近年来，人工智能技术得到了快速发展，并在金融风险管理领域逐渐渗透。本书旨在引导读者了解金融风险建模背后的理论，学会在金融风险管理业务中运用Python语言和一系列机器学习模型。
本书分为三部分，第一部分（第1～3章）介绍风险管理的基础知识，第二部分（第4～8章）通过一系列案例将机器学习模型运用到市场风险管理、信用风险管理、流动性风险管理和运营风险管理等场景，第三部分（第9章、第10章）讲解如何对其他金融风险类型进行建模。
本书案例丰富、实战性强，适合金融行业的工程师、财务分析师、风险分析师等群体阅读。通过阅读本书，读者将发现人工智能技术的强大魅力，并学会运用Python语言驾驭多种高效率的机器学习模型，进一步重塑自己的风险管理思维。
书名：Python机器学习之金融风险管理
ISBN：978-7-115-63148-0
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
著 [土]阿卜杜拉·卡拉桑（Abdullah Karasan）
译 叶伟民 徐 俊 朱明超 钟飞雄
责任编辑 胡俊英
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(010)81055315
Copyright © 2022 Abdullah Karasan . All rights reserved.
Simplified Chinese Edition, jointly published by O’Reilly Media, Inc. and Posts & Telecom Press, 2025. Authorized translation of the English edition, 2022 O’Reilly Media, Inc., the owner of all rights to publish and sell the same.
All rights reserved including the rights of reproduction in whole or in part in any form.
本书简体中文版由O’Reilly Media, Inc.授权人民邮电出版社出版。未经出版者书面许可，对本书的任何部分不得以任何方式复制或抄袭。
版权所有，侵权必究。
近年来，人工智能技术得到了快速发展，并在金融风险管理领域逐渐渗透。本书旨在引导读者了解金融风险建模背后的理论，学会在金融风险管理业务中运用Python语言和一系列机器学习模型。
本书分为三部分，第一部分（第1～3章）介绍风险管理的基础知识，第二部分（第4～8章）通过一系列案例将机器学习模型运用到市场风险管理、信用风险管理、流动性风险管理和运营风险管理等场景，第三部分（第9章、第10章）讲解如何对其他金融风险类型进行建模。
本书案例丰富、实战性强，适合金融行业的工程师、财务分析师、风险分析师等群体阅读。通过阅读本书，读者将发现人工智能技术的强大魅力，并学会运用Python语言驾驭多种高效率的机器学习模型，进一步重塑自己的风险管理思维。
如今，Python已成为金融行业的首选编程语言。与此同时，机器学习技术在该领域也扮演着非常重要的角色。金融风险管理对于任何金融机构来说都是至关重要的，本书全面展示了Python语言和机器学习技术在金融风险管理这一关键领域的强大魅力。
——Yves J. Hilpisch博士，The Python Quants和The AI Machine公司的
创始人兼首席执行官
本书介绍了一系列实用的方法，这些方法既源于统计学领域，也来自机器学习领域，为金融风险管理提供了高效的解决方案。如果你正在寻找一本关于如何将这些方法应用于金融风险管理领域的指南，那么这本书无疑是你的绝佳之选。
