Разработка AI-системы управления рисками портфеля

Разработка AI-системы управления рисками портфеля

Управление рисками портфеля — это не только остановить убытки. Это система принятия решений: какие риски взять сознательно, какие хеджировать, где ограничить позицию. AI добавляет к классической теории риск-менеджмента динамическую адаптацию к рыночным режимам и нелинейные взаимозависимости.

Классификация рисков портфеля

Market Risk (рыночный риск):

• Directional: потери от движения цен (equity beta, duration)
• Volatility: потери от изменения волатильности (vega)
• Correlation: потери при breakdown корреляций

Credit Risk (кредитный риск):

• Default risk: дефолт эмитента
• Downgrade risk: снижение рейтинга
• Spread risk: расширение кредитных спредов

Liquidity Risk:

• Market liquidity: невозможность продать по приемлемой цене
• Funding liquidity: margin call при недостатке ликвидности

Operational Risk:

• Model risk: ошибки в модели оценки
• Execution risk: слипаж, отказ системы

VaR и его расширения

Historical Simulation VaR:

def historical_var(portfolio_returns, confidence=0.95, horizon=1):
    """
    95% VaR: в 95% дней потери не превысят это значение
    """
    return -np.percentile(portfolio_returns, (1 - confidence) * 100)

var_95 = historical_var(daily_pnl, confidence=0.95)
print(f"95% 1-day VaR: {var_95:.2%}")

Monte Carlo VaR: Генерация сценариев с учётом корреляций и fat tails (Student-t, copula).

CVaR / Expected Shortfall (ES): Математическое ожидание потерь при условии, что VaR превышен. Требование Basel III.

def cvar(returns, confidence=0.95):
    var = historical_var(returns, confidence)
    tail_returns = returns[returns < -var]
    return -tail_returns.mean()

Filtered Historical Simulation: VaR адаптируется к текущей волатильности. GARCH-volatility scaling:

Scaled_Return(t) = Historical_Return(i) × (σ_current / σ_historical(i))

Factor Risk модель

Decomposition портфельного риска по факторам:

Barra-стиль факторный анализ:

Portfolio_Return = Σ (weight_i × return_i)
                 = Σ (weight_i × Σ β_if × factor_f) + Σ (weight_i × ε_i)
                 = Factor_Return + Idiosyncratic_Return

Факторы для equity портфеля:

• Market Beta: exposure к рыночному движению
• Size (SMB): small vs. large cap
• Value (HML): P/B ratio
• Momentum: 12-1 month momentum
• Quality: ROE, debt/equity
• Volatility: realized vol factor

Contribution to risk:

def factor_risk_decomposition(weights, factor_returns, factor_loadings, residual_cov):
    # Portfolio факторное exposure
    portfolio_factors = weights @ factor_loadings  # shape: [n_factors]

    # Factor covariance matrix (обычно из Barra, MSCI Axioma)
    factor_variance = portfolio_factors @ factor_cov @ portfolio_factors

    # Idiosyncratic variance
    idio_variance = weights @ residual_cov @ weights

    total_variance = factor_variance + idio_variance
    return {
        'factor_risk_pct': factor_variance / total_variance,
        'idio_risk_pct': idio_variance / total_variance
    }

Dynamic Risk Management с AI

Volatility Targeting: Целевая волатильность портфеля X%. При росте realized vol выше X% — снижение позиций:

target_vol = 0.10  # 10% annualized
realized_vol = portfolio_returns.rolling(63).std() * np.sqrt(252)
scale_factor = target_vol / realized_vol
positions = base_positions * scale_factor.clip(0.5, 2.0)

Regime-Conditional Risk:

• Expansionary regime (low VIX, positive macro): max risk budget
• Risk-off regime (high VIX, inverted curve): 50% risk budget
• Crisis regime (VIX > 35, credit spread widening): 25% risk budget

Tail Risk Hedging: AI-система идентифицирует cost-effective хеджи:

• Put options на портфель: volatility surface анализ для нахождения underpriced protection
• CDS: хедж credit risk через credit default swaps
• VIX calls: positive correlation с portfolio losses при crash

Correlation и Copula моделирование

В кризисах корреляции резко растут: все активы падают вместе. Нормальная Gaussian copula занижает это risk.

Dynamic Conditional Correlation (DCC):

# GARCH-DCC: корреляции изменяются со временем
# R_t = D_t^{-1} H_t D_t^{-1}
# где H_t - conditional correlation matrix (DCC process)

t-Copula: лучше захватывает tail dependence — совместные экстремальные движения.

Stress Correlation Matrix: Для stress testing используется correlation matrix из исторических кризисных периодов (2008-09, COVID 2020).

Лимиты и мониторинг

Иерархическая система лимитов:

• Portfolio VaR 95% 1-day: < 1% NAV
• Single position concentration: < 5% NAV
• Sector concentration: < 25% NAV
• Factor exposure (beta): 0.7-1.3
• Drawdown limit (circuit breaker): если drawdown > 10% → уменьшить все позиции на 30%

Real-time мониторинг:

• PnL и VaR обновляются при каждой сделке
• Алерты при приближении к лимитам (80% срабатывает warning)
• Daily risk report: PDF с attribution, exposures, stress tests

Сроки: базовая VaR система с historical simulation и factor decomposition — 6-8 недель. Полноценная система с DCC корреляциями, динамическим risk targeting и automated reporting — 4-5 месяцев.