2022年12月Risk.net在其官网公开发布了《危机中的能源市场：多重价值调整与交易对手信用风险》（xVAs and counterparty credit risk for an energy market in crisis）主题圆桌论坛视频，来自银行、全球顶尖能源贸易公司和风控解决方案供应商的资深专家以“多重价值调整和交易对手信用风险”为主线讨论了过去一年在能源市场中的变化和趋势。长达一个多小时的讨论中，专家们基于自身几十年的行业经验对市场变化和趋势进行多维度分析，给广大的大宗商品从业人员提供了一次近距离接触信用风险管理领域前沿理论和技术领域深度应用的机会，从市场变化的起因分析到各位市场参与者可借鉴的方法和思路，再到瞻望市场发展趋势，可谓全程高能、干货满满。
参与圆桌论坛的嘉宾有：
在过去的两周当中，翌能知识局编辑部对英文版的圆桌论坛进行了翻译及编辑，辅以专业名词双语展示以及知识点解读，希望能够带动读者仿佛亲临论坛现场，更好的领略原汁原味的大宗商品风控行业前沿资讯。
能源市场的挑战：新的定价和建模趋势以及融资风险
Karl Sees：
近期的市场动荡给市场参与者带来了众多衍生品“多重价值调整”（xVAs）建模方面的挑战。根据客户实际情况，市场参与者在如何应对能源市场中的新挑战，尤其在建模和校准（modeling and and calibration）方面在过去一年发生了什么样的变化?
知识点链接 - 什么是多重价值调整（x Valuation Adjustment ，xVA）？
多重价值调整（x Valuation Adjustment，xVA）”为以下概念的统称：
信用价值调整
Credit Valuation Adjustment, CVA债务价值调整
Debt Valuation Adjustment, DVA资金价值调整
Funding Valuation Adjustment, FVA担保品价值调整
Collateral Valuation Adjustment，ColVa保证金价值调整
Margin Valuation Adjustment, MVA资本价值调整
Kapital Valuation Adjustment, KVA
xVA的概念兴起主要是用于全面评估OTC衍生品的生命周期成本，这些概念量化了交易对手风险、担保品、资金或资本等组成部分的价值。
各项xVA术语的定义如下：
CVA和DVA用于定义交易对手风险的双边估值，DVA代表从一方自身违约角度表示出的交易对手风险
FVA用于定义交易资金产生的成本和收益
ColVA用于定义担保协议中嵌入的期权性风险的成本和收益（例如能够选择交存的担保品的币种或类型），以及任何其他非标准担保条款（与理想化起点相比）
KVA用于定义在交易的整个生命周期内持有资本（通常是监管资本）的成本
MVA用于定义在交易的整个生命周期内交存初始保证金的成本
需要注意的是，上述术语之间可能存在重叠。
能源市场的特殊性
Andy McClelland：
关于校准（calibration），作为市场参与者我们希望当前波动率（volatility）的上升和突破能被捕捉校准并反映在模型的场景中。当计算风险敞口时，如果波动率上升，确保这能够反映在风险模型以及多重价值调整场景中（xVA scenarios）。
这是能源贸易市场特有的，在利率和外汇市场不存在这样的问题。在利率和外汇市场中，我们可以从波动率曲面（vol surfaces）观察波动率，对环境的变化做出快速反应。
和利汇率市场相比，能源贸易市场的运作方式有其独特性，没有标准化，并且它本身也并不适合标准化。因为能源实货市场在各个维度均有差异，比如地域的差异等，无法用成熟的高流动性的标准化市场来校准非标实货市场的非线性变化。
很多能源品种市场没有有效计量的波动率曲面，因此行业一贯的做法是有效利用市场上所看到的各类信息，当然，这个观点也许受限于我合作过的一些客户。
在利率和外汇市场，交易对手的信用风险不那么常见。而对历史数据的校准，在风控中会显得更为重要，甚至可以说对历史数据有很强的依赖。
由于我的工作经历主要集中在对历史数据依赖度比较高的两个领域：能源领域和交易对手信用风险领域。所以我会考虑利用历史数据时所面临的常见问题，比如：拿到历史数据后，如何确保在当前模型中捕捉到它并过滤到各个场景呢?
这涉及到很多的因素分离（decoupling），因为模型的参数预测它控制了当前的波动率。通过分离价格曲线间相关性部分以及季节性成分等，确保正确处理波动率，并确保有指数加权移动平均值（Exponentially Weighted Moving-Average，EWMA）来控制历史衰减效应。这也是我们做的最多的工作之一，每个人会有不同的看法。
Karl Sees：
你提到了能源市场的一些特点以及其中的一些挑战。除了能源衍生品市场，对供应链中的许多参与者来说还有更为重要的能源实货贸易，对此你怎么看?
