财联社10月29日讯 多资产交易对金融机构的风险管理提出了全新需求，风控的框架与流程正在被重塑，时延要求以及科技运用等话题引发了广泛思考。

陆家嘴金融沙龙2026年第38期于10月23日圆满举办，本期沙龙以“交易与多资产的风险管理新范式”为主题，与会嘉宾深入探讨了多资产风险管理的理念与经验。

让风险管理从一张事后报表，变为投资管理全流程的能力

DolphinDB研发产品部风险专家朱钰哲在演讲中分享了该公司多资产风险管理平台的建设思路与能力框架。

朱钰哲表示，平台要帮助用户回答六个问题：市场处于什么状态，组合构成如何，风险有多少、从哪里来，情景变化与组合调整有何影响，风险如何随时间演变，以及如何满足FRTB（交易账户基本审查）等监管要求。

“这要求平台对股票、利率、汇率等风险因子进行抽象并计算收益率，支持多维穿透、风险价值与预期损失计量、压力测试与What-if分析，并将每日指标落库，用于模型回测与改进。” 朱钰哲指出，风控系统容易建设成为独立封闭的大型系统，但风险管理是多资产管理链条的一环，须与投研、交易、结算打通，数据统一与定价一致是首要挑战。

朱钰哲介绍，DolphinDB平台自下而上分为数据层、计算层与应用层。数据层基于DolphinDB多模态存储引擎，以分布式存储与流批一体支撑海量数据处理与全系统计算。计算层让计算与数据同处一地，估值引擎支持曲线曲面构建与敏感度分析；其上构建市场风险引擎，提供历史模拟、蒙特卡洛等标准模型，再向上支持情景分析与压力测试。模块化设计使标准计算开箱即用，特殊需求可自由组合，单个模块可替换，机构自研模型因而得以接入。

在演示中，朱钰哲展示了平台因子相关性热力图、组合净敞口与毛敞口以及多维风险视图。历史模拟与蒙特卡洛两种风险模型结果并列呈现，可相互印证，明显背离本身即是特殊状况的信号。针对风险价值与预期损失在资产维度不可加的问题，平台提供成分指标变种，保证资产层面严格可加。重要参数与中间结果保持透明，支持版本控制与落库，使系统可回溯、可审计。

朱钰哲表示，下一步将丰富风险模型，逐步支持FRTB、FICC绩效归因、CVA/XVA等场景。

“希望让风险从一张事后报表，变成支撑投资管理全流程的整合能力，做到统一可控、清晰透明、灵活高效。” 朱钰哲总结道。

中央对手——交易对手信用风险管家

上海清算所风险管理部副总经理郭渝围绕中央对手清算及其风险管理作主题分享。

郭渝介绍，上海清算所成立于2009年，是我国落实G20匹兹堡峰会改革承诺的标志性成果，是金融危机后全球第二家、亚洲第一家新设的中央对手方（CCP），也是中国银行间市场唯一的中央对手清算机构。其集中清算业务涵盖债券、利率互换、外汇、CDS等除权益外的所有资产大类，2026年上半年清算规模达470万亿元，其中承担风险的中央对手清算近160万亿元。

郭渝认为，中央对手清算有三大特征：净额轧差、合约替代与担保交收。雷曼违约后，伦敦清算所用三周完成对冲与拍卖，损失仅由违约者保证金吸收；同期双边机制下的CDS处置造成参与者净损失约52亿美元。

“但中央对手不是灵丹妙药。”郭渝表示，纳斯达克清算所电力期货违约损失消耗了未违约参与者的清算基金，该事件带来的启示在于中央对手应严格落实会员准入、充分考虑相关性极端变化审慎实施组合保证金，以及设置违约处置激励鼓励更多机构参与拍卖。

就中央对手清算的风险管理而言，郭渝认为，其核心目标是实现担保交收，两大支柱是充足的风险资源与高效的违约处置。中央对手以假设违约后的未来暴露计量风险，事前从严做好会员准入与分层清算，事中逐日盯市、计提变动与初始保证金，并以压力测试确定清算基金规模。

在金融科技方面，上海清算所实现估值与风险计量自主可控。郭渝表示，未来需建立中央对手方流动性支持机制，探索人工智能安全应用，并完善错向风险等特异性风险防范。

担保品呈跨资产、跨市场趋势，管理走向统一

中央结算公司担保品中心产品开发部总经理蒲余路围绕风险管理中的担保品管理作主题分享。

蒲余路指出，金融交易的核心是风险对价与风险转移，违约情形下损失如何缓释、敞口如何覆盖，正是担保品管理要回答的问题。担保品管理既是货币政策传导与宏观审慎管理的抓手，也是覆盖风险敞口的基础性制度安排。

蒲余路认为，当前国际担保品管理行业呈现多资产整合的趋势，债券占全球担保品七成以上，机构依托统一平台管理现金、股票、基金等资产。同时，担保品跨市场、跨区域联通增强，去年6月欧元体系担保品管理系统上线，统一近20个成员国央行的本地系统。金融科技正加速渗透，机构已将机器学习用于识别担保品协议条款、优化资产配置。