——Graham L. Giller，Adventures in Financial Data Science一书的作者
本书通过运用机器学习技术，让金融风险管理这一主题变得充满吸引力。对于金融计量经济学家、对冲基金经理以及定量风险管理团队来说，这本书是必备的参考书。
——McKlayne Marshall，数据分析项目负责人
随着计算能力的提高，计算机能够对大型数据集进行分类，可以对大量数据进行处理以识别模式和异常值，人工智能（Artificial Intelligence，AI）和机器学习（Machine Learning，ML）成为技术领域的最新流行语，受到了我们的关注。
——BlackRock（2019）
金融建模有着悠久的历史，它成功地完成了许多任务，但由于模型缺乏灵活性和兼容性等问题受到了激烈的批评。2008年的“金融危机”令争论更激烈，最终引发了金融建模领域的各种创新。
当然，金融危机并不是推动AI在金融领域应用增长的唯一因素，还有另外两个因素：数据可用性和计算能力的提高。
金融稳定委员会（Financial Stability Board，FSB）于2017年提出：
金融业已经有很多使用AI和ML的应用或用例。这些用例既受到供应因素（例如技术的进步以及金融部门数据和基础设施的可用性）的推动，也受到需求因素（例如盈利能力需求、与其他公司的竞争以及金融监管的要求）的推动。
作为金融建模的一个分支，金融风险管理随着AI在金融决策过程中的作用不断增强而不断发展。正如Nick Bostrom在他那本著名的《超级智能》一书中所提到的，人类历史上有两次重要的革命：农业革命和工业革命。这两次革命带来了十分深远的影响，基于这两次革命的历史推断，与之规模相当的第三次革命会在两周内令世界经济规模翻一番。更引人注目的是，如果第三次革命是由AI完成的，那么其影响将更加深远。
因此，人们对AI应用的期望非常高，希望这些应用能够利用大数据来理解风险过程的复杂结构，从而重塑金融风险管理。
我希望通过本书推广ML在金融领域的应用，从而提高金融模型的预测能力和性能。参数模型存在低方差和高偏差的问题，而ML模型的灵活性可以解决这些问题。金融领域的一个常见问题是，数据分布的变化总是会对模型结果的可靠性构成“威胁”，而ML模型可以根据变化的模式进行自我调整，使模型更加适应数据的变化。因此，金融领域对于适用的ML模型有着巨大的需求，而本书的主要特点是在金融风险管理中引入全新的基于ML的建模方法。
简而言之，本书的目的是改变目前严重依赖于参数模型的金融风险管理的现状，主要基于ML模型的高度准确的金融模型的最新发展。本书是为那些对金融和ML有初步了解的人准备的，因此我将只是简单地解释一下这些基础知识。
本书的目标读者包括但不限于金融风险分析师、金融工程师、风险分析助理、风险建模师、模型验证师、定量风险分析师、投资组合分析师以及所有其他对金融和数据科学感兴趣的人。
如果读者具有以上背景，或者具有入门级别的金融和数据科学知识，应该会从本书中受益良多。但是，这并不意味着没有这些背景和基础的人就不能理解本书的知识。只要读者能够花足够的时间来研究，并在阅读本书的同时参考其他一些金融和数据科学图书，一样能够掌握本书的知识。
第1章，“风险管理基础知识”
本章介绍风险管理中的主要概念，包括什么是风险、主要的金融风险类型，解释了风险管理等。然后讨论金融风险管理中的信息不对称问题，重点讨论逆向选择和道德风险。
第2章，“时间序列建模简介”
本章主要介绍传统的时间序列建模方法，包括MA、AR和ARIMA模型。本章的主要目的是为传统时间序列建模方法和最新时间序列建模方法（第3章主要内容）的比较提供基准。
第3章，“使用深度学习进行时间序列建模”
