第四章 機器人理財與演算法如何強化風險控管功能
第四節 事件風險、流動性風險與人為干預之功能
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 事件風險、流動性風險與人為干預之功能
儘管演算法交易模型管理市場風險的功能遠優於人工監控，但在某些特殊情 況之下演算法模型可能會因其限制而無法充分發揮其風險管理功能。主要原因在 於演算法模型是根據「歷史」價格資料編寫交易策略，並執行回測與參數最佳 化。其特色在於可以嚴格根據進出場訊號執行交易，避免人性因素干擾。相對 地，當市場當中發生前所未見的事件時，這會是一個「嶄新」的資料。演算法模 型當然可以在事件後審視其影響並將其納入考量，但事中的反應能力顯然只能依 循歷史資料所計算出的交易策略做出應對，顯得僵硬且缺乏彈性。
根據使用演算法模型的實際交易經驗，特別是在處理事件風險與流動性風險 風險時可能會更加明顯地暴露其缺點。因此，本節內容希望討論事件風險與流動 性風險之發生原因、演算法交易模型在處理這些風險事情時較為弱勢之原因，為 何選擇人為干預可能是一個降低整體風險與損失的解決方案。
第一項 事件風險與流動性風險
事件風險(Event Risk)是指原先沒有預料到的突發事件造成市場短期內價格 大幅波動，而對投資人的收益產生重大影響。事件風險可能是正面事件或負面事 件。例如2003 年的 SARS 疫情、2008 年 9 月 15 日美國第四大投資銀行「雷曼 兄弟（Lehman Brothers）」申請破產保護、2015 年 1 月 15 日瑞士央行突然宣布 瑞士法郎與歐元脫鉤，瑞士法郎相對歐元「當日」上漲近28%等，都是相當知 名的負面事件。負面事件風險的特性是立即造成投資人損失。又因為這些事件泰 半無法事前預料、缺乏相關的避險渠道，一旦遭遇負面事件風險時，預先制定的 停損機制與損害控管方法，將決定遏止資金失血的能力。
正面事件風險則會提高投資人須要付出的投資成本，降低未來的預期投資報 酬率。2009 年 4 月 30 日和 5 月 1 日台股大漲就是一個鮮活的實例。當時傳出政
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
府有關單位可能開放陸資來台投資我國股市，消息面因素激勵2009 年 4 月 30 日 交易當天有超過1000 檔股票漲停，台指期貨也漲停鎖死。57台股現貨持有成本 瞬間增加7%，且因為期貨也跟著鎖死，希望做多股市的投資人也無法利用期貨 避險來降低投資成本。
無論如何，事件風險均加大了投資人操作投資組合的困難度。因此如何管理 事件風險也是實際執行交易時將會遇到的難題。
事件風險總是伴隨著流動性風險(Liquidity Risk)一起出現。流動性風險是指 因市場上深度不足所造成流動性缺乏的現象，而市場深度不足，是因為成交量不 足或缺乏願意交易的對手導致。流動性風險可能造成交易價格出現大幅落差、增 加交易成本。當事件風險發生時，投資人可能相應地發出停損或停利的交易指 令，但此時市場上願意出售或買入標的之相對人太少，投資人將被迫用更高的價 格買入或更低的價格出售。
然而，管理事件風險或流動性風險，人為干預可能是一個好方法。尤其程式 的功能在於分析市場交易資訊，但對於解讀消息面因素以及各項事件所造成之心 理層面影響，或許遠不及人類表現。歷史也證明了演算法交易程式的設計可能助 長流動性風險的發生頻率，且擴大損害範圍。
第二項 人為干預的功能
機器人理財雖然是以演算法為基礎營運，但絕非沒有任何人為干預舉動。事 實上，大型金融機構的演算法交易部門，於交易時段也並非全然放手讓演算法完 成所有交易，必要時也會運用人力進行干預。就市場交易現況分析，近期也有因 演算法導致的閃崩事件。演算法交易模型是預先編寫完成的程式組合，使用者必 須要清楚認知演算法交易模型未臻完美，也一定會有疏漏之處。人為干預之目的，
在於補足演算法本身的缺陷，不讓投資組合價值因為演算法沒有預先設想到的因
57 當時股票以及期貨的漲跌停幅度均為 7%。
‧
58 高盛：機器將成為下一次危機凶手，Wind 資訊，http://www.sohu.com/a/232949996_99992453 (瀏覽日期:2018 年 5 月 25 日)
59 陳慧菱，台股暴跌做空 損失卻高達 14 億 投資人要告期交所，鉅亨網，
https://news.cnyes.com/news/id/4055625 (瀏覽日期:2018 年 5 月 25 日)
60 潘志義，台股狂跌放空台指選擇權慘賠 事出有因，經濟日報 2018 年 2 月 6 日報導，
https://money.udn.com/money/story/5641/2971804 (瀏覽日期:2018 年 5 月 25 日)
‧
選當日，隨著開票結果逐漸公布，川普(Donald Trump)擊敗希拉蕊柯林頓(Hillary Clinton)當選的可能性慢慢拉高，市場避險資金不斷湧入日圓。但隨即因為川普偏‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
降低風險發生機率，以及每一次風險事件發生時可能產生之損失。兩相對照，演 算法模型確實可以運用數據的計算大幅降低投資人的曝險與風險發生的機率，並 嚴格執行停損以便限縮損失金額。人為干預的功能，只能做為一種輔助的手段而 非主要的手段，並非正常交易情況下均可任意使用，只有在特殊且極端的情境下，
為了避免演算法模型的缺失或限制，以降低損失為目的方可採行人為干預。
接下來要討論機器人理財業者應當於基於哪些約定，何種特殊情況，才能替 金融消費者執行人為干預。作者認為，締約前，機器人理財業者應當事先說明哪 些事件發生時，業者的主動干預措施會實行介入。以及人工介入較繼續維持演算 法運作的優勢為何。例如市場日內交易發生大規模流動性真空現象導致市場上交 易價格失去原有功能時，主動利用人工方式調整，讓交易策略維持中立性，可能 會是較好的結果。又或者市場或產業出現明顯的結構轉變問題時，業者也可將其 分析結果與研究報告提供給消費者，交由其自行判斷是否採取人工干預措施。
而可預期的風險事件前，機器人理財業者亦可推算風險事件的可能情境與走 勢，供消費者獨立思考，決定有沒有必要於風險事件前先暫停演算法投資策略。