风险模型与风险分析

1. 定价命题与风险模型不是同一对象#

套利定价理论（Arbitrage Pricing Theory, APT） 是一种多因子资产定价理论：证券收益服从线性因子结构，且同一未来现金流不能长期存在不同价格。在可分散特质风险、无套利等条件下，证券的期望超额收益由其系统性因子暴露及相应风险溢价决定：

• $E(r_i)-r_f$：股票 $i$ 相对无风险利率的一期期望超额收益。
• $X_{ik}$：股票 $i$ 对因子 $k$ 的敏感度；量纲取决于因子定义与标准化方式。
• $\lambda_k$：承担一单位因子 $k$ 暴露所对应的期望风险溢价，单位为收益率除以暴露单位。
• $K$：模型纳入的共同因子数。

多因子风险模型（Multifactor Risk Model） 是用共同因子与特质项估计证券收益协方差的模型。它使用 APT 的线性收益结构，却不要求每个因子都获得非零风险溢价；均值接近零但方差较大的共同冲击仍会影响组合风险。因而“因子能解释协方差”和“因子在均衡中被定价”是两个命题。

将一期因子冲击中心化后，$N$ 只股票、$K$ 个因子的收益生成式与协方差结构为：

• $\mathbf r$、$\boldsymbol\mu$：$N\times1$ 股票单期收益向量及其条件期望，期限和收益率口径必须一致。
• $\mathbf X$：$N\times K$ 股票—因子暴露矩阵；第 $i$ 行描述股票 $i$ 的全部因子暴露。
• $\mathbf f$：$K\times1$ 零均值因子冲击向量；$\mathbf F=\operatorname{Cov}(\mathbf f)$ 是 $K\times K$ 因子协方差矩阵。
• $\boldsymbol u$：$N\times1$ 特质收益向量；$\mathbf D$ 是 $N\times N$ 特质协方差矩阵，常被近似为对角矩阵。
• $\boldsymbol\Sigma$：$N\times N$ 股票收益协方差矩阵，与 $\mathbf F$、$\mathbf D$ 使用同一频率和年化口径。

对总权重 $\mathbf w$，组合因子暴露和方差分解为：

$\mathbf w$ 是 $N\times1$ 总权重列向量，$\mathbf b_P$ 是 $K\times1$ 组合因子暴露，$\sigma_P$ 是与协方差期限一致的组合波动率。若分析相对基准的主动风险，应把 $\mathbf w$ 换成主动权重 $\mathbf h=\mathbf w-\mathbf w_b$，此时 $\sigma_P$ 的经济口径是跟踪误差，而不是组合总波动率。

“特质”只表示未被当前模型解释。遗漏行业、非线性或状态因子会进入残差；若残差仍有稳定相关结构，对角 $\mathbf D$ 会低估集中组合的风险。

2. 三类模型的因子与估计方向#

• 宏观因子模型（Macroeconomic Factor Model）：因子是利率、通胀、经济增长、信用利差或油价等可观测时间序列冲击；通常对每只股票做时间序列回归来估计暴露。因子有直接经济含义，但低频发布、数据修订、因子共线性和暴露漂移会削弱稳定性。
• 基本面因子模型（Fundamental Factor Model）：暴露来自决策时已知的行业分类及规模、估值、动量、杠杆等股票特征；每期以横截面回归估计随后实现的因子收益。它便于风险约束和归因，但分类、标准化、回归权重与特质风险设定均会改变结果。
• 统计因子模型（Statistical Factor Model）：因子是从历史收益协方差中提取的潜在共同成分，主成分分析是典型方法。它能压缩高维协方差，却依赖估计窗口；因子的符号、排序和经济含义可能跨期变化。

宏观模型主要从“因子冲击已知”出发估计股票暴露，基本面模型主要从“股票暴露已知”出发估计每期因子收益；两种回归方向不能混写。统计模型同时从收益数据中识别暴露和因子，其样本内解释率也不能证明因子被定价。

