2018年第2期（总第2期）：大型金融机构管理整体分析架构 - 简报

2018年第2期（总第2期）：大型金融机构管理整体分析架构

主持：巴曙松（北京大学汇丰金融研究院执行院长、中国银行业协会首席经济学家）
主讲：李祥林（上海交通大学上海高级金融学院金融学教授、中国金融研究院副院长、金融硕士项目联席主任）

在新的经营环境下，大型金融机构目前遇到很大的挑战，总结下来大概有下面几点原因。首先金融行业在海外是一个相对比较成熟的行业，特别是目前面临的互联网时代长大的新消费者，他们对服务的需求和传统一代都不一样；第二点是监管越来越严格，特别是来自于各种监管管辖权的不同要求，特朗普总统上台后，美国的金融监管有所放松，但对金融机构来说仍有很大的限制；第三点是我认为未来将面临长期的低利率和低投资收益率环境；最后，金融机构还面临着很多来自于金融科技行业的竞争，特别是新型金融科技公司，它们应用更具预测性的科学大数据、区块链，并将互联网和移动技术融入到服务中。

上图展示了一家美国中型保险公司面临的多方位监管。比如这家保险公司有家银行子公司，在右下角可以看到它要受美联储的监管，因为它是一个银行控股公司。在美国保险公司是由州监管，所以它还受到五十个州的保险监管。此外由于从事房屋贷款保险业务，它还受到五十多个州的抵押贷款监管机构的监管。从这家典型的金融机构可以看到，目前大部分监管机构的工作成本是很大的。特朗普上台之后，对金融监管有所放松，这对整个金融行业来说是一个比较好的趋势。

一、为什么资产负债管理分析如此重要？

大型金融机构每天面临的一项工作就是如何对公司的资产负债进行管理，这一点对每家金融机构都很重要，需要从资产负债两个角度来看公司的健康状况到底怎么样。为什么资产负债分析很重要，我觉得主要来自于以下几方面。
首先是外部或者监管要求，比如说可能很多人的工作都是跟美联储综合资本分析和审查（ CCAR）有关，包括全球保险资本标准（ ICS）、英国审慎监管局（ PRA）压力测试等。在公司内部也有很多要求，比如说公司每年都要做预算，首席投资官要做资产战略配置和资产久期配置，风控部门要关注经济资本，财务部门要做业绩分析，公司整个管理层要做一些平衡等。这些项目看起来好像各不相同，而且隶属于不同的部门，比如预算通常由公司首席财务官负责，资产配置包含资产战略和策略配置主要是由公司首席投资官负责，风控部门负责经济资本、风险资本分析，投资组合重新评判会由公司首席投资官或财务官一起来负责。这些项目看似各不相同，但是存在大量的共同点，主要是从资本风险或者收益的角度来看整个公司在不同情景下的表现如何，这些情景有可能是外部施加的，如压力测试、 CCAR等，也有可能是内部生成的，如说在做预算时候也会做一些假设。这些情景有的时候是少量的，有的时候是大量的情景，如随机情景。在每个给定的情景下，都要对公司所有的资产和负债进行估值。

估值有的时候是跟会计联系，比如说在美国我们通常会用GAAP，保险公司有它自己专门的一套会计系统如STAT。最终我们需要建立一个完整的资产负债表，要求资产或负债之间一定存在一致性，从而知道两者之间是如何关联的，比如说在度量资产负债表的信用风险时，通常用到久期概念，资产和负债端的久期必须是相同的。金融公司有必要研究所有的项目，寻找到共同点，构建一个整体的框架结构，把每一个项目纳入到相同的框架中，不然公司里每个部门管一套事，每个部门都没有足够的力量来建立整个公司的基础设施。所有的项目可以划分为共同的基本要素，并按顺序逐一处理，这样有助于构建实施架构，特别是跟IT部门合作，能够提高每个项目的效率和速度。金融危机后，美国很多银行控股公司都花了很多钱进行压力测试，很大的原因是传统的公司框架结构不是按照现在的要求来建立的，所以大部分情况下是大家在现有的系统模型基础上面做一些后续处理，然后把信息再集中起来，所以这样的效果不是很好，而且人工的元素很多。