Andy McClelland：
我知道我们中的一些人想要讨论融资问题，所以我先讲一点我的看法 。从汇率和外汇的角度来看，至少以我在此行业的工作经验我认为我知道最佳做法、规定、甚至教科书上的方法，基于此我来到能源市场后，可能可以跟上在信用风险领域类似多重价值调整（xVAs）这些指标的最新情况。但即使如此，在实货交易中依然会碰到许多新的挑战，比如保函、信用证，发票等所有这些都与融资时的信用评估有关。
与规模较小、传统标准里“低质量”的公司交易
Karl Sees：
在过去的一年，能源市场新兴起的另一个趋势是与规模较小、传统标准里“低质量”的公司交易。这对多重价值调整（xVAs）建模提出了更加针对性的挑战。大家认为出现这种趋势的原因是什么？
Partha Sarathi Chatterjee：
近期在市场上可以看到对信用风险评估的维度有所调整，“回报率”等指标被应用到交易对手的信用评级中。
因为很多新加入市场的小规模公司没有很长的历史数据可以参考，我们更加关注这些公司是否具有盈利潜力，或者根据公司的产品和业务模式来判断公司未来是否会盈利。所以很多企业在对中小型的新兴交易对手进行信用评估时更着眼于未来，更加关注他们潜在的盈利能力，比如他们现在在做的业务能否为他们目前所在的行业提供新的价值。
举例来说，在电池、风能和太阳能领域的中小型企业，也许他们的业务规模目前还不大，但是随着风能和太阳能等可再生能源领域的不但探索和发展，这些中小企业将来很有可能成为非常有价值的交易对手。
Anthony Badali：
当有新的市场参与者加入时，尤其是技术创新领域的参与者，他们常常会带来新的行业方向，但这些参与者在银行的角度看来，只是规模很小的交易对手。我们都知道银行提供贷款，通过承担信用风险参与业务，所以银行会通过标准的审核流程来确定他们的信贷客户，对于不确定性的业务场景，确保收取合适溢价，以对应管理增大的波动率和风险敞口。就是说，如果银行愿意与较小规模的企业发生业务，通常是因为这中间可能涉及相当大的信用差价。
另一个与利润无关的原因可能是银行希望和这些可再生能源领域的企业建立联系。与可再生能源领域的中小型企业交易是银行协助经济健康发展、各尽所能、承担社会责任的表现。
在过去的一年中，比起对特定交易对手的关注程度，大部分市场参与者更加广泛关注的一点是“融资风险”。无论是中小型企业还是大型企业，在近期石油、天然气以及电力市场上的价格冲击下，前期通过场内完成交易、清算和初始及变动保证金管理的这些企业，突然转向与银行进行场外交易（OTC）。原因也很简单，因为欧洲天然气和电力等商品的场内初始保证金要求因波动而大幅增加，变动保证金的幅度更是出现了极端化的现象。很有趣的一个现象是，几年前不愿意向银行支付小额信贷费用的市场参与者，为了有效管控现阶段无法忽视的风险，愿意支付更多的费用。
Karl Sees：
不仅仅是中小型公司，所有的市场参与者都不得不面对高额的融资费用。
能源市场面临新的建模挑战
算法交易是否正在扭曲供求关系？
Karl Sees：
除了前面谈到的新的定价和建模趋势以及在融资风险方面的挑战之外，整体来讲，在过去的一年里市场呈现出哪些新的趋势?
知识点链接 - 风险敞口模型的风险因子选择和建模
风险敞口模型的风险因子选择和建模是一个难题，需要在模型处理的简约性与精密性之间进行平衡。目前行业对这个问题存在一定的分歧：有些人因为xVA存在内在的不确定性，认为没有必要使用高级模型；另一些人则认为对波动率曲面等方面的复杂性描述是重要的。
因此，在建模时需要考虑的因素很大程度上取决于所处理的问题的性质，这些因素包括：
投资组合的复杂度：比如，一个以普通交易为主的简单投资组合无须使用更复杂的建模方法，而应该更专注于普通产品的正确处理（例如，合理的互换期权校准）
担保：有担保的头寸意味着可以使用更简单的模型，因为担保品的性质是缩短时间范围，并使价内和价外期权成为平价期权。另外需要注意的是，保证金风险期限（MPOR）的选择在风险敞口模拟的模型选择方面占主导地位
维度：考虑到对潜在相依性建模的重要性，高维度（例如，对同一交易对手的多个利率和／或外汇风险因子）可能意味着需要使用更简单的模型
错向风险（WWR）：如果要实施错向风险模型，那么保持简单的基本设置更为重要
计算工作量：由于可能需要快速的定价分析、期权价格敏感性因素分析（greeks analysis）和情景分析，因此所选择的建模框架对硬件没有过高的要求非常重要。
从资产类别的角度来看：
对利率而言，多因子模型可能很重要。在此背景下，倾向于选择两种基本类型的模型：短期利率模型或线性混合效应模型(Linear Mixed Models,LMM) 。短期利率模型的优点是，其在校准和模拟方面在数值上更简单，并且通常更容易与其他资产类别的模型相结合。LMM模型在数值上更复杂，但在根据其他工具［例如利率上限单元（caplet）和互换期权］校准方面更灵活
对外汇而言，简单的几何布朗运动法仍然很常见，通过参考历史时间序列或期权市场进行校准。但如何处理长期波动率和均值回归这些相互关联的问题仍没有明确的解决方案，在实践中采用了包括简单的波动率外推法等各种针对性的方法
