第四章 機器人理財與演算法如何強化風險控管功能
第一節 機器人理財涉及之常見風險
‧
穆迪(Moody's)、標準普爾(Standard & Poor's)以及惠譽(Fitch Rating)等。評等越高 的國家或公司發生違約的機率越小;反之，評等越差的標的未來發生違約的機率越41 市面上雖然有信用違約交換(Credit Default Swap, CDS)等可供投資人規避信用風險的契約，但 一方面市場交易並不活絡，另一方面價格機制也較不透明，因此仍有相當大的進步空間。
42 穆迪 Baa3 等級以上的信用評級為投資等級標的。標準普爾與惠譽所稱的投資等級標的則為 BBB-等級以上。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三項 模型風險、擬合風險與軟體風險
模型風險是指金融模型是否能如實反映市場本質。財務經濟學與金融模型不 斷進步，但終究會遇到模型本身無法完全解釋市場變化的情形，此時按照金融模 型從事交易策略，也可能導致重大的風險事件發生。例如傳統金融模型假設投資 報酬率係基於「常態分佈」的連續性分佈，呈高斯鐘形曲線，忽略了極端事件所 發生的機率。極端事件在常態分佈中可能是數十年甚至數百年才會出現一次的離 群值(Outlier)，卻經常在現實生活中亮相。事實上，重大風險事件出現的頻率反而 是厚尾(Fat-Tail)現象，出現機率也比常態分佈之鐘形曲線的尾端高得多。43發生於 1998 年的「長期資本管理公司(LTCM)事件」即為著名的模型風險案例。這個由諾 貝爾獎得主Myron Scholes 和 Robert Merton 操盤的避險基金公司創立於 1994 年，
利用金融模型與高槓桿交易，創造平均30%的年報酬率。然而，1998 年 8 月時，
由於國際油價大幅下跌以及國內經濟惡化，俄羅斯官方宣布放手讓俄羅斯盧布貶 值、並停止國債交易，凍結海外投資人的貸款償還期間90 天。此舉引發國際金融 市場恐慌與債券價格大幅滑落。LTCM 的模型認為這類事件的發生機率極小，也 沒有相應避險措施。其槓桿操作部位於半年內遭遇超過90%本金的虧損。最終由 FED 出面，勸說 15 家金融機構聯合注資 37 億美元買下 LTCM，才使其免於倒閉。
然而，即使模型設定沒有出現錯誤，過多市場參與者採用類似的模型進行交 易也可能產生風險。Khandani 和 Lo(2007)的研究指出，2007 年 8 月時，幾個投資 銀行所管理之投資於房貸市場標的之避險基金突然出現相對於市場更為劇烈許多 的損失。追根究柢，因為這幾檔避險基金都採用類似的評價模型與停損機制。當 市場價格下跌時，觸使交易模型出現停損訊號，在市場上出售投資部位停損。但 各家接連出售資產的過程又再度引起市場價格滑落，觸發新的停損訊號。這種不 停循環的劇情中，虧損如同疾病一般大幅擴散。最終當資產的市場價格已經大幅
43 Nassim Taleb 將這種看似極不可能發生，實際上卻又發生的事件稱為「黑天鵝事件」。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
低於合理價格後，才因會人為力量的干預終止下跌趨勢。44
擬合風險可分為曲線擬合(Curve Fitting)以及過度最佳化(Over Fitting)，主因 皆是資料窺探偏差(Data-Snooping Bias)與不當的回測方法，誇大了交易策略的績 效。曲線擬合是指演算法交易的交易策略或模型僅根據過往的資料數據回測，以 其調整參數設定。曲線擬合下，交易策略若用於過往歷史交易當中可以得到相當 優異的績效。但如此傑出的成績卻不一定能夠複製於未來，倘若市場出現變化，
交易策略就有可能立即失效。越複雜或使用越多參數的交易策略，也越容易發生 曲線擬合的問題。
過度最佳化則是於回測過程中不斷調整參數，計算最佳化過程以得到最大化 的報酬。但歷史不必然重演，過度最佳化的結果可能產出一個相當極端的交易策 略，致使未來實際交易時的重大損失。
由於擬合風險對交易策略上線後之表現影響重大，目前多數程式交易套裝軟 體均有提供幫助檢驗擬合風險的方法。例如透過「參數孤島檢驗」， 觀察交易參 數對績效的敏感度分析，以 3D 圖來檢查是否出現參數過度最佳化的情形。如下 圖所示，水平座標代表參數變化，垂直的座標則表示報酬變化。一個好的策略，
微調參數值並不會對整體策略的報酬率有劇烈的影響。因此若計算出來的圖形呈 現孤島或尖峰狀，則代表很可能出現擬合風險。
44 Amir Khandani and Andrew Lo, What Happened To The Quants In August 2007, MIT CENTRAL BANK RESEARCH NETWORK FALL 2007 CONFERENCE (2007).
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 13 Multicharts 的參數孤島檢驗示意圖 (資料來源:作者整理)
軟體風險指的是管理、執行、監控交易策略的軟體能否如實反映交易策 略與完善投資組合管理功能。程式的 Bug、電腦的運算能力、電力穩定度、
伺服器主機配置、網路速度及安定性等，都有可能左右演算法交易的成功與 否。如何避免不確定事件發生，有足夠能力應對的風險管控機制，並在事件 發生之時將損害程度控管至最小，則是業者打造機器人理財服務之基礎設施 建設時需要考量的重要課題。
第四項 風險分類與管理措施
上述內容為機器人理財涉及之常見風險項目，其性質與影響也各不相同。如何 充分發揮機器人理財服務之風險管理功能並降低其他風險發生之可能，作者認為，
首先在於辨識哪些是機器人理財的本身就可以處理的「內生風險項目」，哪些是需 要依靠其他監理措施或法規幫助管控之「外生風險項目」。
機器人理財相對於傳統投資顧問模式，其優勢在於克服人性問題，客觀地
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
利用演算法模型提供交易訊號，按指示決定進場與出場時機。各種投資策略的勝 率與預期報酬率均可以由模型計算出來。應對市場價格變化時，演算法與電腦下 單的速度也更迅速。同時可配合消費者的風險屬性，嚴格執行停損與停利措施，
即便市場大幅下跌，也可以將消費者之投資虧損限縮在能夠承受的程度之內。可 知，演算法本身得處理的風險項目即是與模型設定之變數內容相關的範圍。因此 於風險分類上會將市場風險與信用風險納入內生風險項目。內生風險之管控在於 演算法模型設計之優劣。市場風險之管理可以透過優化演算法進行。為降低信用 風險，也可以運用演算法的功能，將特定標的自投資名單中剔除。
模型風險、擬合風險與軟體風險等項目，則是檢驗演算法模型是否得以充分 發揮其功能。因而分類上也屬於機器人理財本身即可處理的內生風險項目。可以 和市場風險一起討論。本章第二節之內容將說明如何運用相關指標來管理其風險。
但再投資風險、詐欺風險與道德風險，並非演算法運作上的問題，可能是利 益衝突或是業者對演算法模型之認識程度有關。因而須要透過外部機制監督管理。
本章第五節內容中將就其引發之監理問題詳盡討論，並提供相關建議。
同時，除了先前提及的各種常見風險外，機器人理財與演算法模型運行過程 當中也可能於特定時刻遭遇事件風險和流動性風險，關於這方面的風險管理措施 及因應方法，由於具有一定特殊性，作者於本章後續章節提出獨立討論。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 14 風險分類 (資料來源:作者整理)