“这些趋势正推动担保品管理从双边分散走向第三方集中统一。” 蒲余路表示。

针对国内担保品实践情况，蒲余路介绍，中央结算公司承担第三方担保品管理职能，截至9月底，管理担保品余额超37万亿元，服务客户超5000家，是全球最大的债券担保品管理平台。

面对担保品资产日益多元，业务场景不断拓展，跨市场协同需求持续增长的形势，中央结算公司以自主研发的担保品管理系统为基础，持续完善盯市管理、风险监测和数据服务，不断拓展跨资产、跨区域、跨市场的服务场景，逐步形成了以全流程风险管理为基础，以“三跨”协同管理为延伸的实践路径。

展望未来，蒲余路认为担保品管理应以安全为基、以实时为要、以智能为翼。筑牢自主可控的基础设施底座，深化协同互联，提升实时化水平，并推进智能化应用；同时需审慎对待决策责任与算法可解释性等治理问题。

风险评估计量与结果运用不可完全交给AI

在主题为《交易与多资产的风险管理新范式：实时数据、智能模型与信创底座》的圆桌对话环节，与会嘉宾进一步结合自身经验，就困扰多资产风险管理的痛点，以及风控相关基础设施建设等话题，展开讨论。

锐合新创创始人于冰认为，风险管理应覆盖全生命周期管理，从数据接入、验证与标准化处理，到识别、评估、计量与控制落地，每一环都应有模型介入。

“AI的应用应区别对待。”于冰指出，在数据揭示与风险分析环节可大力推广，不必推翻既有流程，而是在其中让大模型与智能体完成“最后一公里”，只在信息或规则不明确时转人工，但评估计量与结果运用仍需较强的人工干预。

今年6月，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，明确“谁使用谁负责”原则，合规风控中的评分确定、豁免等判断，不能完全交由AI完成。

谈及风险信号的实时触发与分级处置，于冰坦言，不少机构的合规管理仍相对滞后。异常交易监控的时效要求，决定了规则与指标不得不相对单薄，往往只能覆盖有限账户群，否则难以做到准实时。时序存储与流计算一体化的平台，是突破这一瓶颈的技术前提。把智能体嵌入流程，还需工具调用、流程编排与模型验证、审计留痕相伴。

于冰以2022年花旗伦敦“乌龙指”事件为例：交易员误将金额录入为数量，一笔交易被拆成329笔订单，硬性拦截仅拦截50余笔；软性拦截因行情缺失失效，数百条预警被手动忽略。此事的教训在于，交易人员不应有权勾销软性拦截，数据缺失时应由AI发出提示并流转至人工处置。

使用模型要了解模型，更要了解市场、了解自己

上海国智技术有限公司首席金融工程师姚忠兵在圆桌讨论中表示，风险模型与估值模型在交易及风险管理链路中如何使用，须依场景判断。

“债券风险定价的模型可以很简单，重点是计算效率与实时性。”姚忠兵介绍，券商做市场景下，每秒需完成数千至数万笔计算；复杂衍生品则须保证模型理论严谨性与估值准确性，更要关注估值参数。曲线拟合所需的参数往往难以实时获得，数据的准确性与及时性直接决定计算结果。

谈及实时性与计算精度的权衡，他表示，随着风险传导加快，风险的监控、报告与处置必须做到接近实时。为此，一是横向扩展，对流动性高的国债定价等高精度场景要求采用部署多台机器同时计算；二是纵向优化，对衍生品的蒙特卡洛算法中复杂路径计算逐步进行性能优化。

姚忠兵认为，挑战在于算力与程序架构，还在于境内机构普遍存在的交易仓位分散在多个平台，难以实时传入统一联合风控系统。

对于如何通过交易结果、风险预测与实际损失的对比判断模型是否仍然有效，姚忠兵指出，模型评估要计算上百个指标，需要把这上百个指标与自身的风险偏好、承受能力和能力禀赋联系起来。简单等权加总，并不能真实反映各项风险的承受能力。

“在判断能力没有优势的情况下，交易越频繁，亏损概率反而越高。”姚忠兵指出，因此要结合资金属性、收益预期与自身能力禀赋，设定权重矩阵或构建合成模型，把上百个指标汇总，最终决定是否启用。这个过程，要了解自己、了解市场、了解模型。

保险资金风控要看资产与负债的联动

预远科技创始人兼CEO于扬以精算师视角，分享了保险资金、养老金等长期资金事前风险评估的特殊性。

于扬指出，保险资金久期长、结构多元，且背负长期负债，风险视角不能局限于单一资产或组合，而要看资产与负债联动下对资产负债表、净利润与偿付能力的影响。

“常被误用的‘股债双杀’对长期寿险公司并非最不利情景。”于扬表示，真正最不利的是股价下跌叠加利率下行，利率下行推高负债现值，股票下跌使资产端缩水，净资产与偿付能力同时承压。