通货膨胀产品可以用与外汇类似的方式进行建模，因为基础实际利率和名义利率可以作为本币和外币处理。标准收益率曲线在本质上决定了本币，而通胀关联债券可以用来校准外币。波动率可以根据通胀关联期权进行校准
大宗商品往往高度均值回归至某一水平周围，该水平代表了边际生产成本。此外，许多大宗商品由于收获周期和全年消费量变化，价格呈现季节性。对于大宗商品潜在风险敞口（Potential Future Exposure,PFE）而言，由于某些基础资产存在较强的现货溢价和期货溢价，因此使用风险中性漂移可能特别危险。不可储存的大宗商品（例如电力）在现货价格和远期价格之间没有套利关系，因此远期利率可能会被认为包含关于未来预期价格的相关信息
股票的标准模型是几何布朗运动，假设股票收益率服从正态分布。基础波动率可能也是市场隐含的，或者通过历史分析确定。出于应用的目的，尝试模拟每一种基础股票并不可取，不仅耗时还会产生形式不恰当的大型相关性矩阵。相反，可以选择模拟所有主要指数，然后通过使用该股票的贝塔值来估计个别股票价格的变化
在选择模型时还必须涉及诸如均值回归等效应方面的决策。如果不考虑均值回归，会导致在长时间范围内出现不切实际的大额风险敞口。事实上，根据历史数据或市场数据校准均值回归都并不容易，对于潜在风险敞口(PFE)而言，均值回归的错误设定以及其他方面（例如允许负利率的模型）可能造成很严重的问题，因为一个高分位数的结果可能被视为定义了一个不合理的经济事件。
同时，风险敞口模型不容易包含随机波动率等组成部分。波动率微笑等更奇特的方面通常只能大致纳入模型，而波动率演变等方面通常完全被忽略。
Andrew Green：
我想从更广泛的层面来讨论我们目前所面临的挑战：关于“波动率”。当然这也不是什么新鲜的话题，回顾全球金融危机的时候，与“波动率”相关的诸多挑战就已经存在了。
在模型的校准方面，波动率较大的市场会带来相互关联的两大挑战：一个是模型的稳定性（model stability），另一个是模型性能（model performance）。在波动率较大的市场中，最佳状态是常态化定期准确计量各类多重价值调整（xVAs），在一天中的任意时间段都能及时获取与风险管理相关的信息，以便实现及时且有效的对冲这些xVAs 的决策。
怎样实现这种最佳状态？根据我个人近期的经验，高性能计算GPU（Graphic Processing Unit，图形处理器）技术伴随算法的差异化可以达到一定的性能水平，从而实现快速准确地计算出所需的全部灵敏度系数。
这意味着两点：第一，即使系统出现问题，它也能快速重新运行以及时获取敏感度系数；第二，在市场波动率很高的情况下，可以实现“日内”的及时更新。
所以，很多挑战是大同小异的，从整体来看，在过去一年中能源市场的变化以及其对其他市场的冲击对模型造成的压力主要在于：如何在这样的外部环境下，依然产出准确且可靠的结果。
再说回到“校准”，目前在能源市场依然有相当大的争论是关于“使用历史数据的程度”，除了使用历史波动率（historical volatility）之外还有哪些备选方案？即使在没有期权工具的情况下能否找到隐含波动率（imply volatility）校准？你是否能够有效计量资产间的相关性？等等。
如何确定CDS（Credit Default Swaps）成本，在信用价值调整（Credit Valuation Adjustment, CVA）20年前这个概念被创立时，这就是一个老生常谈的问题，长期存在。如果交易对手不存在具备流动性的信用工具衍生交易，该如何确定交易对手的信用价格曲线？针对这一问题，市场上有很多不同的策略来确定这些信用价格曲线，但在波动率较高的市场中如何确定这些策略之间的关联关系，又对应用这样的模型带来压力。
Karl Sees：
市场上有些人认为能源市场发生极端变化的原因之一是算法交易扭曲了供求关系。大家怎么看这个问题？
Anthony Badali：
任何市场都会有不同类型的参与者，其中最基础的就是买方和卖方。在大宗商品领域，最基础的参与者就是生产商作为卖方，消费者作为买方，卖方在有合理利润的情况下把商品卖给有需求的买方。
虽然有投机商、做市商、算法交易者等期望从交易行为本身盈利的职业交易者，在能源市场上他们也遵循规则并在发挥作用，但最终市场还会存在需求缺乏弹性和潜在的供给短缺，造成市场极端波动。
再比如，市场参与者担心天然气会用尽，对这种存在强烈需求并且不能被其他能源轻易代替的商品品种，价格必然会上涨，每个市场参与者都会紧跟这类供需关系。
所以，不是每个交易都由算法驱动，算法归根到底是为交易服务的。
气候变化价值调整（CCVA）
及错向风险（WWR）
Karl Sees：
气候变化价值调整（climate change valuation adjustments ，简称CCVA）是一个很新的概念，大家对此怎么看？
Andrew Green：
最早围绕“气候变化价值调整（CCVA）”展开讨论并发表文章的是Chris Kenyon。我非常尊重他的工作，也和他合作过多篇论文。我想从两个方面来讲，首先，多重价值调整（xVAs）的一系列指标从技术层面反映了自1973年以来为衍生品定价而建立的框架以及Black-Scholes模型的演变。从这个意义上说，“信用价值调整（CVA）”反映的是假设你的交易对手违约；“融资价值调整（FVA）”反映的是不能假设无限零成本融资等等。