3. 主成分截断、动态估计与版本控制#

主成分分析（Principal Component Analysis, PCA） 是把协方差矩阵分解为一组彼此正交、按解释方差从大到小排序的线性方向。对样本协方差矩阵 $\widehat{\boldsymbol\Sigma}$ 做特征分解，并只保留最大的 $K$ 个主成分，可写成统计因子近似：

• $\mathbf L_K$：$N\times K$ 正交特征向量矩阵，行表示股票对保留主成分的载荷。
• $\boldsymbol\Lambda_K=\operatorname{diag}(\lambda_1,\ldots,\lambda_K)$：保留特征值构成的 $K\times K$ 对角矩阵，满足 $\lambda_1\ge\cdots\ge\lambda_K\ge0$。
• $\mathbf D_K$：截断后未由保留主成分解释的特质协方差近似。
• $R_K^2$：前 $K$ 个主成分解释的样本总方差比例，不是样本外预测准确率。

$K$ 太小会遗漏共同风险，太大会把噪声当成因子；即使 $R_K^2$ 很高，特征向量也可能在新窗口旋转。选择因子数应同时检查样本外协方差误差、特征空间稳定性和最终组合风险，而非只最大化样本内解释率。

基本面模型在时点 $t$ 用已知暴露 $\mathbf X_t$ 回归下一期横截面收益：

$a_t$ 是截面截距，$\mathbf X_t$ 必须只含时点 $t$ 可得信息，$\mathbf f_{t+1}$ 是从 $t$ 到 $t+1$ 的实现因子收益。多期回归得到的 $\{\mathbf f_t\}$ 用于估计 $\mathbf F$；残差序列及股票特征共同帮助估计 $\mathbf D$。市值加权回归提高大盘股拟合度，却不等于对所有股票给出同等准确的风险预测。

权重半衰期（Weight Half-life） 是指数加权中，历史观测权重衰减为当前观测一半所需的期数。若对距当前 $\ell$ 期的观测使用权重 $\omega^\ell$，$0<\omega<1$，则：

$H$ 与观测频率使用相同时间单位。较短半衰期对新状态反应更快、参数噪声也更大；较长半衰期更平滑、却可能在相关结构突变后滞后。实务估计还需处理异方差、极端收益、停牌、非同步交易与新股历史不足，并通过收缩或正定化避免协方差矩阵病态。

风险模型必须按时点保存暴露、行业分类、财务数据、股票池、参数和代码版本。事后行业重分类、最终修订财报和幸存股票池会重写历史风险；上线前至少检查矩阵对称性、半正定性、条件数、极端相关和样本外校准。

1. 边际风险是局部斜率#

• 绝对风险（Absolute Risk）：以总权重 $\mathbf w$ 计算组合收益 $r_P=\mathbf w^{\prime}\mathbf r$ 及波动率 $\sigma_P$。
• 主动风险（Active Risk）：以主动权重 $\mathbf h=\mathbf w-\mathbf w_b$ 计算主动收益 $r_A=\mathbf h^{\prime}\mathbf r$；其波动率是相对指定基准的跟踪误差。

以下先用绝对风险推导；把 $\mathbf w$ 换成 $\mathbf h$、把 $\sigma_P$ 换成跟踪误差即可得到主动风险版本。

边际风险贡献（Marginal Risk Contribution, MRC） 是组合波动率对某项权重的局部偏导，表示其他风险资产权重不变时，微小增加该权重造成的波动率变化率：

• $\mathbf w$：$N\times1$ 总权重列向量；若现金被视为无风险且不进入 $\boldsymbol\Sigma$，单独改变 $w_i$ 隐含由现金提供资金。
• $\boldsymbol\Sigma$：$N\times N$ 证券收益协方差矩阵，单位为每期收益率平方。
• $\sigma_P$：组合每期波动率，单位为收益率。
• $\mathbf{MRC}$：$N\times1$ 边际风险向量；$MRC_i\Delta w_i$ 是小幅权重变化造成的波动率一阶近似。