本章介绍如何使用深度学习进行时间序列建模，主要讲解RNN和LSTM两种方法。
第4章，“基于ML的波动率预测”
金融市场一体化程度的日益提高导致金融市场的长期不确定性，这反过来又体现了波动率的重要性。波动率可用于测量风险程度，这是金融领域中的主要业务之一。本章不仅介绍基于SVM、神经网络、深度学习和贝叶斯方法的新型波动率建模，还介绍了ARCH模型、GARCH模型、GJR-GARCH模型、EGARCH模型、SVR-GARCH模型。
第5章，“市场风险建模”
本章首先介绍多个VaR建模方法。其次，尝试以噪声和信号的形式区分信息，即降噪。然后，采用降噪协方差矩阵来改进VaR估计。接下来，讲解如何用ES模型作为一个连贯风险衡量指标。最后，讲解考虑流动性风险之后的ES模型和实际成本。
第6章，“信用风险估计”
本章首先讲解与信用风险相关的主要概念。然后，使用逻辑回归、贝叶斯模型、SVM、随机森林、神经网络、深度学习基于德国信用风险数据集进行预测分析。
第7章，“流动性风险建模”
本章介绍一种基于GMM的流动性风险建模新方法，该方法允许我们基于多个流动性指标数据进行建模并生成聚类。鉴于这些聚类的后验概率，我们能够确定哪个聚类代表数据的定义特征。然而，如果不考虑流动性指标的相关性，我们的模型很可能无法适用于现实工作。因此，为了解决这个问题，我们引入考虑了变量之间的相关性的GMCM。
第8章，“运营风险建模”
由于ML建模的发展，我们现在有更多的工具可以用来应对欺诈行为，本章介绍包括逻辑回归、决策树、随机森林等在内的监督学习方法，以及目前较新的、十分适用于管理欺诈风险的成本敏感学习方法；然后，介绍自组织映射和自编码器等无监督学习方法。
第9章，“公司治理风险度量：股价崩盘”
本章介绍全新的方法来应对公司治理风险——股价崩盘。许多研究发现，股价崩盘与公司治理之间存在联系，本章使用最小协方差行列式和面板数据分析来揭示公司治理风险成分与股价崩盘的关系。
第10章，“金融中的合成数据生成与HMM”
本章介绍两个相对较新但很有前景的主题：合成数据生成与HMM。合成数据生成使我们能够在缺乏真实数据或遵守保密规定的情况下进行分析，因此它可以成为从业人员的“救命稻草”。然后，我们介绍高斯HMM模型及其使用方法，利用HMM模型生成合成数据。
该图标表示技巧、建议或一般性注释。
该图标表示警告或重要的注意事项。
本书的补充资料（示例代码等）都可以从异步社区下载。
本书提供源代码的目的是帮你快速完成工作。在一般情况下，你可以在自己的程序或文档中使用本书中的代码，而非复制书中的部分代码，这样就不必取得我们的许可。例如，当你在编写程序时，用到了本书的几个代码段，这不必取得我们的许可。但若将O’Reilly图书中的代码进行出售或传播，则需获得我们的许可。引用示例代码或书中内容来解答问题无须获得我们的许可。当将书中很大一部分的示例代码用于你个人的产品文档时，则需要获得我们的许可。
如果你引用了本书的内容并标明版权归属声明，我们对此表示感谢，但这不是必须做的。版权归属声明通常包括标题、作者、出版社和ISBN。
如果你认为你对示例代码的使用已经超出上述范围，或者你对是否需要获得示例代码的授权还不清楚，请随时联系我们：permissions@oreilly.com。
40多年来，O’Reilly Media一直致力于提供技术和商业培训、知识和卓越的见解，以帮助公司取得成功。
我们拥有独一无二的专家和革新者组成的庞大网络，他们通过图书、文章、会议和我们的在线学习平台分享他们的知识和经验。O’Reilly的在线学习平台允许读者按需访问现场培训课程、深入的学习路径、交互式编程环境，以及O’Reilly和200多家其他出版商提供的大量文本和视频资源。更多相关信息请访问O’Reilly官网。
美国：
O’Reilly Media，Inc.