然而，“气候变化价值调整（CCVA）”并不一定符合这种逻辑关系，换句话说 ，这并不是关于反映Black-Scholes模型的假设，也不是关于对投资组合估值的调整。我认为CCVA汇集了与气候变化有关的假设并将它们归类，而后通过匹配和建立联系的方式把衍生品估值的风险因子与气候变化联系起来。
所以，我认为这是现有的非常前沿的想法。其潜在价值在于，协助我们了解和评估在未来气候变化情景下可能发生的趋势并提供给我们相关工具。
Karl Sees：
方向性风险（Directional Way Risk，DWR）的问题在交易领域一直存在。在能源市场，方向性风险有时与特定的市场方向或特定的持仓主体有关，因此，对银行来说可能是“错向风险（Wrong Way Risk）”，反而对生产商来说可能就是“同向风险（Right Way Risk）”。因此，方向性风险的使用比较灵活。近一年能源市场的参与者又是如何处理方向性风险的呢？
知识点链接 - 什么是“错向风险”（WWR）？
“错向风险（Wrong Way Risk，WWR）”反映的是市场风险和信用风险的叠加影响是不利的，交易对手的PD与本方的EA同向变化，会导致CVA上升。而“同向风险（Right Way Risk，RWR）”反映的是市场风险和信用风险的叠加影响是有利的，交易对手的PD与本方的EA反向变化，可降低交易对手风险和CVA。
以上提到的EA指的是市场风险会影响资产的价值， 进而影响风险敞口Exposure Amount；PD指的是信用风险会影响交易对手信用评级，进而影响违约概率Probability of Default。
有一个关于错向风险的形象比喻是：当掉落“违约”这块涂有黄油的面包时，常常会以“风险敞口”这边黄油面着地。最常见的例子就是银行在提供房屋抵押贷款时，经济倒退期间，会同时面临房地产价格下跌和更高的业主违约率。
简单来说，“错向风险（Wrong Way Risk，WWR）”通常用于表示风险敞口与交易对手信用资质之间不利的相依性：当交易对手更有可能违约时，风险敞口较高。这种效应会对CVA和DVA产生显著影响，也会通过与担保品、资金和其他因素的相关性来影响其他xVA术语。由于错向风险通常由微妙的宏观经济和结构效应引起，因此很难识别、建模和对冲。
错向风险在不同资产类别中的表现可以简单概括如下：
看跌期权：在相关基础资产与交易对手的基础资产具有高度相关性的情况下购买股票或股票指数的看跌期权，是错向风险的一个明显示例。只有当股票下跌时，看跌期权才会有价值，在这种情况下，交易对手的信用资质可能正在恶化
外汇远期或交叉货币产品：任何外汇合约都应考虑货币潜在疲软和交易对手信用资质同时恶化的情况，在与主权国家进行交易并在外汇远期或交叉货币互换中支付其当地货币或者与同一地区的银行对冲该交易时，显然就是这种情况
利率产品：当经济强劲时，在互换中支付固定利率的公司可能代表错向风险，因为在经济衰退时利率可能会下降
商品互换：商品生产者（例如采矿公司）可以使用衍生品对冲其面临的价格波动。这种合约应该代表正向风险，因为商品生产者只有在商品价格高以及在其业务盈利能力有待提高时才会负债。正向风险是因对冲而产生的，这与投机刚好相反
信用违约互换（CDS）：当在CDS合约中购买保护时，风险敞口将是参考实体信用利差扩大的结果。如果参考实体和交易对手的信用资质之间有较强的关联性，那么显然存在极端的错向风险。出售自己主权国家保护的银行明显是个问题。另外，在此类较强关联下，出售CDS保护应该是一种正向交易，交易对手风险较小或没有任何风险。
Anthony Badali：
市场参与者对大宗商品价格的敏感度是需要考虑的一点。如果一家公司的投入或产出与某类商品的价格息息相关，比如，对航空公司而言，飞机消耗的燃料是一项高昂的成本，但对燃料生产者来说这就是一个好的产品市场。
“同向风险”最典型的一个例子就是石油买卖。对于石油卖方而言，石油价格会影响他们的收入、现金流，以及资产价值。如果油价下跌，对卖方而言，买方的信用等级会发生变化，此时卖方存在的是“错向风险”；而对买方而言，因为是他欠卖方钱，所以卖方的信用等级不会发生变化，此时买方存在的是“同向风险”。
那“方向性风险”是如何影响我们的呢? 回到刚讨论的石油生产商的例子，近期石油生产商经历了一个非常不稳定的时期。按照生产商的标准，石油的价格并不高，所以，几乎所有公司的信用评级都在恶化，出现了大量的信用问题。对银行或者其他需要进行套期保值的公司来说，这些企业从信用风险管理的角度来看，都不算是好的交易对手。
在新冠疫情期间，很多市场参与者都遇到了来自各方面的管控，导致大宗商品终端市场存在较大的波动，很多企业的收入和现金流都非常不稳定，那还要不要和他们打交道？所以，“方向性风险”有它的可取之处，能够使得我们更理性地看待原来看起来非常有风险的交易或者交易对手。事实上，在新冠疫情期间，虽然美国的石油生产商处境艰难，但我们没有看到在套期保值业务下对银行有大量欠款的情况。
但在繁荣时期的情况就刚好相反，虽然风险很大，但反而不受某些规则的限制。比如，有些企业对银行有大量欠款，因为它从不同的生产商那里购买了石油。但从积极的方面来看，这些企业有很高的收入和现金流并在偿还债务。所以，即使这家企业的信用状况正在恶化，你的风险敞口也在大幅增加，但你还是会安慰自己，这家企业的状况正在好转，对你来说可能不会有很大的损失。
