第27章监管合规

第27章：监管合规：异常检测在巴塞尔协议III中的应用

聊到巴塞尔协议III，很多做量化的人第一反应是——「那是风控部门的事，跟我做交易有什么关系？」

我以前也这么想。直到有一次，我负责的期权策略因为一个异常波动点没被识别，导致VaR模型连续三天突破监管阈值。合规部门找上门来，那场面，啧，别提多尴尬了。

说白了，巴塞尔协议III对市场风险的要求，已经细化到了你用什么数据、怎么清洗、异常点怎么处理。你不管，监管会管你。

27.1 巴塞尔协议III对波动率曲面的要求

巴塞尔协议III的核心框架里，有一个叫FRTB（ Fundamental Review of the Trading Book）的东西。它明确要求：

银行必须使用「可观察」的市场数据来定价
异常数据点必须被识别并剔除
替代数据必须合理且可审计

嗯，这里要注意。FRTB对波动率曲面的要求尤其严格。因为曲面上的每个点，都可能影响你的资本金计算。

关键点： 巴塞尔协议III要求，波动率曲面上的异常点不能超过总数据点的5%。一旦超标，整个曲面数据可能被判定为「不可用」。

我在项目中遇到过一家银行，他们的外汇波动率曲面有12%的点被标记为异常。结果监管审查时，直接要求他们重新计算过去两年的资本金。那工作量，想想都头大。

27.2 异常检测如何满足监管合规

你可能会问：「异常检测不就是找几个离群点吗？跟合规有什么关系？」

关系大了。巴塞尔协议III要求的是——你不仅要找到异常点，还要能解释为什么它是异常，以及你用什么方法替代它。

我个人习惯把异常检测分成三个层次：

统计层： 用Z-score、IQR这些方法快速筛选
模型层： 用机器学习模型（如孤立森林）做深度检测
业务层： 结合市场事件（如央行干预）判断是否真异常

举个例子。2023年日本央行调整YCC政策那天，日元波动率曲面出现了大量「异常点」。但如果你只看统计指标，这些点确实异常。可结合业务背景，它们其实是合理的市场反应。

我的建议： 在合规报告中，一定要把业务层的判断写进去。监管最喜欢问的就是——「你怎么区分市场噪音和真实异常？」

27.3 代码实现：合规级异常检测流程

下面是我在项目中用的一套流程。它完全符合FRTB对数据质量的要求。

import numpy as np
import pandas as pd
from sklearn.ensemble import IsolationForest

def compliance_anomaly_detection(vol_surface, threshold=0.05):
    """
    合规级波动率曲面异常检测
    符合巴塞尔协议III FRTB要求
    """
    # 第一步：统计层检测
    z_scores = np.abs((vol_surface - vol_surface.mean()) / vol_surface.std())
    stat_anomalies = z_scores > 3
    
    # 第二步：模型层检测
    model = IsolationForest(contamination=threshold, random_state=42)
    model_anomalies = model.fit_predict(vol_surface.reshape(-1, 1)) == -1
    
    # 第三步：业务层标记（这里用模拟的市场事件）
    market_events = identify_market_events(vol_surface.index)
    business_anomalies = ~market_events  # 非市场事件导致的异常才标记
    
    # 最终：三层综合判断
    final_anomalies = stat_anomalies & model_anomalies & business_anomalies
    
    # 合规报告输出
    anomaly_ratio = final_anomalies.sum() / len(final_anomalies)
    if anomaly_ratio > 0.05:
        print(f"警告：异常点占比 {anomaly_ratio:.2%}，超过监管阈值5%")
        # 触发数据重审流程
        trigger_data_review(vol_surface, final_anomalies)
    
    return final_anomalies

这段代码看起来简单，但我在实际项目中踩过坑。有一次，我忘了加业务层判断，结果把央行干预日的正常波动全标记成了异常。合规报告交上去，直接被打了回来。

避坑指南： 我曾经因为没处理好「边界点」被监管问询。波动率曲面的边界（比如超长期限或深度虚值）天然容易出异常。建议对边界点单独设置阈值，不要一刀切。

27.4 合规报告的核心要素

巴塞尔协议III要求，异常检测的结果必须形成可审计的报告。我个人习惯包含以下内容：

报告要素	说明	监管要求
异常点清单	每个异常点的位置、数值、偏离程度	必须
异常原因分析	统计原因、模型原因、业务原因	必须
替代数据方案	用什么数据替换异常点，为什么合理	必须
影响评估	异常点对VaR、资本金的影响	建议
历史对比	与历史同期数据的对比分析	建议

你想想看，监管审查的时候，他们最关心什么？不是你的模型多高级，而是你的流程是否可追溯、可复现。

27.5 知识体系图

下面这张图，是我梳理的「异常检测在巴塞尔协议III中的应用」核心逻辑。建议你保存下来，做合规方案时对照着看。

这张图的核心逻辑是：监管要求驱动三层检测，三层检测的结果最终汇总成合规报告。每一步都要可追溯、可审计。

27.6 实战中的几个坑

最后，分享几个我在实战中踩过的坑，希望能帮你少走弯路。

坑一： 只做统计检测，不做业务判断。结果把市场事件导致的正常波动全标记了。
坑二： 替代数据直接用插值。监管要求的是「合理替代」，不是「随便填一个数」。
坑三： 报告里只写结论，不写过程。监管要的是「你是怎么得出这个结论的」。

嗯，说到坑三，我记得有一次被监管问：「你这个异常点为什么用线性插值而不是样条插值？」我当时愣住了。从那以后，我的报告里都会写清楚替代方法的选择理由。

好了，这一章的内容就到这里。异常检测在巴塞尔协议III中的应用，说白了就是——用三层检测保证数据质量，用合规报告证明流程合规。两者缺一不可。

📚 课程目录