1005 Gravenstein Highway North
Sebastopol，CA 95472
中国：
北京市西城区西直门南大街2号成铭大厦C座807室（100035）
奥莱利技术咨询（北京）有限公司
欢迎读者对本书提出意见或指出技术问题，请发送电子邮件至errata@oreilly.com.cn。
若要获取有关我们的图书、课程、会议和新闻的更多信息，请访问O’Reilly官网。
决定写这本书并非一时兴起。我发现业界缺乏基于ML模型构建主要金融风险管理模型的资料。本书致力于将ML应用于金融风险管理问题。我希望通过本书从各个角度为模型提供理论、经验、方法以及可复制的代码。当我与O’Reilly的Michelle Smith分享这个想法时，Michelle深表赞同并不断地鼓励我写作。Michelle对本书的完成充满信心，并一路支持我，对此我非常感激。
每当完成新的章节，我就马上与我的编辑Michele Cronin沟通。此外，我们每周还会进行一次内容丰富而有趣的交流，从而保证我一直走在正确的道路上，并得到从编辑视角出发的指导观点。随着章节写作的不断进展，每一章都有新的挑战，需要我夜以继日地应对。这导致我越来越疲惫，越来越难以发现错别字和其他类型的错误。这正是技术审稿人发挥宝贵作用的地方。在此我非常感谢本书的技术审稿人Mehmet Benturk、Hariom Tatsat、Isaac Rhea、Dimitri Bianco、McKlayne Marshall和Michael Shearer，感谢他们为本书所付出的努力。
另外，我还要感谢Danny Elfanbaum和Randy Balaban在文本一致性方面的复核。在经历了漫长曲折的一年后，我终于完成了枯燥乏味但又激动人心的人生里程碑，希望本书能为那些希望学习金融领域ML的人指明道路。
在此向那些为本书做出贡献的人表达我最深切的谢意。
作者
2007年，没有人会想到，风险管理会在未来8年发生巨大变化。人们很自然地认为未来10年风险管理的变化会更小。但是，我们认为，实际情况恰恰相反。
——Harle、Havas和Samandari
风险管理是一个不断演变的过程。不断演变这一点是不可避免的，因为随着时间的推移，不经过演变，以往的实践将跟不上社会最新发展，无法在危机到来之前将风险检测出来。因此，关注风险管理的最新结构性变化是十分重要的。这些变化意味着需要重新定义风险管理的组成部分和工具，而这正是本书的主题。
传统的金融实证研究非常注重统计推断。例如计量经济学模型就是建立在统计推断的基础上的。这类模型重点研究基础数据的结构、生成过程和变量之间的关系。然而，ML模型与之不同，它不再研究这些，而是直接给出预测（Lommers、El Harzli和Kim，2021）。ML模型以数据为中心，以预测的准确性为导向。
另外，数据的稀缺性和不可用性一直是金融领域的问题，计量经济学模型表现并不优秀，而ML模型表现得更好。
在详细讨论相关工具和技术之前，我们先介绍一下本书会用到的相关概念。这些概念包括什么是风险、收益、风险管理、风险的类型以及其他与风险管理相关的知识。
风险总是存在的，由于它的抽象性，理解和评估它有点困难。风险可能是意料之内或意料之外的。意料之内的风险是可预估的，但意料之外的风险几乎无法预先计算和评估，所以可能是毁灭性的。
从金融的角度看，风险指的是组织可能面临的潜在损失或不确定事件。Alexander J. McNeil、Rüdiger Frey和Paul Embrechts合著的Quantitative Risk Management: Concepts, Techniques and Tools[1]一书中是这样定义风险的：
[1] 译者注：ISBN 9780691166278。
任何可能对一个组织实现其目标和执行其战略的能力产生不利影响的事件或行为，也可以表达为，任何可能带来可量化或不可量化的损失或导致收益低于预期的事件或行为。
以上定义着重于风险的负面性，即风险的发生会增加组织的成本，但需要注意的是，所增加的成本并非恒定值。例如，如果风险是意料之内的，那么该风险发生时给组织增加的成本就会比意料之外的风险增加的成本更低（甚至可以忽略不计）。
所有金融投资都是为了获得利润，即收益（Return），又称回报。更严谨地说，收益是指在一段时期内投资所获得的利润。
风险和收益之间存在这样一种权衡：假设的风险越高，实现的收益就越大。由于在这方面很难得出最佳解决方案，所以这种权衡是金融学中最具争议的问题之一。然而，Markowitz（1952）对这个问题提出了一个直观的、令人兴奋的解决方案。他定义风险的方式精致、清晰，从而改变了金融研究的格局，因为在此之前对风险的定义是模糊不清的。Markowitz用标准差
来量化风险。这个直观的定义使研究人员能够在金融领域中运用数学和统计学。该标准差定义如下（Hull，2012）：