另一方面，银行融资也起到了一定的作用。因为有能力进行大宗商品套期保值的交易对手通常会涉及大量的资金进出，银行可以在这个市场中发挥很好的作用，当然也有一些银行只是把目光锁定在收取手续费上。所以，如果价格普遍上涨一倍，我们不会甘愿承受资金上的损失，而是会努力缓解这种情况，这也有助于平衡市场。换句话说，这个市场有人愿意承担风险、积极地管理风险，而不是任由风险不断积累。
多重价值调整（xVAs）在数据建模
领域的最新成果及主要趋势
Karl Sees：
从建模的角度，多重价值调整（xVAs）取得了哪些成果？目前的主要趋势是什么？
Andrew Green：
市场上确实会有人对“信用价值调整（CVA）”进行对冲，如果你能成功对冲，你可以减少风险，这也是“FRTB-CVA框架”的重要组成部分。从这个意义上说，CVA已经是资本框架的一部分了，所以，减少资本就可以降低CVA。
市场上仍存在一些挑战。目前的框架将与CVA未来的框架有很大的不同，CVA的框架更接近于多重价值调整（xVA）部门和CVA对冲业务现在的操作。资本模型并不一定完全与银行在会计实践基础上做的相同。所以虽然有CVA和会计实践，但还没有CVA风险监管框架的情况下，会有一定程度的不匹配。最终结果将会怎样还是未知，但随着“FRTB-CVA框架”的实施，这会是所有银行都将面临的挑战。
Partha Sarathi Chatterjee：
从数据和建模的角度出发，人们会看很多不同的数据集，所以，第一点是我们需要不同的数据集。传统的做法是，交易员会有台账和定制模型，还有可能有两到三个不同的数据集，然后运行他们的模型。而现在的情况是，人们实时关注多种不同的商品及其相关性，例如，在交易液化天然气时，传统上人们会查看液化天然气和天然气价格，分析业务机会。我看到现在交易员开始看电力数据，看运输数据，看是否有物流瓶颈，我们以前很少看到天然气交易员查看电力数据。现在交易员在市场上关注大量的相互关联的实时数据，比如，每15分钟刷新一次的数据。这从根本上改变了对不同数据源的需求，我们需要将其集中在一处，然后运行复杂的模型。
第二点，我们看到不同的建模需求，我们看到复杂的分析模型正在建立。我们看到人工智能模型正在建立，通过任务学习和回溯找出模型给出不同的结果的原因，来对它们进行不断的调整。
因此，从数据和技术的角度来看的两大趋势：一个是不同的数据集，另一个是高级建模和回溯并从预测和实际之间的差异中学习修正。大量的交易员正在涌入这个激动人心又充满挑战的技术领域，他们自己收集数据并通过复杂的技术运行自己的模型。以前这些工作可能是外包给IT或者自己用excel表格来完成，但现在大家都开始意识到，用好数据和建模将会为交易提供很强的助力。
Andy McClelland:
跳跃模型当然很重要，可能有些跨领域的客户会大量应用跳跃模型，但我不认为在能源领域跳跃模型已经被广泛应用。我们与专家组在线下也讨论过这点，这是能源市场特有的情况，因为在利率与外汇市场，尤其是在汇率市场中，已经有多因子可以用来增强模型。
但是能源商品市场不一样，没有类似于“固定期限掉期协议(Constant Maturity Swap，CMS)”这样的产品。虽然也有与曲线形态相关的产品，但体量大概只占到能源商品市场的四分之一。
能源商品领域的很多工作都是为了校准模型。控制前台、现货，这些都是局部的跳跃。如果采用的是比较放松的校准策略，只是每日校准，没有控制校准，你的模型很有可能把这个转换为跳跃参数（jumping parameters）。显然，改变参数需要付出巨大的代价，在实践中需要谨慎为之。
前面的讨论中我们说到关于校准以及历史数据的观点。我第一次开始关注能源市场是在我职业生涯的前期，在新加坡，用单一经济实体(single name)做市，某个经济实体(name)想在某个地区进行互换（exchange）。没有波动率曲面（volatility surfaces），你会怎么做? 我不会使用“历史法”，那会不会用到“参数法”呢？
如果你需要从一个想法把它建立成与公司业务相关的模型，就算把它建立起来并准备好工具，你得确保它能运行，这是一项工作量巨大的工作。有一些公司仅通过这种方式也已经做了很多这样的生意。但我还是坚持我的立场，当我需要在能源商品市场观察交易对家的信用风险时, 没有太强的动力来使用这样的模型。
针对交易对家的信用风险，市场上有越来越多的校准，就像是一个独立的资产类别。而通常这些校准是针对非常简单的目标集合，刻意简化了现货贸易和实操中的全面性和丰富的细节。这也是为什么我们在交易对手信用风险管理过程中不常使用它们的原因。
针对能源市场的多种价值调整措施：套期保值价值调整（HVA）及保证金价值调整（MVA）
Karl Sees：
在理论上，这些价值调整都可以被纳入交易定价中，这意味着什么？这些价值调整是否会让市场参与者在市场上失去竞争力，对此总有一些争论。除此之外，对任何新的理论，市场会经历一段发展时期，也会有一个接受的过程。在其他标准市场，价值调整可能更容易被接受，但在能源商品市场，可能还没有到那个阶段。对此大家怎么看?