于扬强调，多资产组合还须关注长尾极端风险。系统性危机爆发时，相关性假设失效，各类资产同步下跌，模型随之失真。最务实的方式是多情景、多元化的压力测试。

金融监管总局近期下发的《保险公司资产负债管理办法》已提出硬性要求，须定期开展多维度压力测试与反向压力测试，覆盖系统性风险、特定风险及其组合，形成“3×2”矩阵。

针对是否需要对短期市场波动进行干预这一问题，于扬认为应当区分两类情形：触及监管硬性约束的，如流动性冲击、偿付能力逼近红线、单一资产触及限额等情况，一旦触发必须调仓，这是风险管控底线；尚未触碰监管底线，仅出现指标预警信号的，则需要统筹风险管理与商业决策，难点在于判断下跌源于短期流动性、市场情绪，还是商业逻辑乃至范式的变化。

数据怎么整合要看场景，端到端时延才是关键

DolphinDB创始人兼CEO周小华就交易前的数据整合与实时风控的时延瓶颈分享了看法。

“先看场景，再定架构。”周小华认为，交易前风险计算环节的数据整合模式，取决于业务场景以及时延指标要求。

事前限额检查对时延要求较高，通常先汇聚持仓、行情与风险因子，再通过增量计算快速评估指标，据此判断是否合规。跨资产分析、历史查询等业务对时延敏感度较低，无需强行聚合数据，采用联邦式分布式查询汇总即可，虽时效性相对偏低，但能够大幅降低数据迁移与同步的高昂成本。

谈及实时风控架构中最易被低估的延迟开销，周小华指出，业界常以为算法决定时延，实则风控指标本身相对简单成熟，计算往往只需数纳秒。真正耗时的是三处：数据格式转换与处理，不同系统衔接耗时甚多；跨进程与跨网络传输；以及内核中的状态维护——风控无法每次全量计算，须维护中间状态，而生产系统要求高可用，状态需在多节点同步，成本与时延俱高。

“因此，低延时本质是取舍，极致时延可能要把计算汇聚到同一进程，甚至放弃高可用。”周小华表示，DolphinDB在极端场景下提供多种增量计算方法，以压缩链路时延。他强调，衡量风控时延不能只看风险计量本身，更应关注从行情接入、订单处理、指标计算、风险拦截到持仓更新的端到端时延。

对于事后复盘，周小华指出，客户亏损复盘时常发现盘中结论与事后重算不一致，此时先要厘清：复盘所用行情与当时接收的是否同一行情——数字未变，但送达可能已滞后；以及参数是否一致。

DolphinDB会记录决策时点的全部情况，包括行情、参数与软件版本。周小华表示，由于时序数据库记录的是整个过程而非终点状态，每份数据标识随时间的变化都被留存，可复原当时状态逐项比对。只有数据完全一致而结果仍存在差异时，才归因于系统缺陷。

多资产风控的关键是全球风险因子模型

当被问及金融机构在风险管理中最容易出现哪些问题时，上海交通大学上海高级金融学院实践教授李祥林的回答是“准备尚不充分”。

他回顾，2008年金融危机前市场流动性充裕、产品不断创新，最终倒下的几家机构未必是清偿能力问题，问题多出在流动性上，是“意想不到的事情”没有被研究。

李祥林指出，国内风险管理的短板与海外不同，很多是基础性问题。较为典型的是治理问题，其次是方法问题，即如何把各类模型与数据统一到一个平台上。在他看来，长期低利率对银行与保险公司都是重大风险。压力测试应当是动态的，应考察情景持续演进的影响，而非某一时点的价格波动。

对于多资产风控如何从事后分析转向实时、前瞻的控制，李祥林认为，核心难题是资产之间的相关性。

“金融危机之后，业界一直在思考风险如何从宏观传导至中观，再落到资产负债表的每一个科目，美国的压力测试正是沿着这条路径展开。” 李祥林介绍，国际上成熟的多资产管理平台，背后最关键的技术是全球风险因子模型。

“国内多家机构提出建设‘中国版阿拉丁’，却鲜有人谈及全球资产风险模型。”李祥林表示，缺少这一模型，即便管理一个债券组合，连一级分析都难以完成——债券价格同时受利率、利差、信用质量与时间因素影响，必须置于统一模型之中。他强调，在关注技术之前，首先要厘清分析框架。

“陆家嘴金融沙龙”由上海市委金融办、浦东新区人民政府指导，陆家嘴金融沙龙秘书处主办，第一财经、财联社提供媒体支持。该系列活动将构建与“陆家嘴论坛”相呼应的常态化交流平台，通过机制化、场景化、国际化运作，持续输出金融改革“浦东智慧”，深度赋能浦东经济高质量发展，全力助推上海国际金融中心核心区建设迈向新高度。