会被认真对待。在团队内部工作可以最大限度地利用量化分析师和基本面分析师的多种观点,从而促进风险分析的综合方法。
与此同时,风险管理职能也需要评估整个股市的潜在风险。在审视可能影响所有投资组合的问题(如选举风险)时,这一点尤为重要。
清晰的沟通是量化分析师影响那些可能不熟悉技术术语的同行的必要因素。要使这些工具发挥作用,投资团队需要谦逊——了解他们知道什么和不知道什么。我们认为,这些软技能对于有效的风险管理与拥有正确的技术工具同样重要,应该在培训计划中加以强调。
人工智能可以支持量化分析师与更广泛的投资团队之间更清晰的沟通。例如,风险数据通常体现在需要解读的复杂数据表中。使用人工智能技术大型语言模型 (LLM),可以创建书面段落中的数据摘要,这对投资组合团队来说比数字表更容易理解。
要问经理的问题
考虑到这些问题,投资者可以向投资组合经理提出一系列问题,以了解公司的风险管理流程和文化的有效性。
使用了哪些多维工具?每种工具针对哪些类型的风险?投资组合团队如何创建风险意识文化,以彻底整合来自不同来源的评估?他们能否展示风险管理流程中可行的见解?如何激励投资组合经理创建风险意识文化?要求举一个从错过的重大风险中吸取的教训的例子。
这些问题的答案可以帮助投资者确定资产管理者是否在战略上将风险管理作为投资过程不可或缺的一部分,还是只是事后才考虑。承担计算过的风险永远是主动管理型投资组合实现阿尔法收益的基石。有了全面的风险管理结构以及正确的工具和文化,客户就可以确信投资组合经理能够动态地适应风险,这些风险可能会成就或毁掉最周密的投资策略。
韭菜热线原创版权所有,发布者:风生水起,转载请注明出处:https://www.9crx.com/84439.html