Anthony Badali：
这是一个非常重要的问题，很多人认为对银行开展业务来说，多重价值调整（xVA）目前还是一个比较大的不利因素，但显然这种观点是很片面的。因为在目前的市场环境下，相对保守的市场参与者通常活得更好。
所以把多重价值调整（xVA）考虑进来也不全是坏事，这只是一种平衡，取决于你在整个市场所处的位置。银行的观点会相对激进，因为信用价值调整（Credit Valuation Adjustment, CVA）对银行而言是成本。而对贸易公司而言，所有交易对手的信用调节量要从资产平衡表上的衍生品总价值中剔除，某个时间段的CVA价值总和的变化要被包含于该时间段的利润表之中。由于和银行的管理方式不一样，这样的参与者相比银行会更具有竞争力。
套期保值价值调整（HVA）
Karl Sees：
大家怎么看“套期保值价值调整（Hedging Valuation Adjustment，HVA）”?
Andrew Green：
如果你回到我之前关于多重价值调整（xVAs）是什么以及它们与Black-Scholes模型的关系的评论，就可以知道套期保值价值调整（Hedging Valuation Adjustment，HVA）代表了交易成本的评估调整。适用于反映Black-Scholes模型的假设条件，所以从理论的角度来说，我并不看好。
银行总是希望收取一些新的交易费用，通过编纂成规则的方式让市场接纳它。银行如何为交易定价、怎样管理风险，我们不得而知，这是银行内部政策的一部分，所以就很难判断价值调整的深度和使用方式。
我们知道“信用价值调整（Credit Valuation Adjustment, CVA）”和融资价值调整（Funding Valuation Adjustment, FVA），因为它们清楚地体现在银行账户报告和会计报表中。其他在会计报表中没有明确提到的我们也可以从其他信息中窥知一二。但HVA是非常新颖的理论，所以我认为它会像FVA一样，需要一些时间来落地。在未来几年内，我们将看到它是否被广泛应用。
保证金价值调整（MVA）
Karl Sees：
由于市场波动，我们看到了大量追加保证金的通知，这给一些公司带来了巨大的资金压力。甚至看到一些公司靠国家补贴才得以生存。怎么看“保证金价值调整（Margin Valuation Adjustment, MVA）”的重要性？
知识点链接 - “保证金价值调整（Margin Valuation Adjustment, MVA）”涵盖了哪些成本？
保证金价值调整（MVA）通常涵盖以下组成部分的成本：
初始保证金（IM）以及中央对手方（Central Counterparty，CCP）要求的其他财务资源。CCP不但需要IM来覆盖清算参与者违约情况下的最坏情景，还需要其他财务承诺，特别是通过违约基金出资和评估权（未来违约基金出资）。要满足这些要求需要付出高昂的成本，因为IM和违约基金由CCP或第三方持有，并且回报率通常低于“无风险”利率
双边初始保证金（IM）。双边衍生品必须遵守相关规则，即双方交存IM、该IM必须进行隔离，且通常不能再抵押，这些要求也会导致较高的资金成本
或有初始保证金（IM）交存。一些担保协议要求在特定情况下交存或有IM，最常见的是在评级下调时。流动性覆盖率（LCR）的监管规则要求银行持有流动性缓冲来覆盖评级下调三个子级情况下的这种流出，因此这种流出需要预先安排资金
满足以上要求都需要付出高昂的成本，因为交存的初始保证金（IM）必须进行隔离，且通常不能再抵押，但获得的回报率通常较低；如果允许IM再抵押，那么可以实现更高的回报率，但这会通过CVA产生额外的交易对手风险。
Anthony Badali：
我个人的看法是，我们知道保证金价值调整（MVA）是个重要概念，但我认为在现阶段未被广泛应用。任何在这个领域的大的交易商如果他们不知道他们有保证金成本（margin costs），都不会做得很好。我所看到的是，交易员们已经意识到了这一点，他们试图把这些因素考虑进去，但还没有使用合适的价值调整工具。
价值调整作为一个监控工具有它的价值，人们在应用时的顾虑主要是考虑到经济上的合理性。比如，他们不想知道他们想要的工具是需要在未来两年在保证金成本上花1亿美元的。但市场参与者已经意识到关注保证金成本的重要性，尤其是现在初始保证金（initial margin）不断飙升，这给了保证金价值调整（MVA）更多的发展空间。
我不确定市场上会不会出现针对保证金价值调整（MVA）的主动对冲，因为这种对冲的难度很大。对于我来说，初始保证金就像VaR值，我们不知道未来需要准备多少初始保证金， 只能建立一个VaR值模型，通过它来做预测。所以我认为保证金价值调整（MVA）非常有用，希望随着时间的推移它能得到一定程度的发展，但我不知道在几年后它是否会变得像CVA和FVA那样被广泛应用。
Andy McClelland：
典型的情况是，你在这里与交易对手达成了一笔交易，这一边在清算所进行对冲。你在承担真正的成本，你可以从理论上了解到底有多少成本应该被分摊出去，以及在结构性多重价值调整（xVAs）中体现多少实际成本和抵消部分。
所以我认为保证金价值调整（Margin Valuation Adjustment, MVA）的重要性是存在的，大家对预测保证金的部分很有兴趣，但目前更倾向于将其用作一种提高安全性的工具。
