2、市场因子模型基础：单因子模型、多因子模型、因子暴露计算
聊到市场风险敏感度分析，因子模型是绕不开的基石。我个人习惯把因子模型看作是「拆解风险的显微镜」——你想想看，一只股票涨了，到底是因为大盘好，还是因为它自己争气？因子模型就是用来回答这个问题的。
2.1 单因子模型：最朴素的归因框架
单因子模型，说白了就是只用一个因子来解释资产收益。最经典的当属CAPM（资本资产定价模型）：
R_i - R_f = β_i * (R_m - R_f) + ε_i这里：
- R_i：资产i的收益率
- R_f：无风险利率
- R_m：市场组合收益率
- β_i：资产i对市场因子的暴露（敏感度）
- ε_i：残差项（资产特有的风险）
我在项目中遇到过不少刚入行的同学，上来就问：「β怎么算？」其实很简单——用历史收益率做一元线性回归就行。但这里有个坑：β是时变的。你用过去3年的数据算出来的β，跟过去1个月的，可能差很多。
核心要点：单因子模型假设所有资产的共同风险来源只有一个——市场因子。残差项之间互不相关。这个假设很理想，但实战中往往不够用。
我的经验：做单因子模型时，我建议至少用60个月（5年）的月度数据来估计β。太短了噪声大，太长了β可能已经漂移了。
2.2 多因子模型：更精细的风险拆解
单因子模型太粗糙了。你想想看，两个β都是1.2的股票，风险特征可能完全不同——一个可能是科技成长股，另一个可能是周期股。多因子模型就是为了解决这个问题。
最经典的多因子模型是Fama-French三因子模型：
R_i - R_f = α_i + β_m * (R_m - R_f) + β_smb * SMB + β_hml * HML + ε_i其中：
- SMB（Small Minus Big）：市值因子，小盘股减大盘股
- HML（High Minus Low）：价值因子，高账面市值比减低账面市值比
- β_m, β_smb, β_hml：分别对应三个因子的暴露
后来Carhart又加了动量因子（MOM），变成了四因子模型。再后来，Fama和French自己又升级成了五因子模型，加了盈利因子（RMW）和投资因子（CMA）。
注意：因子不是越多越好。因子太多会导致多重共线性，而且经济含义会变得模糊。我曾经见过一个策略用了20多个因子，回测曲线漂亮得不行，实盘一跑就崩——这就是典型的过拟合。
2.3 因子暴露计算：从理论到代码
因子暴露（Factor Exposure），也叫因子载荷（Factor Loading），就是资产对各个因子的敏感度。计算方式主要有两种：
- 时间序列回归法：用资产收益率对因子收益率做回归，回归系数就是因子暴露。
- 截面回归法：Fama-MacBeth两步法，先做时间序列回归得到β，再做截面回归得到因子溢价。
实战中，我90%的情况都用时间序列回归法。下面给个Python示例：
import pandas as pd
import statsmodels.api as sm
# 假设 df_returns 包含资产收益率和因子收益率
# 列名: 'asset', 'market', 'smb', 'hml'
X = df_returns[['market', 'smb', 'hml']]
X = sm.add_constant(X) # 添加截距项
y = df_returns['asset']
model = sm.OLS(y, X).fit()
print(model.summary())
# 因子暴露就是回归系数（除了截距项）
factor_exposures = model.params[1:] # 去掉const关键点：因子暴露是动态的。我建议用滚动窗口（比如36个月）来估计，这样能捕捉到暴露的变化。另外，记得做Newey-West标准误调整，因为残差往往存在自相关和异方差。
2.4 因子模型在风险敏感度分析中的应用
有了因子暴露，我们就可以做风险分解了。假设一个组合的因子暴露向量是β，因子收益率的协方差矩阵是Σ，那么组合的方差可以写成：
σ²_p = β' Σ β + σ²_ε其中σ²_ε是残差方差（特质风险）。
这样，我们就能算出每个因子对组合风险的贡献度：
| 因子 | 暴露 | 因子波动率 | 风险贡献 | 占比 |
|---|---|---|---|---|
| 市场因子 | 1.05 | 15% | 15.75% | 65% |
| 市值因子 | 0.32 | 10% | 3.20% | 13% |
| 价值因子 | -0.18 | 8% | -1.44% | -6% |
| 特质风险 | - | - | 6.49% | 28% |
你看，这个表格能很直观地告诉我们：组合的风险主要来自哪里。如果市场因子的风险贡献占比过高，说明组合不够分散，跟买大盘指数没啥区别。
避坑指南：我曾经犯过一个错误——直接用全样本估计因子暴露，然后做风险预算。结果市场风格切换时，组合的风险特征完全变了。后来我改用滚动窗口+指数加权（EWMA），效果好了很多。
2.5 本章知识体系
下面这张图总结了因子模型的核心逻辑：
嗯，这张图把整个逻辑串起来了。从单因子到多因子，从暴露计算到风险分解，再到动态调整——每一步都有它的实战意义。
总结一下：因子模型是市场风险敏感度分析的「第一性原理」。单因子模型简单但粗糙，多因子模型精细但需要谨慎选择因子。因子暴露的计算要动态、要稳健。掌握了这些，你就能看懂组合的风险到底从哪来，也才能谈得上「动态调整」。
公众号:蓝海资料掘金营，微信deep3321