三起爆雷案揭示风控新范式：AI信号融合重构市场防线

清华金融评论

2026-04-24 17:17发布于北京

文/信达证券风险管理部总经理刘轶，信达证券风险管理部风险管理岗侯露露

2023年硅谷银行48小时内轰然倒塌，2021年Archegos家族办公室以数百亿美元名义风险敞口引爆华尔街多家投行百亿级亏损，2018年广发控股（香港）子公司因衍生品交易巨亏引发行业对跨境风控的深刻反思。三起事件虽分属商业银行、对冲基金、券商跨境业务等领域，但其深层问题高度一致：传统风控体系在宏观周期转换、杠杆隐蔽化、尾部风险非线性传导等情境下，前瞻预警能力显著受限。当前全球金融格局处于“宏观政策周期转向+地缘政治冲突加剧+产业深度变革”三重力量叠加期，资本市场波动加剧，风险跨区域、跨市场、跨资产传导更趋隐蔽。在此背景下，证券行业亟需破解核心命题：如何将风控从事后计量、被动应对升级为事前预判、主动经营？本文紧扣“十五五”时期金融数智化转型与现代化风险治理战略要求，以典型风险事件为镜鉴，剖析传统风控系统性短板，立足证券行业实践，提出“AI赋能的信号融合型市场风险治理框架”，为构建智能化、精准化、协同化的现代金融风控体系，提供行业适配的路径参考与实践方案。

问题识别：三大事件折射传统风控的系统性短板

三起重大风险事件，清晰暴露了传统风控在组织架构、风险计量、监测机制、跨类型管理上的核心缺陷，也是当前证券行业跨境业务、杠杆管控、流动性管理面临的共性挑战。

跨境业务的风险孤岛

广发控股（香港）子公司发行境外挂钩私募股权衍生品，市场大跌后触发巨额补仓，致母公司计提减值近10亿元。事件发生根源并非模型精度不足，而是集团化风控架构存在信息孤岛：境外子公司风险敞口未实时穿透至集团风控中台，母公司对跨境衍生品关键指标存在监管盲区。传统风控依赖定期报表，难以实现跨法人动态风险聚合。在券商“境内+境外、持牌+非持牌、表内+表外”的复杂架构下，风控信号传递存在延迟与衰减，跨境穿透式管控能力不足。

杠杆隐蔽化：对手方与集中度风险失控

Archegos利用总收益互换（TRS）等场外衍生品，在多家经纪商间分散建仓，实际杠杆高企，但单一经纪商仅可见自身敞口，无法掌握整体风险。市场逆转后，多家券商集中强平引发踩踏式抛售，致多家国际投行合计亏损超百亿美元。事件暴露两大缺陷：一是传统杠杆监测局限于单一账户与产品，缺乏跨主体穿透能力；二是压力测试依赖历史情景，难以模拟“多家同时平仓”的非线性连锁反应。传统VaR模型在流动性黑洞场景下，风险捕捉能力明显不足。

风险计量割裂：利率与流动性错配

硅谷银行持有大量长久期美债与MBS，负债端依赖短期活期存款。美联储激进加息引发资产端大幅缩水、负债端存款加速流失，最终形成“资不抵债+流动性枯竭”双重冲击。其核心风控失误在于，利率风险模型未能前瞻性捕捉政策转向的尾部情景，且传统资产负债管理（ALM）与市场风险计量相互割裂，久期缺口、流动性覆盖率等指标分散独立，缺乏串联“宏观情景→利率路径→资产估值→负债行为→流动性冲击”的闭环预警体系。

传统风控的共性局限

三起事件指向共同结论：传统风控体系呈“点状、滞后、单模型”特征。点状管理导致信用、市场、流动性等风险类型相互割裂；滞后监测依赖历史数据回测，难以适配周期突变；单模型计量缺乏交叉验证，对非线性、耦合性风险识别不足。面对宏观周期、市场情绪、杠杆结构、流动性条件相互交织的复杂系统，传统修补式改良难以满足现代风险管理需求，风控体系需从方法论层面重构。

解决方案：AI信号融合重构市场风险治理体系

针对传统风控短板，立足证券行业实践，构建“AI赋能的信号融合型市场风险前瞻体系”，核心是放弃单一最优模型，转向多维度风险信号交叉验证，形成分层架构与闭环机制。

传统风险计量的核心局限

传统工具失效源于三类归因偏差。一是将历史频率等同于未来概率，VaR等模型依赖历史数据，在市场结构突变时参考价值下降，硅谷银行利率风险模型即受此限制。二是将线性相关性等同于风险传导机制，极端行情下相关性剧变，分散化效果弱化，Archegos事件集中抛售即为典型。三是将单一信号等同于充分统计量。单一模型信号易受噪声干扰，即便局部模型运行正常，缺乏全局信号融合仍可能引发风险失控。

信号融合型体系的三层架构

体系由三层互补模型构成，协同实现宏观定位、结构解析、波动捕捉，提升风险预警可靠性。

第一层：多周期宏观信号模型，作为周期相位“定位仪”。以基钦周期、朱格拉周期、库兹涅茨周期等经典周期理论为基础，采用傅里叶变换分解资产价格不同频率的分量，提取核心周期因子拟合外推，判断周期趋势与拐点相位，为风控提供宏观背景，弥补宏观预警缺失——当宏观周期处于下行拐点附近时，即便微观信号表现积极，也应保持谨慎。

