风险模型与业绩归因：Barra 思想入门

为什么需要风险模型#

假设你的选股策略今年表现不错。一个必须回答的问题是：这份收益来自你的选股能力，还是来自你不知不觉持有了一堆小市值高波动股票，而这类股票恰好今年整体走强？如果是后者，你赚的其实是某种风格的贝塔，而风格会轮动——当小市值风格逆转时，“选股能力”会同步消失。

风险模型就是回答这类问题的工具。它的核心思想很朴素：个股收益的大部分共同波动，可以被少数几个系统性因子解释；剩下无法解释的部分才是真正属于个股的特质收益。有了这个分解，你才能看清组合到底押注了什么。本文只讨论分析方法，不构成投资建议。

风格因子暴露：给组合画像#

Barra 式模型把系统性因子分为三类：市场（所有股票共同的涨跌）、行业（股票所属行业的整体表现）、风格（跨行业的共同特征）。常见的风格因子包括：

每只股票在每个因子上有一个暴露（exposure），通常做法是把原始指标在横截面上去极值、标准化为均值 0、标准差 1 的 z 分数。组合的因子暴露就是成分股暴露的持仓加权平均：

1
# exposures: DataFrame(index=股票, columns=因子), weights: Series(index=股票)
2
portfolio_exposure = exposures.mul(weights, axis=0).sum()

组合在市值因子上的暴露是 -0.8，意思就是它显著偏向小盘——不管你的策略文档里写没写这一条，市场都会按这个暴露给你结账。

收益分解：市场、行业、风格、特质#

有了暴露，第二步是估计每个因子在每期”值多少钱”，即因子收益。标准做法是横截面回归：在每个交易日，用全市场股票当日收益对它们的因子暴露做一次回归，回归系数就是各因子当日的收益，残差就是各股票当日的特质收益。

于是组合任意一天的收益可以写成：

组合收益 = Σ（组合因子暴露 × 因子收益）+ 特质收益贡献

把每一项沿时间累计，就得到一张收益来源表。例如某策略年度收益的分解可能长这样（示意结构，非真实数据）：

赚的是不是自己以为的钱#

上面这张表正是归因的价值所在。一个自称”基本面选股”的策略，如果归因显示收益绝大部分来自市值和动量暴露、特质贡献接近零甚至为负，那么它实际上是一个披着基本面外衣的风格贝塔组合。这不一定是坏事——但你必须知道，并回答三个问题：

1. 这些风格暴露是有意的还是无意的？无意的暴露是失控的风险。
2. 如果剥离风格贡献，剩下的特质收益还够覆盖交易成本吗？
3. 当主导风格逆转时，组合会承受多大回撤？可以用历史上风格因子的极端回撤期做情景测试。

反过来，如果你想做”纯选股”策略，归因给出了改进方向：在组合构建时约束各风格暴露接近零（风格中性化），把仓位集中在特质收益上。当然，中性化有代价——它会砍掉恰好来自风格的那部分收益，值不值得取决于你对自己特质 alpha 的信心。

从归因到风险预测#

风险模型的另一半用途是向前看：预测组合的波动，而不只是解释过去。思路是把组合方差拆成两块——因子暴露乘以因子收益协方差矩阵，加上特质方差的加权和：

1
# B: 组合因子暴露向量, F: 因子协方差矩阵, spec_var: 个股特质方差
2
port_var = B @ F @ B + (weights ** 2 * spec_var).sum()

这个分解的工程价值在于降维：直接估几千只股票的协方差矩阵，样本远远不够、估计极不稳定；而因子只有几十个，因子协方差矩阵可以估得相对可靠。有了它，你可以在调仓前回答”这次调整会让组合预期波动上升多少""跟踪误差主要花在了哪个因子上”，把风险预算从事后复盘前移到事前决策。对进阶学习者来说，先会用这个公式做组合层面的”沙盘推演”，比钻研估计细节更有性价比。

简化实现：不买商业模型也能起步#

商业风险模型贵，但思想可以低成本复现。一个够用的简化流程：

1. 选因子：市值（流通市值取对数）、价值（账面市值比）、动量（过去若干月收益，常剔除最近一个月）、波动（历史波动率），行业用申万一级或中信一级分类的哑变量。
2. 处理暴露：横截面去极值（如中位数绝对偏差法）、标准化；行业哑变量不标准化。
3. 逐日回归：加权最小二乘（常用流通市值平方根加权），得到因子收益序列与残差。
4. 归因：用你的组合权重乘以暴露，再乘以因子收益，累加成贡献表。

1
import numpy as np
2

3
# X: 当日暴露矩阵(股票 × 因子), r: 当日个股收益, w_reg: 回归权重
4
W = np.diag(w_reg)
5
factor_ret = np.linalg.solve(X.T @ W @ X, X.T @ W @ r)
6
resid = r - X @ factor_ret

简化模型的估计肯定粗糙，但对”看清组合押注了什么”这个目的而言，方向的正确远比小数点后的精度重要。

几个实现细节提醒：横截面回归的样本要用当日全部可交易股票，而不是只用你的持仓——因子收益衡量的是市场对某种特征的定价，样本必须覆盖整个市场；停牌股票当日应剔除；行业哑变量与市场因子共线，工程上常见做法是去掉市场截距项、或对行业收益施加加权和为零的约束，初学阶段选一种并保持一致即可。归因结果最好做成每周自动生成的报表，让”看暴露”变成和”看净值”同样频繁的习惯。

本课小结#

• 风险模型把个股收益分解为市场、行业、风格与特质四层，让组合的真实押注显形。
• 因子暴露是横截面标准化后的 z 分数，组合暴露是持仓加权平均。
• 因子收益靠逐日横截面回归估计，残差即特质收益。
• 归因的核心问题是”赚的是不是自己以为的钱”：无意的风格暴露是失控的风险。
• 用公开数据就能搭一个简化 Barra 式流程，精度粗糙但足以指导组合诊断。

动手练习：取你此前做过的任一选股或轮动组合，构建市值、动量两个风格因子加行业哑变量的简化模型，做三个月的逐日横截面回归，输出组合收益的四层分解表。回答：特质贡献占比多少？哪个暴露是你此前没有意识到的？