二、构建金融企业整体分析框架

我一直在思考怎样能够建立整体的框架结构解决这些问题。大家知道金融公司大了之后解决问题相当不容易。我个人总结在大型金融公司里解决任何问题通常要走三步。

第一步是要解决公司治理问题。比如保险公司里面资产负债表建模需要公司不同团队的参与，投资、保险精算风险管理和财务团队等，明确定义每个团队的责任是成功的第一步，而目前在大公司里不同的资产负债表建模项目通常隶属于不同的团队，几乎不存在整体的框架结构，这就导致了重复投入或缺乏全局观的思维，最终造成所有的项目执行不善。例如美国安永事务所曾经对保险公司的资产负债管理（ ALM）做了一项调查显示：“大多数企业拥有专属的ALM职能部门，隶属于风险管理、保险精算或投资团队。没有专属ALM职能部门的其他企业则依赖于这些职能部门之间的协调”。

第二步是解决方法问题。需要整体分析框架来“关联”所有看似迥然不同、但内在相关的部分，为整个企业范围的实施提供指导。

第三步是平台，任何一项业务最终都要做到平台中去，比如说在压力测试当中需要把任何一个模型嵌入到系统中，如果是用手工的话就会受到更多更严格的监管。科技的进步为我们提供了充足的存储工具和容量，包括计算量，也很容易把大量的信息从一端传到另一端。如果听公司里的IT说没有足够的储存或计算能力，我感觉全部是借口。

上图基本包含了金融企业整体分析框架的几个方面。第一块是全球总体风险因子模型。所谓风险因子，主要是影响公司资产和债务的最基本元素，大型金融机构每年都要做风险识别，了解整个公司面临的所有风险是什么。知道这些风险因子之后，通常会做一些情景分析特别是这些情景怎么样产生的。情景方面可以分成两类，一类叫做小情景，例如中美贸易战就可以视为一种情景，或者2019年美国或全球是否发生经济衰退等。另一类叫做随机情景，比如很多保险方面要求至少做几十个或者几百个情景，进行资产配置时，也会产生几千个情景。在知道情景之后呢，就要对公司所有的资产和债务进行估值。风险和业务限制因素看作一个因子，估值之后就可以获得公司的资产负债表。公司里面所有的 balance sheet 都应该依赖这套framework，包括资产负债管理、战略资产配置、压力测试以及绩效分析、经济资本。

下面进行更具体一些的分析。首先什么叫风险因子，为什么要强调它。前面提到风险因子是影响所有的资产、债务的最基本元素，金融危机之前很多变量大家都觉得是不同的变量，包括不同的资产，危机之后大家发现很多资产平常看似毫不相关，一旦危机来临时基本向一个方向走，到底影响这种现象的基本元素是什么呢。举例来说，我们平常吃食品，有的可能喜欢吃四川菜或湖南菜，还有的喜欢上海菜。但如果去参加戈壁比赛，在沙漠里走上三五天，你问营养师到底需要带哪些食品，营养师会告诉你不管什么食品，奶制品、肉制品、蔬菜或水果，归根到底营养成分只有几类，如纤维、葡萄糖、碳水化合物、脂肪、盐等，从营养的角度来说，人每天只要能摄入这些元素保持平衡，身体就没问题。投资资产也是这样，以前大家会说我是做债券或是做股票，这些称为资产类别，不管是什么资产，最后影响因素包括利率、信用利差、通货膨胀、经济增长、汇率等，这些都称为风险因子，不管什么资产，收益的影响因素都是这几个风险因子。风险因子是最小的、最基本的系统性驱动因素，影响着资产和负债绩效以及风险特点。

为什么我们聚焦于风险，而不是资产类别或负债业务线？用化学概念来比喻的话，如果把资产类别比作分子，那么风险因子就是原子。当资产/负债通过定价函数以较为复杂的方式明示或默示共享风险因素时，风险因子模型相对稳定，而资产的变化相对更大一些。例如影响债券的主要因素是利率或利差，而利率对债券的影响可能取决于其他的一些特征，比如债券的票面利率、到期日等。直接研究利率或利差可以把风险度量的更加准确。风险因子对有些资产、负债价值的影响可能较为直接，例如利率对企业债和固定年金估值的影响，也可能较为间接，如 GDP增长率对大多数固定收益和负债产品估值乃至保险业务量的影响。在识别风险因子之后，就需要建立风险因子模型。主要考虑这些风险因素在未来几年（比如在美联储的压力测试中，考虑的是未来三年）相互之间的变化规律。