其中，R和
分别指的是年收益率和预期收益（又称期望收益）。本书将在多处使用符号
来表示预期收益。涉及投资组合方差时，引入协方差，公式变为：
其中，w表示权重，
表示方差，Cov表示协方差。
取得方差平方根后，得到投资组合标准差为：
换句话说，投资组合预期收益是个体收益的加权平均值，表示为：
接下来，将通过可视化来探索风险和收益的关系。我们将使用Python构建一个假定的投资组合以计算必要的统计值：
In [1]: import statsmodels.api as sm
import numpy as np
import plotly.graph_objs as go
import matplotlib.pyplot as plt
import plotly
import warnings
warnings.filterwarnings('ignore')
In [2]: n_assets = 5❶
n_simulation = 500 ❷
In [3]: returns = np.random.randn(n_assets, n_simulation) ❸
In [4]: rand = np.random.rand(n_assets) ❹
weights = rand/sum(rand) ❺
def port_return(returns):
rets = np.mean(returns, axis=1)
cov = np.cov(rets.T, aweights=weights, ddof=1)
portfolio_returns = np.dot(weights, rets.T)
portfolio_std_dev = np.sqrt(np.dot(weights, np.dot(cov, weights)))
return portfolio_returns, portfolio_std_dev ❻
In [5]: portfolio_returns, portfolio_std_dev = port_return(returns) ❼
In [6]: print(portfolio_returns)
print(portfolio_std_dev) ❽
0.012968706503879782
0.023769932556585847
In [7]: portfolio = np.array([port_return(np.random.randn(n_assets, i))
for i in range(1, 101)]) ❾
In [8]: best_fit = sm.OLS(portfolio[:, 1], sm.add_constant(portfolio[:, 0]))\
.fit().fittedvalues ❿
In [9]: fig = go.Figure()
fig.add_trace(go.Scatter(name='Risk-Return Relationship',
x=portfolio[:, 0],
y=portfolio[:, 1], mode='markers'))
fig.add_trace(go.Scatter(name='Best Fit Line',
x=portfolio[:, 0],
y=best_fit, mode='lines'))
fig.update_layout(xaxis_title = 'Return',
yaxis_title = 'Standard Deviation',
width=900, height=470)
fig.show() ⓫❶ 指定资产数量。
❷ 指定模拟次数。
❸ 随机生成正态分布样本用作收益。
❹ 生成随机数并用于计算权重。
❺ 计算权重。
❻ 用于计算投资组合预期收益和标准差的函数。
❼ 调用函数的结果。
❽ 输出投资组合预期收益和标准差的结果。
❾ 重新运行函数100次。
❿ 通过线性回归绘制最佳拟合线。
⓫ 绘制交互式图表。
上述Python代码所生成的图表如图1-1所示，证实了风险和收益是相关的，但这种相关性的具体大小取决于个股和金融市场状况[2]。
[2] 译者注：代码使用了随机数，所以读者运行代码的结果可能与图1-1不一致，但是原理是一样的。
图1-1 风险和收益的关系
金融风险管理是指处理金融市场带来的不确定性的过程，包括评估组织所面临的金融风险，并制定符合组织内部事项优先级和政策的管理策略（Horcher，2011）。
由于每个组织所面临的风险类型都不同，所以每个组织处理风险的方式是其特有的，并不通用。每个组织都应该对风险进行评估并采取必要的措施。然而，这并不意味着，一旦识别出风险，就需要尽一切可能降低它。