我们希望看到有多少交易经过套期保值、涉及多少资金、财务报表上体现的又是多少，以及这些现金流是如何形成的？如果再将监管等因素考虑在内，这会是一个非常复杂的过程。
Karl Sees：
如果要对客户最关心的五大问题进行排名，来自交易所交易的产品的保证金融资风险排名第一。预测追加保证金，根据交易所的初始保证金和变动保证金来确定未来的资金需求，这是今年非常热门的话题。
机器学习在能源市场的应用及大宗商品策略优化机器学习在能源市场的应用
Karl Sees：
之前的讨论中提到机器学习。在这个特定的话题上，我们在能源市场上使用机器学习，优点、缺点、挑战和你看到的主要发展趋势有哪些？
Andrew Green：
我可以非常具体地谈谈机器学习在多重价值调整（xVA）领域的应用。为什么要应用深度学习呢？深度学习网络作为函数逼近取代贸易估值模型。在此背后驱动因素有多种，但是其中最关键的一点是深度学习可以为我们提供什么。
如果持续训练你的深度学习网络，那么你会得到一个非常有效的近似值。你可以在GPU上并行运行，这意味着你可以在GPU上同时得到成千上万的估值，而不是单一的估值。深度学习也可以让你很容易做伴随算法微分(Adjoint Automatic Differentiation，AAD) ，因为你用来训练深度学习网络的算法叫做反向传播算法(Back Propagation)，和AAD完全一样。
你可以训练一个评估模型，不管它是否与大宗商品有关，任何资产类别同样的原则都适用。这是非常有效的方法，特别是在基于Monte Carlo框架的GPU上，因为你可以把蒙特卡洛和深度学习网络放在同一个GPU卡上，这样做大大提升了计算速度。这是有行业先例的。
我不知道为什么以上这项技术还没有被广泛应用，但我认为大家会对这种机器学习和深度学习在垂直领域的应用很感兴趣。机器学习有很多潜在的应用场景，在交易决策上的应用就是具体的场景之一。
近年来与人工智能和机器学习相关的行业会议数量呈指数级增长，这里面既有来自伦敦图灵研究所这样顶级机构的研究人员，也有我们这些大宗商品行业的从业人员。大家都很有兴趣去推动这个行业的发展，这个行业还大有可为。
Partha Sarathi Chatterjee：
其中的关键点是看你是否知道事情如何发生变化，以及为什么会映射这个结果。所以不能只将机器学习应用于模型，还要创建一个用来展示结果的仪表板，思考现在的结果为什么与以前不同。这样就能做到不只是依赖于任务学习组件，自己也能掌握一定的主动权，可以在复盘和回溯中及时进行调整。这是我的建议。
Andy McClelland：
机器学习提出了一个非常快速且可以直接估值的近似值，但很明显，我们还要做很多工作才能真正的构建和完善它。
然后是“深度校准（deep calibration）”，可以用来校准复杂的模型。我认为我们不应该把它看作是很遥远的事情，我们应该更多的思考深度校准目前就可以被应用的领域，比如在解除套保（de-hedging）或无模型套期保值（model free hedging）等主题领域进行长期的研究。
大宗商品策略优化
Karl Sees：
在大宗商品策略优化层面，针对场内清算和双边场外交易都需要缴存初始保证金（IM），针对这部分的融资成本，大家有什么建议？
Anthony Badali：
这个问题我很有共鸣，这是一个真实存在的问题。前段讨论中有涉及到这像是在推动中央清算。虽然这不能说是一场危机，但确实已经形成监管的盲点。以最近的英国债券市场危机为例，存在一个对冲头寸，一方是银行，因为信用支持附件（Credit Support Annex，CSA），所以会有流动性紧缩。目前的监管框架并没有真正为人们创造一个没有CSA的OTC场外交易标准方式。这让我们想起2009年的金融危机，每个人都担心信用危机引起的信用风险。这种情况下，增加了隐藏的流动性风险。
知识点链接 - 什么是信用支持附件（Credit Support Annex，CSA）？
在OTC衍生品合约中，任何一方均无义务交存担保品。但是，在《ISDA主协议》中，可以附加一个信用支持附件（CSA），允许双方通过合约担保品交存来进一步缓释其交易对手风险。CSA已经成为双边市场的标准担保协议，早在2013年就已经有87%的在用担保协议以ISDA协议的形式存在。就净额结算而言，ISDA也已经在许多司法管辖区域就CSA条款取得了法律上的可执行性意见。
CSA覆盖的交易范围通常与主协议相同，这些交易的净MTM构成了担保品要求的基础。但在CSA中，各方可以选择一些关键参数和条款来详细定义担保品的交存要求，可以涵盖以下这些方面：
基础估值的方法及时间安排
计算将要交存的担保品金额
担保品转让机制和时间安排
合格担保品
担保品替换
争议解决
所交存担保品的报酬
适用于担保品证券的折扣
担保品证券可能的再抵押/再利用
可能改变担保条件的触发事件（例如评级下调，可能导致提高对担保品的要求）等
在签署CSA之前需要确保双方已经就基础条款达成一致，且只有通过双方合意签署文件修正案的形式才能进行变更。这显然是一个烦琐且冗长的过程，对这期间市场发生的变化很难做到及时反馈。相反，中央对手方（CCP）可以根据市场变化情况单方面变更条款（例如，近年来，一些CCP在非流动性和波动性市场中增加和／或限制了担保品要求）。CSA缺乏灵活性也是导致资金流动性风险的其中一个因素。
