银行间交易清算时点的大数据分析与交易对手方选择

银行间交易清算时点的大数据分析与交易对手方选择
2021年04月02日 10:43 用户6314832590

内容提要

基于银行间债市交易清算存在“瓶颈效应”+“尾盘效应”、托管清算跨市场、外生影响因素多等特征,文章指出,可通过细分交易场景、量化交易对手方特征,使用大数据分析构建智能化动态交易对方库,以管理操作风险、提升操作效率。

一、市场特征

(一)“链条式”的场外交易模式

银行间市场总体来说是体量巨大的场外交易市场,大量交易通过机构(产品)间点对点成交,与交易所扁平化的集中清算机制不同,银行间市场清算的背后往往是若干机构(产品)组成的清算链条。链条上的各个节点环环相扣,一个节点操作滞后或失误,将影响后续各个节点清算进度与成败,因此具有显著的“瓶颈效应”。

此外,由于市场交易习惯、从业人员工作节奏趋同,大量交易集中在下午时间成交,后台清算堆积到下午15点30分至16点30分之间集中处理,叠加尾盘潜在的应急交易需求,全市场清算负荷达到日内顶峰,因此具有显著的“尾盘效应”。

如何应对“瓶颈效应”+“尾盘效应”的影响,既对各家机构的交易安全、清算效率提出很高的要求,也给其提升交易精准度、展现差异化竞争力带来机会。

(二)分市场托管、跨市场清算

除了场外交易方式以外,银行间市场另一个特点是“分市场托管、跨市场清算”——银行间债券主要托管在“上清所”和“中债登”。相应地,买卖现券、回购交易都需要对应不同债券类型分别在两个托管场所清算。

除了部分已实现“上清所”和“中债登”DVP互调的机构(产品)以外,资金往往需要在两个托管场所以及托管户之间流转,其中划款指令的发出、审批、操作都涉及到准确性与时效性的问题。特别地,当需要进行应急交易时,合理选择应急交易的清算场所与对手方,可以有效提高应急交易效率,为最终的交易清算争取更多的时间。

(三)外生影响因素众多

1.托管行代理

对资管机构来说,以上提及的后台结算确认、券款清算、资金划拨等节点均需要托管行配合完成。操作指令在资管机构与托管行之间的流转过程中,由于各个托管行的操作习惯、流程要求不一致,难免存在一定操作风险及时间损耗。更重要的是,不同托管行的系统配置、系统化程度不一致,实际上也导致同样的交易清算操作的执行效率千差万别。

2.交易对手行为

场外交易模式下,交易对手也是影响清算效率的重要因素。不同交易对手内部风控要求不一样,如有的机构要求到账才能成交回购或买券交易,有的要求前台成交回购以后才能进行后续交易,不同操作习惯、制度要求、系统化程度都会影响交易询价流程及效率,最终导致清算效率的不同。因此,刻画不同交易对手的画像,针对本方不同组合的情况匹配不同交易对手就显得尤为重要。

3.市场动态变化

上面提到,银行间清算是链条式清算,链条首尾两端往往是银行类机构提供流动性支持。当资金面收紧的时候,银行间融出显著减少,导致清算链条被动延长,各机构前台成交时间也往往被动延后。因此,对不同市场情况进行分类并总结各情境下不同对手的清算表现,构建智能对手库,也是提升清算效率的重要课题。

二、研究方法

得益于交易中心、上清所和中债登的数据接口开放,成交时间、清算时间等交易数据得以标准化地留存,为量化交易场景、研究对手行为提供了数据基础。基于银行间交易清算的复杂性,笔者通过对历史清算时点数据的分析研究,初步尝试将研究成果应用于构建规范的、智能化、个性化的交易对手库。

本研究对每笔历史清算时点数据进行整合梳理,对每个成交时点进行详细分析:首先,根据业务类型细分交易场景,即融资首期、融券到期、+0卖券、+1卖券;然后量化清算效率的各个影响因素,如托管行、交易对手、资金面松紧程度等;最后,结合实际交易经验与业务需要,评估各个节点的量化指标以及各个对手的行为标签,尝试针对每个组合的特点构建个性化、动态的交易对手库。

(一)细分交易场景

融资交易的对手方选择至关重要,不仅关系到资金成本,也关系到日终清算安全。本文将融资首期的研究区分为供给与需求两个角度。

从供给端来看,银行间交易对手种类众多,每个交易对手的交易习惯、清算速度、交易要求迥异,如:有的机构对新产品对手方的审批流程较长、有的机构不接受近期发行的债券作为质押等。从需求端来看,各个组合的质押券类型、杠杆率、托管行清算速度、报送头寸时点、现券交易频率等特征不尽相同。

首先,根据交易对手(供给端)和本方组合(需求端)的特征分别加注标签。然后,通过匹配标签的方式,为每个组合量身定制不同的交易对手库;并通过大量、反复的数据研究与论证,构建动态的交易对手库,针对每个组合自身特点和交易场景智能筛选交易对手,以降低清算失败风险及降低应急交易的频率,从而提升交易服务能力。