风险管理并非要不惜一切代价降低风险。因为降低风险可能需要付出成本、牺牲收益，虽然这在一定程度上是可以容忍的。在降低风险的同时实现利润最大化应该是一项很有技巧但是明确需要的任务。
尽管每个组织处理风险的方式是其特有的，并不通用，但是在框架层面，还是存在如下通用框架。
1．忽略（Ignore）所有风险：在这种策略中，组织愿意接受所有风险及其导致的后果，将什么都不做。
2．转移（Transfer）风险：组织将通过对冲或其他方式将风险转移给第三方。
3．降低（Mitigate）风险：组织将制定降低风险的策略，部分原因是风险的有害影响可能被认为是无法承受的或者超过了它所附带的收益，甚至两者皆有。
4．接受（Accept）风险：组织将制定接受风险的策略，他们会正确识别风险并认可风险的收益。当假设承担某些活动产生的风险可以给股东带来足够价值时，可以选择这种策略。
将金融组织在其业务中面临的各种风险分类，可以更容易识别和评估风险。主要的金融风险类型包括市场风险、信用风险、流动性风险和运营风险。虽然金融风险类型不止以上几种，但是本书只关注以上几种主要类型。现在我们来了解一下这些风险类型。
市场风险（Market Risk）是由于金融市场变化而产生的。例如，利率上升可能会严重影响一个拥有空头头寸的公司。
第二个例子是关于市场风险的另一个来源：汇率。一家商品以美元计价的国际贸易公司，将高度暴露在美元汇率变化的市场风险之下。
商品价格的任何变化都可能对组织的财务可持续性构成威胁。有许多基本面因素对商品价格都有直接影响，包括市场参与者、运输成本等。
信用风险（Credit Risk）是最普遍的风险之一。当交易的另一方不能履行债务时，它就会出现。例如，如果借款人无法支付款项，就会产生信用风险。信用评级的恶化也是信用风险的一个来源，因为它可能会导致组织所拥有的证券市值减少（Horcher，2011）。
流动性风险（Liquidity Risk）以前一直被忽视，一直到2008年金融危机爆发，金融市场受到重创后，流动性风险才受到重视。从那时起，对流动性风险的研究力度加强了。流动性风险包括交易流动性风险和融资流动性风险。交易流动性风险是指投资者交易的速度和容易程度。融资流动性风险是指筹集现金或通过信贷为组织运营融资的能力。如果组织不能在短时间内将其资产变现，就存在流动性风险，这对组织的财务管理和声誉是相当不利的。
管理运营风险（Operational Risk）并非一项明确的、可预见的任务。由于运营风险的错综复杂和内部特性，它会占用组织大量资源，并且组织会面临如下问题。
● 金融组织如何做好风险管理的工作？
● 组织是否为这项任务分配了必要的资源？
● 风险对组织可持续发展的重要性是否得到正确测量？
顾名思义，当外部事件或组织内部操作对该组织的日常运作、盈利能力或可持续性构成威胁时，就会产生运营风险。运营风险包括欺诈性活动、未遵守法规或内部流程、缺乏培训造成的损失等。
那么，如果组织暴露在一个或多个这样的风险中，并且没有准备好应对方案，会产生什么后果呢？虽然这种情况并不经常发生，但历史事件告诉我们：组织可能会违约并陷入严重的财务危机。
风险管理有多重要？这个问题之大，大到可以用几百页的篇幅来描述。风险管理在金融机构中的兴起这一事实本身就说明了这个问题的重要性。例如，2008年的金融危机被定性为“风险管理的巨大失败”（Buchholtz和Wiggins，2019），尽管这个实例真的只是冰山一角。风险管理方面的众多失败最终会导致严重的财务危机。为了理解这一点，我们需要挖掘过去金融风险管理失败导致严重财务危机的真实案例。下面就从著名的长期资本管理（Long-Term Capital Management，LTCM）公司破产展开叙述。
LTCM公司由一流的学者和从业人员组成，包括华尔街“债务套利之父”约翰·梅里韦瑟（John Meriwether）、以跨时代的期权定价模型而荣膺1997年诺贝尔经济学奖的罗伯特·默顿（Robert Merton）和迈论·斯科尔斯（Myron Scholes）两位大师以及美国前联邦储备委员会（简称美联储）副主席戴维·马林斯（David Mullins）。这令LTCM公司能够融资超过10亿美元进入市场开始交易。到1998年，LTCM公司控制的投资组合价值已超过1000亿美元，净资产价值约40亿美元，LTCM公司大量投资于一些新兴市场，包括某国。最终某国的债务违约深深影响了LTCM公司的投资组合，由于市场上投资者趋利避害的羊群行为，很多投资者进行了安全投资转移[3]，LTCM公司受到了严重打击，最终破产[4]（Bloomfield，2003）。
[3] 安全投资转移是指在金融市场存在不明朗因素的情况下，投资者将资金从股票等风险资产转移到政府发行的债券等较安全的资产。
[4] 译者注：这个真实案例有名到只需要搜索“LTCM”或“长期资本管理公司”即可看到一堆文章。