接下来是定价，定价是金融行业的关键技术。国内的不少规模不小的金融机构包括所谓的一些大型商业银行，有一些他们的定价技术没有完全掌握好。前段时间大家对中兴芯片事件的触动挺大，但是目前有多少中国的金融机构能够对衍生产品进行独立定价呢，我个人了解的情况，似乎没有一家拥有一套完整的独立定价系统。有些公司可能有一两个人做了些工作，但是整体来说还是非常薄弱的，应该当成金融机构的核心能力。在压力测试当中，压力情景是考虑到今后三年内每个季度风险因子的变化情况，因此这里的定价实际上是条件定价，不光考虑当下还要考虑到一年后到底如何定价一支债券。大家都知道今天我们可以用利率或者信用利差、信用评级对债券的定价，一年之后仍然要用同样的公式，但是我们不知道一年后这支债券的评级是什么，利率、信用曲线可能发生变化，因此一年之后的定价需要考虑到所有的情况，当然这一年中这支债券也有可能毁约。从当前的角度来说，一年之后债券的定价就是根据前述所有条件的加权平均。如果对一个机构的产品进行定价，比如在压力测试中，第一次的情景冲击可能影响到券的一部分，到第二次冲击时，要把前面时段的影响通过积累的方法表达出来，所以可以想象把定价做好考虑到未来的价格在实践中是相当不容易的。传统做市场分析的人，大家知道一个定价公式，一旦市场因素变化之后，可以顺着资产新的价格算出一天内的变化大小，然后用10的开方乘上一天的变化值就是我们平常所说的资产十天内的市场风险值。很多假设当下可能没有变化，但一旦扩展到每个季度甚至到三年之后，整个定价体系都在变化，这是为什么过去十年很多美国的大型机构都在花功夫做压力测试，因为原先的交易系统包括风险管理系统都不是根据这种方法做的。

下面介绍怎样在大型金融机构中建立前面所说的框架结构。任何一种实施架构可以归结为三个方面，分别是数据、模型和可视化。对于大金融机构很难找到一个系统能包含所有的方面，这就要用到IT中的一个概念“ 应用框架结构”（SOA），通俗来说就是模块化。首先数据方面，一定要做到集中、标准化，通过SQL数据库管理数据，现在也有很多使用非SQL数据库或缓存的形式管理。此外还要建立一些基础设施，使信息能够传输，国外很多使用“信息中间件”的技术，是关联所有要素的粘合剂。其次模型方面，主要是估值模型要包含所有的资产和债务，这点说起来容易，做起来相当不容易。债务方面更复杂，很多保险公司包括AIG甚至拥有500多个精算师来做债务方面的估值，这是他们整个框架中最重要的部分。当然所有的一切都应该可以放云上面，有些大型机构会建立自己的云，也可以用外部商业化的云服务比如国内的阿里云或微软的microsoft azure。

下面这张图显示了过去几十年做资产组合优化到底是采用什么样的方法。首先是均值方差法，是Markovitz 1953年发明的，而在实际生活中用均值方差法做资产配置时发现了很大的问题，比如说稍微改变一点均值或者方差的数字，最后的优化结果截然不同。我感觉均值和方差是统计中二阶矩的概念，而统计当中矩与矩之间的关系比较敏感，用历史数据进行估计，一旦数据比较大会产生很多噪音，这些噪音稍微有一些误差，就会改变整个均值和方差之间的关系，进而影响优化结果。大概九十年代时，高盛的Fisher Black和 Robert Litterman建立了一种新的方法“ Black-Litterman模型” ，这种方法依赖于贝叶斯统计，对于收益有一种先验的看法，这样做的结果更平滑一些。这种方法的结果比均值方差法更好一些，但需要更多基本的假设，实践中很多人喜欢这种方法，但从学术界上来说，这种方法从来没有流行过，严格意义上来说，我觉得这种方法不是很完整。金融危机之后，大部分大型资产管理公司或专门做资产配置的，基本都开始转向前面所说的基于风险因子的框架结构方法。这种方法理论上解释也很容易，比如像债券未来收益的预期可以根据一些因子倒推出来，几乎没有办法能获得一套完整的input来使用均值方差法或Black-Litterman模型。而风险因子法就很容易，例如很多固定收益产品的收益和风险因子中间通过定价函数精确的将风险因子和某种类型的金融工具粘起来。这也是为什么金融危机之后大部分人都用以风险因子为基础的方法进行资产配置。

第二种方法也是很多人在做的美联储压力测试（ CCAR），大概分成四个主要的过程，分别是情景生成、资产债务模型、预测和资产负债表总结。首先是情景生成，除基础情景外，美联储每年会公布两次压力测试的情景，这些情景的主要变量大概有二十多个，比如利率、利差、GDP、通货膨胀率等，但是信息都不是很全，像利率可能就仅告诉你三个点，要通过这三个点绘制出完整的利率曲线，利差方面可能只提供BB级债券5年评级的信用利差是多少。金融机构得到这些压力情景后必须要对情景做扩充（ senario expansion），把二十几个变量翻译成成千上万无形的因子来对公司的资产进行定价，这种条件定价需要考虑到未来某一点的价格是怎样，对金融机构来说是一大挑战。得到定价之后，由会计部门转换成整个资产负债表。

