4. 风险归因：因子模型、风险分解、边际风险贡献

风险归因，说白了就是回答一个问题：我的策略到底在承担什么风险？

我个人习惯把风险归因分成三个层次：
第一层，用因子模型解释收益来源；
第二层，把总风险拆成系统性和非系统性；
第三层，算清楚每个头寸对总风险的边际贡献。

嗯，咱们一层一层来拆。

4.1 因子模型：从CAPM到Fama-French

因子模型的核心思想很简单——收益可以被少数几个共同因子解释。

4.1.1 CAPM：最朴素的起点

CAPM说，股票的预期收益只跟市场风险有关：

E(R_i) = R_f + β_i × (E(R_m) - R_f)

其中β_i衡量的是股票对市场的敏感度。

我在项目中遇到过一个问题：用CAPM做统计套利的风险归因，发现残差项特别大。说白了，就是CAPM解释不了的东西太多。这时候你就知道，需要更精细的因子模型了。

4.1.2 Fama-French三因子模型

Fama和French在1993年提出了三因子模型，在CAPM基础上加了两个因子：

• SMB（规模因子）：小盘股 vs 大盘股的收益差
• HML（价值因子）：高账面市值比 vs 低账面市值比的收益差

模型长这样：

E(R_i) - R_f = α + β_m × (R_m - R_f) + β_s × SMB + β_h × HML + ε

你想想看，如果我们的统计套利策略在SMB上有显著暴露，说明我们其实在赌小盘股溢价。这不是坏事，但你要知道自己在赌什么。

后来还有Carhart四因子（加动量因子）、Fama-French五因子（加盈利和投资因子）。我个人习惯用五因子做归因，因为解释力更强。

4.2 风险分解：把总风险拆开看

有了因子模型，我们就可以做风险分解了。

假设我们有K个因子，组合收益可以写成：

R_p = α + β_1 × F_1 + β_2 × F_2 + ... + β_K × F_K + ε

那么组合的方差就是：

σ²_p = β' Σ_FF β + σ²_ε

其中：

• β' Σ_FF β：系统性风险（因子风险）
• σ²_ε：非系统性风险（特质风险）

我曾经犯过一个错误：只关注系统性风险，忽略了特质风险。结果策略在某个小盘股上集中度过高，一个黑天鹅事件就把收益全吐回去了。嗯，从那以后我每次做风险分解，都会盯着特质风险占比看。

4.3 边际风险贡献：谁在拖后腿？

风险分解告诉我们总风险的结构，但没告诉我们每个头寸对风险的贡献有多大。这时候就需要边际风险贡献（Marginal Risk Contribution, MRC）。

定义很简单：

MRC_i = ∂σ_p / ∂w_i = (w_i × σ²_i + Σ_{j≠i} w_j × σ_{ij}) / σ_p

其中w_i是头寸i的权重，σ_p是组合波动率。

然后每个头寸的风险贡献（Risk Contribution, RC）就是：

RC_i = w_i × MRC_i

所有头寸的RC加起来等于总风险σ_p。

我习惯用这个指标来做风险预算。比如，我希望每个行业的风险贡献不超过15%。如果某个行业的RC超过了，我就减仓。

4.4 一张图看懂风险归因框架

下面这张SVG图总结了本章的核心逻辑：

4.5 实战中的避坑指南

做风险归因这几年，我踩过不少坑。分享几个典型的：

1. 因子共线性问题：多个因子高度相关时，β估计会不稳定。我习惯先做因子正交化处理。
2. 因子暴露的时变性：β不是一成不变的。市场剧烈波动时，因子暴露会漂移。建议用滚动窗口估计。
3. 特质风险被低估：如果只用日频数据，特质风险往往被低估。我建议同时看周频和月频数据。
4. 边际风险贡献的路径依赖：减仓一个头寸后，其他头寸的MRC会变。所以做风险预算时要迭代计算。

4.6 小结

风险归因不是一次性的工作，而是持续的过程。因子模型帮我们理解收益来源，风险分解帮我们看清风险结构，边际风险贡献帮我们找到问题头寸。

嗯，把这些工具用好，你的统计套利策略就能跑得更稳。

---

公众号:蓝海资料掘金营，微信deep3321