MRC 不是证券自身波动率。低波动证券若与当前组合高度同向，MRC 仍可能较高；负 MRC 表示在当前点增加该头寸可局部降低组合风险。

2. 受约束调仓使用方向导数#

完全投资组合不能只改变一项权重。令小额调仓为 $\Delta\mathbf w=\varepsilon\mathbf t$，则组合波动率的一阶变化为：

• $\mathbf t$：$N\times1$ 调仓方向；完全投资要求 $\mathbf1^{\prime}\mathbf t=0$。
• $\varepsilon$：调仓尺度；若 $\varepsilon=0.01$，方向中一单位对应 1 个百分点权重。
• $\mathbf t^{\prime}\mathbf{MRC}$：沿可行调仓方向的边际风险变化率，而非一个新组合的精确风险差。

等额买入股票 $i$、卖出股票 $j$ 时，$\mathbf t^{\prime}\mathbf{MRC}=MRC_i-MRC_j$。若组合还须保持市场 beta 中性，则调仓方向还需满足 $\boldsymbol\beta^{\prime}\mathbf t=0$；行业中性、资金中性与 beta 中性必须分别施加。有限调仓存在二阶曲率，幅度较大时应重新计算完整二次型，不能把局部斜率线性外推。

3. 风险贡献与欧拉分解#

• 风险贡献（Risk Contribution, RC）：当前权重乘以对应 MRC，把组合波动率按证券分配。
• 百分比风险贡献（Percentage Risk Contribution, PCR）：单项 RC 占组合波动率的比例；它分配的是当前风险预算，不是预测收益或最大可能损失。

波动率对权重是一阶齐次函数，欧拉定理给出：

若改按方差归因，证券 $i$ 的方差贡献是 $VC_i=w_i(\boldsymbol\Sigma\mathbf w)_i$，贡献和为 $\sigma_P^2$。$VC_i$、$RC_i=VC_i/\sigma_P$ 与 $PCR_i=VC_i/\sigma_P^2$ 的单位不同，不能在同一图表中混用。空头或对冲头寸可以产生负贡献，表示它降低当前组合风险，不表示该证券本身无风险。

例：从协方差到边际风险、风险贡献与调仓方向

设年化总权重 $\mathbf w=(0.6,0.4)^{\prime}$，年化协方差矩阵为：

逐步计算得到：

两项方差贡献均为 $0.0168$，除以 $\sigma_P$ 后得到的波动率贡献均为 $9.17$ 个百分点。若从资产 2 向资产 1 转移 1 个百分点权重，一阶风险变化为 $(15.28\%-22.91\%)\times0.01=-0.076$ 个百分点；这是当前点附近的调仓近似，不是说资产 1 的 MRC 为负。

4. 分组、因子与损失解释#

行业 $G$ 的风险贡献可以直接加总，$RC_G=\sum_{i\in G}RC_i$；行业的边际风险则必须先指定一条满足资金和其他约束的调仓方向，不能只把行业内 MRC 相加。

对因子模型，因子与特质方差贡献满足：

若 $\mathbf D$ 为对角矩阵，第 $i$ 项特质方差贡献简化为 $w_i^2D_{ii}$；将各项方差贡献除以 $\sigma_P$ 可得到同一波动率单位下的 RC。因子相关时，单个因子贡献包含协方差项并可能为负；贡献还取决于因子基底，旋转因子会改变归属但不改变总风险。行业与风格暴露不正交时，不能分别归因后再把两套结果相加。

PCR 还有条件性的损失解释。令 $\ell$ 为实现的组合收益，则：

若证券收益联合正态，条件期望为：

$\mu_i=E(r_i)$，$\mu_P=E(r_P)$。在短期限内可合理近似各项期望收益为零时，给定组合发生收益 $\ell<0$，证券 $i$ 的条件期望损失占比等于 $PCR_i$；这不是对某次实际损失的确定性事后归因。对无约束、内部解的均值—方差最优组合，预期收益贡献比例也与 PCR 一致；现实约束或非最优持仓会破坏该等式。