以上简要介绍了如何建立金融机构整体分析框架，以及解决问题实施中的关键点。金融机构大了之后管理起来很不容易，现在大家谈到中美贸易之间的纠正，到一定程度之后基本是两个国家之间社会制度的竞争。说到底就是如何把一个个公司组织起来，或者如何把一个国家组织起来可能没有一个固定的模式。三国演义中说“天下大势分久必合，合久必分”，管理公司也是这样。说到底在什么层次集中，什么层次下分散，历史在找一种平衡。现在用IT的数据技术，特别是SOA design，我觉得可以把社会在更大的层次上面组织起来。

三、问答环节：

Q1：您提到监管成本越来越高的问题。那么对中小银行或金融机构来说就尤为不可负担，以至于退出市场，而只剩下大型机构并且越来越垄断，越来越复杂，又再造成成本进一步上升和系统性风险增加。您如何看这个问题？
A1：这方面比较有意思。美国和中国都有几千家中小银行，我感觉对中小银行的挑战还是挺大的。从长远来说，这些中小银行他们自己可以成立一些联盟，不然可能在市场竞争中越来越没有优势，但如果都变成大的银行，可能系统性风险也会增加，所以更可能的是中小银行的一种结合。

Q2：您基于自己多年的实际经验，提出了一个整体框架来监管金融机构。能否进一步阐述下技术手段上如何落实实现这样一种框架？譬如近来发展较快的人工智能和区块链等技术。
A2：我觉得关于实施这块还是通过公司IT建立整体的框架结构，把前面所讲的几个主要元素，比如像数据、模型等这一块一块做好，然后通过SOA的方法把每个元素连接起来，中间会用到一些信息中间件，这样可以把信息从一端传到另外一端，再把所有的框架放到云平台上去。我觉得人工智能主要是帮助银行或大型金融机构进行数据分析，而区块链在整个系统当中可能在某些部分能用到一些，区块链的技术可能会增加整个系统的有效性。

本文根据北京大学汇丰金融研究院执行院长巴曙松教授发起并主持的“ 全球市场与中国连线” 第二百七十五期（2018年7月19日）内容整理而成，主讲专家为上海交通大学上海高级金融学院金融学教授、中国金融研究院副院长、金融硕士项目联席主任李祥林教授。
李祥林教授现任上海交通大学上海高级金融学院金融学教授,中国金融研究院副院长,金融硕士项目联席主任。加入高金之前，李教授在中外一流金融机构工作二十多年，在风险管理，金融新产品开发和研究，资产管理，保险和信息技术等领域有丰富的高级管理经验。曾担任中国国际金融有限公司首席风险官，花旗银行和巴克莱资本全球信用衍生品数量分析和研究，美国国际集团资产管理分析部门负责人。李教授拥有加拿大滑铁卢大学统计学博士学位，以及精算、工商管理和经济学硕士学位和数学学士学位。他曾被选为北美精算学会投资分会理事，目前是《北美精算期刊》副主编,加拿大滑铁卢大学客座教授，加拿大全球风险研究所（ GRI）高级研究员，新加坡国立大学风险研究所(RMI)高级顾问。李教授是信用衍生产品早期开拓者之一,发明的信用组合定价公式被市场广泛使用和学术界认可，并获华尔街日报（ WSJ）头版,金融时报(FinancialTimes)，日本经济新闻(Nikkei),加拿大国家广播公司新闻(CBCNews)等报道。

“ 全球市场与中国连线” 为中国与全球主要金融市场间内部专业高端金融交流平台。本期报告由巴曙松教授和居姗博士（ jshan818@163.com）共同整理，文中观点仅代表主讲人个人观点，不代表任何机构的意见，也不构成投资建议。

北京大学汇丰金融研究院简介
北京大学汇丰金融研究院（ The HSBC Financial Research Institute at Peking University，缩写HFRI）成立于2008年12月，研究院接受汇丰银行慈善基金会资助，致力于加强国内外著名高校、金融研究机构、以及知名金融学者之间的交流，构建开放的学术、政策交流平台，旨在提高中国金融理论与政策的研究水平，促进学术繁荣与发展，加强与政府决策部门的联系与合作，为政府决策提供参考意见，为国际金融体制改革和中国金融业的发展做出贡献。

北京大学汇丰金融研究院院长为北京大学校务委员会副主任、北京大学汇丰商学院院长海闻教授，执行院长为中国银行业协会首席经济学家、中国宏观经济学会副会长巴曙松教授。