Metallgesellschaft（MG）是一家由于糟糕的金融风险管理而出现严重财务危机的公司。MG公司主要经营天然气和石油相关业务。由于没有管理好流动性风险，MG公司在天然气和石油价格大幅下跌后需要大量资金平仓，最终导致损失约15亿美元[5]。
[5] 译者注：搜索关键词“MG流动性”。
Amaranth基金是一家因大量投资单一市场并错误判断这些投资所带来的风险而破产的对冲基金公司。该公司在2006年8月所管理资产还高达92.5亿美元，但由于没有管理好风险，于2006年9月因天然气期货和期权下跌而最终破产。Amaranth基金公司的破产有众多原因，其中之一就是其风险模型对风险的误判[6]（Chincarini，2008）。
[6] 译者注：搜索关键词“Amaranth基金 破产”。
René M. Stulz在论文“Risk Management Failures: What Are They and When Do They Happen?”中总结了以下可能导致财务危机的主要风险管理失误。
● 对已知风险的误判。
● 未能考虑到的风险。
● 未能与高层管理人员沟通的风险。
● 未能监控风险。
● 未能管理风险。
● 未能使用正确的风险指标。
因此，金融危机不是导致组织和监管机构重新构想其金融风险管理的唯一事件。实际上，它是压垮骆驼的最后一根稻草。金融危机过后，组织和监管机构都吸取教训并改进流程。这导致了金融风险管理的兴起。
现代金融理论的主要组成部分——完全理性的决策者假设，虽然在理论上很直观、很容易理解，但是过于完美而无法实现。因此，行为经济学家抨击了这一观点，认为人们做决策并非总是理性的，很多时候决策就像平常说话一样随便，心理学在决策过程中起着关键作用：
做决策就像平常说话一样，无论有意还是无意，人们每时每刻都在做着这些事。这实在没什么好惊讶的，而决策的主题涉及各个方面，从数学、统计学，到经济学、政治学以及社会学和心理学[7]。
——丹尼尔·卡尼曼和阿莫斯·特沃斯基
[7] 译者注：此处内容并非译者翻译，直接引用《选择、价值与决策》一书的观点。
完全理性的决策者假设无法实现的另一个原因是信息不对称对融资成本和组织估值的影响很大，因此信息不对称和金融风险管理是相辅相成的。也就是说，组织资产估值的不确定性可能会提高借贷成本，从而对组织的可持续性构成威胁。
可见，我们必须从人类的本能去思考那些导致市场失灵的因素。其中，逆向选择和道德风险是导致市场失灵的两个明显因素。
逆向选择是信息不对称的一种，其中一方试图利用其信息优势占取另一方的便宜。当卖家比买家更了解产品情况时，就会出现这种情况。这种现象称为“柠檬市场”，即次品市场（柠檬在美国俚语中指“残次品”或“不中用的东西”），又称阿克洛夫模型，因为是著名经济学家乔治·阿克洛夫在其论文“The Market for Lemons”中提出的。
阿克洛夫在其论文中假设了一个劣质和优质汽车都有的市场，即使卖家说得天花乱坠，买家也不太相信卖家的话，因为他们知道很可能会购买到劣质车，。买家唯一的办法就是压低价格以避免信息不对称所带来的损失风险。买家提出的过低的价格也使卖家不愿意提供高质量的产品，从而导致低质品充斥市场，高质品被逐出市场，最终导致整个市场萎缩。
由于逆向选择的复杂性和不透明性，金融危机前的抵押贷款市场是用于讲解逆向选择的一个很好的例子。借款人比贷款人更了解他们的支付意愿和能力。金融风险是通过贷款的证券化（即基于抵押贷款的证券产品）产生的。从那时起，信息越来越不对称，最终导致整个市场像前面例子中的汽车市场一样萎缩崩溃[8]。
[8] 译者注：这个说法虽然不严谨，但是从某个角度讲，还是有道理的。
现在，我们用Python对逆向选择进行建模。由于在保险行业很容易观察到逆向选择，所以将以保险行业为例建模逆向选择。
我们假设消费者效用函数为：
其中，x表示收入，希腊字母γ对应后面代码中的gamma（In [11]）。
消费者效用函数是一种用来表示消费者对商品和服务偏好的工具，它与风险厌恶者和风险喜好者相关[9]。
[9] 译者注：搜索关键词“效用函数与风险厌恶”，了解相关信息。
我们将从均匀分布中随机采样（In [12]）。
我们假设收入为2美元，出事故后出险成本为1.5美元（In [14]）。
最后，定义保险供给和保险需求函数（In [15]和In [16]）：
In [10]: import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn')
In [11]: def utility(x):
return(np.exp(x ** gamma)) ❶
In [12]: pi = np.random.uniform(0,1,20)
pi = np.sort(pi) ❷