整体而言，两个交易对手之间对其风险敞口进行担保的方式达成一致的过程可概括如下：
双方谈判并签署CSA，包含其据以操作的条款和条件
对需要担保的交易进行定期盯市，并且就包括净额结算在内的整体估值达成一致
具有负MTM的一方交付担保品（受限于最低转让金额和阈值）。在必要时，还需要交存或更新初始保证金
更新担保品头寸，以反映现金或证券转移情况
可以定期进行调节，以减少争议风险
所以，我认为其中一个优化的方式是：大型银行之间进行场外无担保交易，再由银行为可控客户提供无担保交易。比如，一家银行能为能源领域的生产商或出口商的无担保交易提供服务，而另一家银行能为消费端的无担保交易提供服务。这样是在增加信用风险的前提下，对冲掉市场上一部分流动性风险。
总体来说，大宗商品策略优化不是一件简单的事情。不过有一点可以尝试，就是优化跨交易所的交易策略。像CME和ICE这样大型交易所的规模每年都在增长，只要发展合适的合约工具，就有机会实现策略优化。比如，交易者在相反的方向上持有电力和天然气风险敞口，在交易所提供关联品种优化保值工具的情况下，交易者将电力风险敞口与天然气风险敞口在同一个交易所保值，同时这里又有很多的参与者持有相反的电力和天然气风险敞口，那么所有参与方都获得了策略优化。
资料来源列表
1. 特许金融分析师协会（CFA)网站（https://www.cfainstitute.org）
2. 中国物流学会官网（chinawuliu.com.cn）
3. 美国期货业协会官网（https://www.fia.org/）
4. 童宛生 - 《难忘的期货岁月——谈价格改革与期货发展》
5. 常清 - 《凝聚改革智慧创建期货市场——期货市场研究工作小组亲历记》
6. 杜岩 - 《期货市场发端与初期探索》
7. 李经谋 - 《中国市场经济体制改革的报春鸟》
8. 焦健 - 《全球农产品市场及中国市场的国际化战略》
9. 方星海 - 《当代中国期货市场口述史序言》
10. 中国石油官网（cnpc.com.cn）
11. Long.D. - 《Oil Trading Manual》
12. Paul Frankel - 《石油的本质》
13. 邦基官网（https://www.bunge.com）
14. 嘉吉官网（https://www.cargill.com.cn）
15. 中粮官网（http://www.cofco.com/cn）
16. 益海嘉里官网（https://www.yihaikerry.net.cn）
17. 杨传丽 - 《大型跨国粮食企业发展模式对中国粮食企业发展的启示与借鉴》
18. 张秀青 - 《国际四大粮商运作模式研究》
19. 梁静丽 - 《国内外粮食期货市场对比分析》
20. 李雪竹 - 《全球农产品贸易与中国农产品国际竞争力研究》
21. 杨霞 - 《中美农产品期货市场比较研究》
22. 杨晓东 - 《世界粮食贸易的新发展及其对中国粮食安全的影响》
23. 张利庠、张喜才 - 《外部冲击对我国农产品价格波动的影响研究－基于农业产业链视角》
24. 常清 - 《中国期货史上的关键抉择》
25. 常清 - 《创新期货交易方式 精准服务实体产业》
26. 《国务院关于进一步促进资本市场健康发展的若干意见》
27. 申盼盼、胡一波、李彦蓉 - 《我国农产品期货市场现状及发展路径》
28. 2016-2019年中央一号文件 - 《关于落实发展新理念加快农业现代化实现全面小康目标的若干意见》、《关于深入推进农业供给侧结构性改革加快培育农业农村发展新动能的若干意见》、《关于实施乡村振兴战略的意见》、《关于坚持农业农村优先发展做好“三农”工作的若干意见》
29. 中国期货业协会官网（http://www.cfachina.org/）
30. 胡俞越 - 《我国期货市场国际化的路径选择》
31. 张国胜、王文举 - 《中国期货业发展的阶段性特征及未来展望》
32. 刘小磊 - 《全球金属市场——中国市场的崛起和现状》
33. 袁恩赐、Edward L.MORSE,Ph.D.、廖忺、苏筱琳 - 《实践中的大宗商品交易与套期保值》
34. 嘉能可官网（https://www.glencore.com/）
35. 托克官网（https://www.trafigura.com/）
36. 来宝官网（http://www.thisisnoble.com/）
37. 贡渥官网（https://gunvorgroup.com/）
38. 摩科瑞官网（https://www.mercuria.cn/）
39. 国际掉期与衍生工具协会（ISDA）- 《场外大宗商品衍生产品交易程序生命周期事纪》（OTC Commodity Derivatives Trade Processing Lifecycle Events）
40. 美国期货业协会（FIA）- 2019年12月份报告
41. 中国钢铁工业协会 & 大连商品交易所 - 《钢铁行业套期保值操作指南》
42. Paddy Crabbe - Metals Trading Handbook
43. 香港交易及结算所有限公司 -《中国香港的大宗商品市场》
44. 林宏毅 -《大宗商品交易概述》
45. Jon Gregory-《多重价值调整的挑战：对手方信用风险、融资、抵押品和资本》