1. VaR 是损失分位数，不是最坏损失#

定义持有期货币损失为 $L=-Vr_P$。风险价值（Value at Risk, VaR） 是损失分布在置信水平 $q$ 的分位数：

• $L$：指定持有期的货币损失；当组合收益为负时 $L$ 为正。
• $V$：期初组合市值，单位为货币。
• $q$：置信水平，如 $95\%$ 或 $99\%$；$1-q$ 是超过该损失门槛的尾部概率。
• $VaR_q$：与 $L$ 同单位的损失阈值，不描述超过阈值后的平均或最大损失。

若线性组合收益近似正态，参数 VaR 为：

$\mu_P$ 与 $\sigma_P$ 是和持有期匹配的组合期望收益与波动率，$\Phi^{-1}$ 是标准正态分布的分位数函数。只有在收益独立同分布等额外条件下才可用平方根时间法则缩放波动率；不同持有期或置信水平的 VaR 不能直接比较。

教材级补充：预期尾部损失（Expected Shortfall, ES） 是超过 VaR 门槛后的平均损失；对连续损失分布，$ES_q=E(L\mid L\ge VaR_q)$。ES 描述尾部严重度，而 VaR 只给出进入尾部的门槛，两者都不能替代流动性与情景压力测试。

2. VaR 的边际贡献与欧拉预算#

• 边际 VaR（Marginal Value at Risk）：VaR 对某项权重的局部偏导，记为 $MVaR_i$。
• VaR 贡献（Contribution to Value at Risk）：当前权重乘以边际 VaR，记为 $RC_i^{VaR}$。

当 VaR 对头寸可微且是一阶齐次函数时，欧拉分解成立：

在线性正态模型中，令 $\mu_i$ 为资产 $i$ 的持有期期望收益，则：

忽略短期均值后，$RC_i^{VaR}=z_qVRC_i$。沿用第二节两资产示例，取 $V=100$ 万元、$q=95\%$、$z_q\approx1.645$，一年期参数 VaR 约为 $30.15$ 万元；两项 VaR 贡献各约 $15.08$ 万元。输入协方差只是教学设定，不能视为未来真实参数。

对具有连续联合密度、唯一分位点且 VaR 可微的非正态损失，$RC_i^{VaR}$ 可解释为组合损失恰处于 $VaR_q$ 边界时，资产 $i$ 的条件期望损失贡献。该解释只对应这一分位边界；更换 $q$ 后必须重新计算。历史模拟的离散分位数可能不可微，蒙特卡洛或扰动重估还会引入带宽、抽样误差与数值不稳定。

厚尾、期权型头寸、跳跃、强制平仓和流动性枯竭都会破坏线性正态近似。压力测试应同时改变因子收益、相关性、特质冲击、融资条件和可交易性，不能只把常态协方差乘一个常数。

3. 从预测风险到决策审计#

• 事前风险（Ex-ante Risk）：使用决策时可得的暴露、协方差、持仓与基准版本预测未来风险。
• 实现风险（Realized Risk）：由决策后实际收益路径估计的风险；它混合真实参数变化、抽样波动、成交偏差和持仓漂移。

二者偏差可能源于参数误差、暴露漂移、模型遗漏、约束绑定、成交偏差与状态切换。风险模型不能只靠“长期平均预测接近实现值”通过校验，还应检查：

• 标准化主动收益残差 $z_{t+1}=(r_{A,t+1}-\widehat\alpha_t)/TE_t$ 是否存在持续偏离零、方差偏离 1、自相关或厚尾，其中 $\widehat\alpha_t$ 和 $TE_t$ 是时点 $t$ 对下一持有期的预期主动收益与事前跟踪误差。
• 不同置信水平下 VaR 超越频率及超越是否聚集；平均覆盖正确但损失集中在压力期，仍表示条件风险失准。
• 行业、风格和特质贡献是否稳定，预测贡献较大的来源是否也解释了随后损失。
• 模型换版本、相关性突变、暴露漂移和流动性压力下，风险排序与组合决策是否发生不可解释跳变。

风险分析服务于组合选择，不要求所有贡献相等。减小最大风险贡献者未必提高组合效用：该头寸可能同时拥有最高预期 alpha，替代交易还会产生成本。可执行比较应同时报告交易前后的预期 alpha、总风险、集中度、流动性、约束余量与净成本，并保存当时可得的模型版本供事后审计。