In [13]: print('The highest three probability of losses are {}'
.format(pi[-3:])) ❸
The highest three probability of losses are [0.834261 0.93542452
0.97721866]
In [14]: y = 2
c = 1.5
Q = 5
D = 0.01
gamma = 0.4
In [15]: def supply(Q):
return(np.mean(pi[-Q:]) * c) ❹
In [16]: def demand(D):
return(np.sum(utility(y - D) > pi * utility(y - c) + (1 - pi)
* utility(y))) ❺
In [17]: plt.figure()
plt.plot([demand(i) for i in np.arange(0, 1.9, 0.02)],
np.arange(0, 1.9, 0.02),
'r', label='insurance demand')
plt.plot(range(1,21), [supply(j) for j in range(1,21)],
'g', label='insurance supply')
plt.ylabel("Average Cost")
plt.xlabel("Number of People")
plt.legend()
plt.show()❶ 定义消费者效用函数。
❷ 从均匀分布中随机采样。
❸ 选择最后3个样本。
❹ 定义保险供给函数。
❺ 定义保险需求函数。
结果如图1-2所示[10]。我们可以看到，供求两条曲线都是向下倾斜的，这体现了信息不对称会导致保险市场像前面例子中的汽车市场一样，价格不断降低，市场逐渐萎缩[11]。
[10] 译者注：代码使用了随机数，所以读者的代码运行结果可能与图1-2不一致，但是原理是一样的。
[11] 译者注：这个说法不严谨，但是实现了用最少代码量和篇幅讲解逆向选择的目的。
图1-2 逆向选择
除了逆向选择，另一个因素是道德风险。道德风险和逆向选择一样，其根本原因都是信息不对称。我们可以从信贷市场上找到一个简单的例子：假设实体A向银行B申请贷款用于银行B认为可行的项目，但是实体A将这笔贷款用于支付银行C的信贷债务，而没有事先通知银行B，这就会产生道德风险。从这个例子可以看到，由于信息不对称，银行可能会遇到道德风险，从而降低银行的贷款欲望，这也是银行在信贷配置过程中不得不投入大量人力的原因之一。
本章介绍了金融风险管理的主要概念，目的是确保我们有相同的认知，因为这些术语和概念将在本书中频繁使用。另外还介绍了信息不对称。
第2章我们将讨论时间序列建模，这是金融分析的主要支柱之一，因为大多数金融数据都具有时间维度。
本章引用的文章：
● The Market for Lemons: Quality Uncertainty and the Market Mechanism
● Lessons Learned: Thomas C.Baxter, Jr., Esq
● A Case Study on Risk Management: Lessons from the Collapse of Amaranth Advisors Llc
● Corporate Incentives for Hedging and Hedge Accounting
● Risk Management: Coordinating Corporate Investment and Financing Policies
● Choices, Values, and Frames. American Psychological Association
● Confronting Machine Learning With Financial Research
● Portfolio Selection
● Risk Management Failures: What Are They and When Do They Happen?
本章引用的图书：
● Theory and Practice of Corporate Governance: An Integrated Approach
● Essentials of Financial Risk Management
● Risk Management and Financial Institutions
● Quantitative Risk Management: Concepts, Techniques and Tools
● The Future of Bank Risk Management
