我為什么選擇獲得FRM認(rèn)證？這得首先簡單介紹一下FRM的知識(shí)體系。用最精簡的話概括，F(xiàn)RM體系試圖幫助你探求三個(gè)問題的答案：什么是金融風(fēng)險(xiǎn)？如何度量金融風(fēng)險(xiǎn)？量化后的金融風(fēng)險(xiǎn)，如何去管理？

FRM是什么?

FRM(Financial Risk Manager)是全球金融風(fēng)險(xiǎn)管理領(lǐng)域的資格認(rèn)證，由美國“全球風(fēng)險(xiǎn)管理協(xié)會(huì)”(Global Association of Risk Professionals ，簡稱GARP)設(shè)立。

我為什么選擇獲得FRM認(rèn)證?

這得首先簡單介紹一下FRM的知識(shí)體系。用最精簡的話概括，F(xiàn)RM體系試圖幫助你探求三個(gè)問題的答案：

什么是金融風(fēng)險(xiǎn)?如何度量金融風(fēng)險(xiǎn)?量化后的金融風(fēng)險(xiǎn)，如何去管理?

在當(dāng)下風(fēng)控比較前沿的領(lǐng)域，風(fēng)險(xiǎn)已被高度概括和抽象成了underlying assets的預(yù)期波動(dòng)率，即資產(chǎn)價(jià)格上下波動(dòng)的幅度，并且由數(shù)理統(tǒng)計(jì)中的方差σ2來度量。

聽上去這和我們常識(shí)中對風(fēng)險(xiǎn)的概念，即未來可能發(fā)生的損失這個(gè)單向的理解挺不相同：難道股票價(jià)格上漲也算風(fēng)險(xiǎn)?這好像很不科學(xué)。

嗯，我之前一直也是這么認(rèn)為的。

直到我完整的接觸了FRM的知識(shí)體系，才深刻理解了不確定性即風(fēng)險(xiǎn)的涵義：股票上漲對多頭是收益，對空頭卻是損失;持有股票的實(shí)質(zhì)其實(shí)是在long對應(yīng)的asset的同時(shí)short cash和 risk-free interest;期權(quán)定價(jià)中Vega的本質(zhì)是期權(quán)價(jià)格對波動(dòng)率的一階導(dǎo)數(shù)，所以才有標(biāo)的資產(chǎn)價(jià)格一直上漲(但漲速減緩)，期權(quán)價(jià)格也可以反向下跌等等。

佩服自己以前連期權(quán)的五個(gè)量度(delta, gamma, vega, theta, rho)都沒搞清楚，就敢玩兒naked option。無知者無畏必然說的就是我。

可以肯定的是，F(xiàn)RM是一套極其強(qiáng)調(diào)數(shù)理統(tǒng)計(jì)和量化分析的體系(涉及的數(shù)學(xué)知識(shí)的深度可參考稍后整理出的筆記，大概相當(dāng)于大學(xué)數(shù)II)，那么我等數(shù)學(xué)學(xué)渣何必自取其辱去挑戰(zhàn)自我呢?

對我個(gè)人而言，動(dòng)力很大程度來自于即將到來的將是一個(gè)量化風(fēng)控的時(shí)代這一預(yù)判。

過去金融機(jī)構(gòu)對主體信用風(fēng)險(xiǎn)的評估，主要基于結(jié)合客觀因素(財(cái)務(wù)報(bào)表)和主觀因素(股東結(jié)構(gòu)、行業(yè)屬性等)兩個(gè)維度來進(jìn)行。

這套純?nèi)斯さ娘L(fēng)控邏輯對大型企業(yè)的風(fēng)險(xiǎn)評估足夠有效，但對中小企業(yè)及個(gè)人作為主體時(shí)就會(huì)有嚴(yán)重信息不對稱和審核效率低兩大瓶頸。這也是中小企業(yè)融資難的根本原因(監(jiān)管機(jī)構(gòu)耳提面命恐怕只能導(dǎo)致信貸利差的扭曲)。

但是，隨著互聯(lián)網(wǎng)對各個(gè)行業(yè)改造的深入，越來越多的個(gè)人和企業(yè)行為被在線化，其中一個(gè)“副作用”就是為信貸決策提供了大量可交叉驗(yàn)證的實(shí)時(shí)數(shù)據(jù)。

而這一趨勢帶來的影響將是非常深遠(yuǎn)的，在FRM體系里被發(fā)明已久的很多風(fēng)險(xiǎn)度量方法--如Mean-Variance、VaR、蒙特卡洛隨機(jī)過程、GARCH等等模型都曾長期被束之高閣，在除了股票量化交易以外的領(lǐng)域鮮有人知(因?yàn)楣善苯灰纂娮踊潭茸銐蚋?。

期權(quán)價(jià)格的曲面

核心原因就是這些模型都是利用相關(guān)性的回歸分析來獲得關(guān)鍵模型參數(shù)(蒙特卡洛模擬需要的是巨大的計(jì)算能力)。類似于用瞎猜的方式去暴力破解密碼，需要大量精確的歷史數(shù)據(jù)才能擬合出準(zhǔn)確的參數(shù)，否則很容易對變量和因變量進(jìn)行錯(cuò)誤的歸因。

而量化風(fēng)控長久以來所面對的尷尬，可以打個(gè)形象的比方，就是在電(大數(shù)據(jù))還沒被發(fā)明前，數(shù)學(xué)家已經(jīng)發(fā)明了收音機(jī)(量化模型)。

顯然這樣的尷尬如今已一去不復(fù)返，萬物互聯(lián)的大數(shù)據(jù)時(shí)代將會(huì)為量化模型輸送源源不斷的養(yǎng)分。用概率論的中心極限定理來理解，當(dāng)大數(shù)據(jù)的導(dǎo)入使得樣本的數(shù)量擴(kuò)大100倍，對總體σ的估計(jì)精度便可以提高10倍(S=σ/sqrt(n))。

既然未來已來，我等作為傳統(tǒng)銀行風(fēng)控體系生產(chǎn)出來的產(chǎn)品，為了不被歷史的車輪壓得粉碎，必然只能主動(dòng)迭代，迎接全面量化風(fēng)控時(shí)代的到來。

之后我會(huì)陸續(xù)把FRM備考中自己整理的精簡筆記貼出來，既可以用作對FRM知識(shí)體系的興趣了解，也可為備考提供一個(gè)清晰的復(fù)習(xí)脈絡(luò)。

掃碼咨詢澤稷老師，解讀CFA®考試政策變動(dòng)，海量CFA®學(xué)習(xí)資料免費(fèi)領(lǐng)取，提供在線解答CFA®學(xué)習(xí)疑惑。