Damian Handzy在核物理学中获得了博士学位，但他说金融市场比质子更难以理解。46名，46，是一家纽约公司成立的投资者分析的联合创始人，主席和首席执行官，该公司成立于1999年，为投资公司提供风险管理软件和服务。从那时起，Handzy在风险管理领域看到了大量的演变，特别是在2008年的金融危机之后，其随意者流动性震荡抓住了许多资产经理平足。
他说，在危机之后，他说，投资公司大大提高了他们的管理风险的方法，这一举措是在世界各地的市场上摇摆不变的摇摆不佳。但全球金融系统的纯粹复杂性意味着在市场参与者可以真正开始理解的情况下，仍有某种方式可以去，因此衡量潜伏在阴影中。
1。你花了很多时间与基金经理交谈。他们现在重点关注的1号风险是多少？
第1个主题是流动风险，有不同的类型。资金的资金与他们的经理捆绑在一起 - 这是客户 - 经理流动性风险。然后，基金管理人员还有两种不同类型的风险：他们有他们的潜在投资的流动性，他们有他们必须管理的投资者的流动性术语。
然后你有液体替代资金。液体ALT这是通过液体市场复制对冲基金的返回，面对典型的对冲基金将面临的风险。目前液体市场仍然存在较少的液体风险;市场上有技术打嗝，市场关闭，有五个小时的无效。这些事情发生了，并且存在风险是否是液体替代资金或它是共同基金。
液体ALT资金面临的特殊风险是他们借助他们的投资者优先流动性术语，与其潜在的投资相比。这是一个令人难以置信的危险地位。当流动性干涸时，这是一个非常快速的事件。这是播放在轮船前面的众所周知的镍。这是一个有量值风险管理的诱饵。
2。今天人们在风险管理方面做出不同的是，而不是2008年金融危机之前？
风险管理空间中的成熟度比2007年和2008年的风险管理更多。我看到人们更深入地探讨了验证，验证和看到缺陷的风险正在评估的方式。这对行业来说非常重要，非常健康。任何依赖一个模型的人获得一个数字值得他们得到的东西。每个人都没有一个工具。
今天，我看到人们做了很多不同类型的压力测试，在哲学中具有更多的复杂性，数学中的复杂程度更少。他们理解模特不是一个水晶球，他们明白他们必须看看五个，十个，15种不同的模型来获得真正的图片是什么。因此，我很激动风险管理哲学和方法的复杂性的增加。我也很激动，模型在数学上没有如此微观。
你的意思是什么？
人们没有放弃复杂的模型。我的意思是Aficionados模型之间存在风险，以便在数学上优雅，理论上是使用复杂的数学和复杂的建模技术的理论上的声音模型。其中一个人必须做出的假设，以使模型优雅和美丽从理论主义的角度往往与肮脏市场的现实往往具有巨大的可能性。通过放松建模中的一些假设，您必须必要的不再具有优雅的模型，因为优雅需要某些假设。
采取[地标选项定价模型] Black-Scholes。它有一堆不切实际的假设进入模型 - 例如，没有交易成本，波动性是常数的，并且人们立即访问相同的信息。这些事情都没有真实，但你必须认为所有三个都是真实的，可以解决黑人学术方程式。
在过去的几年里，趋势一直在继续使用一些非常复杂的模型，而且还要介绍一些非常简单的模型，在那里你没有这些详细的假设并完全解决问题，但你放松了一些这些假设，使用一些较粗糙的谷物模型并大致解决问题。当你这样做时，你知道你的观点是一点点云，但你看到了更多的照片。
4。您如何评估今天的风险管理状况？
有些东西我们擅长，我们不擅长的东西，这就是可以让你的东西。传染和转移相关性是我们不擅长的。我们不擅长它，因为人类大脑擅长模式识别，并且识别它以前经历的识别模式是特别善良的。人类计算了支持我们信仰的证据，而不是我们计算与他们相矛盾的证据。神经科学已经证明这是毫无疑问的。它会影响我们所有人;它会影响风险经理。只有自然倾向于专注于我们之前所见的风险。
我们作为一个行业已经做得很好，开始削减了这个问题。我刚刚与想知道的客户谈话，“可能会让我不寻找什么？”我今天得到了这些问题。这个问题的存在很棒。这意味着我们在正确的轨道上。当你甚至没有意识到你在你的方法中偏见的事实时，你就没有希望摆脱这种偏见。
5。下次风险管理是什么？您发现有前途的新方法和模型？
我认为在金融风险管理中有最直接的承诺的事情是机器学习。如果您愿意，请调用它，但它基本上使用了通过各种统计手段探索数据的结构化，系统的方法来查看数据所说的内容。
在实践中，您可以在数据下面开始假设，并且您让计算机修改您的假设。这就像达尔文的演变 - 赋予的生存。您从某事开始，计算机生成模型的50个突变，看到哪些随机突变中的哪一个更好;让我们从那开始，然后重复这个过程。在你有一些真正描述了手头数据的东西之前，你继续前进。当您获得了这么多的数据并可以抛出迭代计算机解决方案时，它会在迭代后提高自身迭代，它不需要很长时间才能获得一些有用的工具。
当你认为你大致有答案时，这是非常好的，你想磨练答案。例如，它非常擅长识别因子模型。它也擅长描述尾部事件的概率以及糟糕的差异。因此，从纯粹的技术的角度来看，我认为机器学习是下一个风险管理的重要工具。这将在街道上一年或两年内成为一个相当普通的术语。