第二层：多因子基本面模型，作为资产结构“CT扫描仪”。基于多因子风险理论，匹配估值、盈利、利率、信用等核心驱动因子，运用算法拟合因子暴露与收益关系，拆解资产风险来源与损益结构，其独特价值在于识别宏观与基本面信号背离与结构性矛盾。

第三层：AI量化风险识别模型，作为市场波动“雷达系统”。依托机器学习与深度学习，挖掘日频及高频价格、成交量、资金流数据特征，构建异常波动与尾部风险指标，捕捉传统模型难以刻画的非线性风险模式，提前识别集中平仓、流动性骤紧等隐性风险信号。

三层架构有机统一：宏观层把握趋势方向，因子层解析内在结构，AI层捕捉时序波动与能量特征，共同构建穿越因子噪声、穿透市场迷雾的综合研判体系，通过多维度信号交叉校验，提升风险预警置信度与决策稳定性。

交叉验证与置信度决策

三层模型各自输出独立信号后，进入量化打分与交叉验证环节。按规赋值并计算综合得分，映射至风险共振状态。三类模型同向共振时，对应明确风控等级与操作建议，如同向强烈看多共振时，考虑建议战略增配，重点监控杠杆与集中度等；同向强烈看跌共振时，考虑按高风险等级启动应急预案，严格限制投资敞口。若信号出现冲突，体系将标记置信度降低，转入人工深度研判，保留人机协同空间。避免过度依赖模型，适配高度不确定性场景。

机制落地：从事后处置到主动经营的三道机制防线

以信号融合体系为技术支撑，重构证券行业市场风险管理三道机制防线，将前瞻能力转化为制度化风控行动。

第一道机制防线：极端尾部风险情景工厂

传统压力测试多依托历史事件，隐含“历史最坏即为未来最坏”的局限。依托AI信号融合能力，构建情景工厂，由模型在经济逻辑一致的约束下，对宏观、市场、行为等因子进行组合扰动，批量生成“合理但极端”的未来情景，挖掘无先例的新型风险组合。针对跨境衍生品、场外杠杆业务，可模拟多因素叠加极端情景，检验机构承压能力，突破传统压力测试局限。

第二道机制防线：动态因子敞口与智能限额管理

传统风控的风险限额通常以资产类别或名义本金设定静态限额，无法适配风险因子结构性变化。信号融合体系将风控视角从资产维度转向因子维度，监测组合在宏观周期、基本面、波动率等因子上的敞口，实现限额动态调整。信号共振看跌时自动收窄限额，共振看涨时适度放宽，提升集中度与杠杆管控有效性，防范多机构同步平仓引发的踩踏风险。

第三道机制防线：决策矩阵与操作预案

信号融合体系最终形成“风控决策矩阵”，将综合信号与共振状态对应至具体风控举措，形成多级行动指令，覆盖敞口管理、杠杆管控、应急启动等全场景。市场快速波动阶段，风控决策机构可依据矩阵触发预设预案，提升响应效率，同时形成可追溯决策依据，契合监管穿透式、全流程合规要求。

实践路径：证券行业数智风控转型实施要点

该体系已在部分头部券商风险中台试点，在市场波动中实现有效预警。证券行业推进AI+信号融合风控转型，可重点围绕三条路径落地：

一是数据治理先行。搭建跨法人、跨系统、跨区域的风险数据汇聚平台，统一标准与口径，打通数据壁垒，解决跨境、跨板块信息孤岛问题，保障信号融合的数据基础。

第二，因子库持续迭代。在宏观周期、基本面、量价等核心因子基础上，建立有效性检验机制，剔除数据挖掘产生的伪因子，适时纳入地缘政治、ESG、供应链等新型风险因子，形成人机协同的因子筛选与验证机制。

第三，实时化与人机闭环。推动体系从低频监测向日频乃至实时预警升级，实现模型信号与交易风控阈值直连，形成自动限仓、自动追保的智能闭环。同时保留人工干预接口，在分布不确定性较高、信号冲突等场景下自动触发人工复核，强化专业判断。

结语

广发香港、Archegos、硅谷银行三起重大风险事件，揭示了传统风控的系统性短板。在宏观不确定性常态化背景下，修补式改良难以应对非线性、跨市场风险演化。立足“十五五”金融数智化转型与现代化风险治理战略部署，AI赋能的信号融合型风险治理框架，通过三层交验与三道防线机制重塑，为证券行业提供了从“被动计量”向“主动经营”转型的参考通路。

在这一体系中，AI 是扩展风险认知边界的工具，而非替代人工判断的黑箱，人机协同构筑更具韧性的现代风控范式。风险管理的核心目标，并非精准预测市场波动，而是以数智化手段前置防线、夯实韧性。这一变革即是技术迭代升级，更是风控思维、治理文化与核心能力的深度重塑，为证券行业高质量发展、维护资本市场稳定、筑牢金融安全屏障提供持续支撑。（刘燕、胡瑾烨、李彤对本文亦有贡献。）

来源 | 经作者授权转发

编辑 | 丁开艳

审核丨秦婷

责编 | 兰银帆