研究融券到期、+0卖券、+1卖券场景的核心在于研究回款的时效性和安全性。一方面,通过对历史清算时点数据的筛选与分析,总结各个交易对手清算速度的规律与特点,大致掌握其常规回款时间。另一方面,结合本方组合历史清算时点数据,来判断该笔交易回款能否算作当天可用额度。例如,A对手的历史回款时间较晚,B组合划款速度较慢,则A对手的回款不能算作B组合当天可用头寸;但C组合划款速度较快,则A对手的回款可算作C组合当天可用头寸。通过精细化的量化分析,一方面可以及时预警异常情况,并提早做出相应应急与投资安排;另一方面可以在融出资金、卖券询价时,推荐合适的交易对手,在控制清算风险的前提下,尽可能增加回款资金的使用效率。

(二)市场资金面扰动因素

此外,在实际交易当中,市场资金面的松紧程度往往会对交易对手的清算速度产生较大影响,特别是在资金面紧张的情况下,交易对手清算速度和自身组合的清算速度均会与常规状态下有所不同。因此,在常规市况下,交易对手库研究分析的基础上,对关键时点(月末、季末、年末、缴税期等)交易清算数据作单独分析,并根据资金面紧张时的交易特点和市场行为特点,动态调整特定时点的交易对手库。

三、研究意义及实际应用

清算是整个银行间交易业务的最终环节,清算速度的快慢和清算结果的好坏直接影响到组合头寸安全和机构在行业内的口碑。资管机构作为银行间市场的重要参与方,研究历史清算时点数据构建智能化的交易对手库,一方面可以在微观层面提升市场清算效率;另一方面可以降低操作风险、减少应急资金成本,不断提升服务客户能力。

(一)告别模糊判断、拥抱精准决策

从上述讨论中不难看出,影响银行间清算效率的因素是多方面的。过去,由于缺乏数据储备,往往只能对各个影响因素作出定性分析与判断;并且,当各个因素同时发生变化时,很难清晰定位问题所在,并给出相应处理策略。而现在,随着各个流程节点系统化程度提升、数据接口开放,留存数据量得到了长足提升,通过对历史清算时点数据的梳理、分析、挖掘,可以将各个影响因素进行量化、建模。与过往只能给出笼统的定性分析、主要依赖主观判断的习惯不同,现在可以将流程节点逐一量化,提高了数据可比性与交易精确性。

过去,由于数据与理论的缺失,只能根据对手方类型进行“一刀切”式的类属管理(即简单分类为银行、基金、券商等)。现在借助交易清算时点大数据量化分析,将一个个清算场景与交易对手转换成具体的数字化标签,对同类型的机构作进一步细分,从而动态构建出更精细的交易对手库。

(二)交易对手库筛选的系统化、智能化

依托于强大的数据库支持,系统自动对清算时点数据进行量化分析,自动在日初计算出针对不同业务类型、不同组合的智能交易对手库,且在市场资金面变化时,系统动态调整数据库筛选类型和范围,自动更新日内交易对手库,从而达到实时监控、实时更新、实时推送的目的。在日常交易的实际应用中,交易员便可以根据智能化对手库的筛选结果,在市场上寻求最优质的交易对手,从而提高交易效率,精准定位并匹配组合需求。

除了可以服务于每日实际交易以外,智能化交易对手库的搭建有助于事后对交易对手行为进行复盘,并进行深入全面的研究。依托于每日动态变化的交易对手库数据,可以定期回顾并量化分析交易对手清算特点,包括清算速度变化情况、交易活跃度、与本方合作紧密度等,从而为后续的交易对手选择和维护提供参考,还可以及时发现、解决交易清算中及交易对手管理上的问题。

(三)提升交易效率,提高业务承载能力

智能化的交易对手库可以在很大程度上提高交易员的工作效率。交易员每天需要应对繁重的工作内容,需要在同一时间段同时处理多个事情,常常分身乏术。而对历史清算时点数据进行量化分析继而构建智能交易对手库,实际是将交易员日常交易经验通过数字化的方式总结下来,并用来指导日常交易对手方选择、清算风险控制等重复性工作,从而让交易员有更多的时间和精力做好询价、业务沟通等工作。

随着债券市场的进一步发展,业务量在可预见的未来将会成倍增长,一方面人员配置无法跟着业务量的增长而等量增长,如何提升交易员的人均效能是一个重要的管理课题。另一方面,业务复杂度与日俱增,人工响应速度难以媲美计算机。建立系统化、智能化的交易对手库,可以在业务量增加的同时,由智能对手库分担部分工作、确保交易仍然安全有序进行,从而提高每个交易员的单位效能,并加倍提升团队整体的承载能力。

基于历史清算时点数据量化分析得出的智能交易对手库是交易精细化管理的一次大胆初探,为未来交易的管理与执行提供了一定的借鉴意义——事实上,银行间市场其他业务环节也存在与“选择交易对手”类似的决策节点,这些决策节点长久以来都很大程度地依赖于交易员“模糊”的经验判断。交易量化研究可以推广到其他类似的业务环节——通过分析、总结、验证交易数据,对各个决策场景给出个性化的交易策略,从而发现更为合理高效的交易选择和方式。

作者:王珂、高霓、吴家豪,南方基金

财经自媒体联盟更多自媒体作者

新浪首页 语音播报 相关新闻 返回顶部