市场风险识别：系统性风险与因子暴露分析

做量化策略这么多年，我越来越觉得市场风险识别是策略的「体检报告」。你想想看，策略赚不赚钱是一回事，但能不能扛住系统性冲击，那才是生死线。今天我们就聊聊怎么识别这些风险。

系统性风险的三大来源

系统性风险，说白了就是「你躲不开的风险」。它不是某只股票暴雷，而是整个市场都在跌。我个人习惯把系统性风险分成三类：利率、汇率、商品价格。

1. 利率风险

利率是资金的「价格」。央行一加息，债券价格就跌，股票估值也会被压缩。我在项目中遇到过这样的情况：2022年美联储连续加息，我们一个固收+策略的净值回撤超过5%。原因很简单——久期暴露太大了。

怎么量化？我一般用DV01（基点价值）来衡量。举个例子：

# 计算组合的DV01
def calculate_dv01(portfolio, yield_shift=0.0001):
    """
    计算组合的基点价值
    yield_shift: 利率变动1bp
    """
    base_value = portfolio.current_value()
    shifted_value = portfolio.shift_yield(yield_shift)
    dv01 = (shifted_value - base_value) / yield_shift
    return dv01

2. 汇率风险

做跨境策略的朋友，这个必须盯紧。我记得有一次，我们做港股通策略，人民币突然升值2%，结果组合净值直接缩水。嗯，这里要注意：汇率风险不只是外汇交易员的事，任何涉及跨境资产的策略都有。

汇率场景	对策略的影响	应对方式
本币升值	外币资产缩水	远期锁汇
本币贬值	进口成本上升	期权对冲
波动率飙升	策略回撤加大	降低仓位

3. 商品价格风险

商品价格波动，影响的不仅是CTA策略。你想想看，原油涨了，航空股是不是要跌？铜价涨了，电力设备成本是不是要上升？这就是传导效应。

因子暴露分析

因子暴露分析，说白了就是「你的策略到底在赚什么钱」。是赚了市场的贝塔，还是赚了选股的阿尔法？

我常用的因子暴露分析框架是这样的：

# 因子暴露分析示例
import pandas as pd
import statsmodels.api as sm

def factor_exposure_analysis(returns, factors):
    """
    returns: 策略收益率序列
    factors: 因子收益率矩阵（市场、规模、价值、动量等）
    """
    X = sm.add_constant(factors)
    model = sm.OLS(returns, X).fit()
    
    # 输出因子暴露系数
    exposures = model.params
    t_values = model.tvalues
    
    return exposures, t_values

为什么要做这个？我曾经遇到一个策略，回测年化收益20%，结果一分析，90%的收益来自小市值因子暴露。后来小市值因子反转，策略直接崩了。所以，因子暴露分析能帮你识别「伪阿尔法」。

宏观情景分类

宏观情景分类，是我个人觉得最有意思的部分。你不能等风暴来了才想对策，得提前想好各种场景。

我一般把宏观情景分成四类：

1. 繁荣期：经济增长、通胀温和、利率稳定。适合做多权益、信用债。
2. 衰退期：经济下滑、通缩风险。适合做多国债、避险资产。
3. 滞胀期：经济停滞、通胀高企。最难受的阶段，股债双杀。
4. 复苏期：经济触底反弹、政策宽松。适合做多周期股、商品。

怎么把情景分类落地？我建议用Markov状态转换模型：

# 宏观情景分类的Markov模型
import numpy as np
from hmmlearn import hmm

def regime_classification(data, n_regimes=4):
    """
    data: 宏观指标矩阵（GDP、CPI、利率等）
    n_regimes: 情景数量
    """
    model = hmm.GaussianHMM(n_components=n_regimes, 
                            covariance_type="full")
    model.fit(data)
    
    # 预测当前所处情景
    current_regime = model.predict(data[-1:])
    
    # 状态转移概率矩阵
    transition_matrix = model.transmat_
    
    return current_regime, transition_matrix

下面这张图，是我自己总结的市场风险识别框架，你可以参考：

最后说一句：市场风险识别不是一次性工作。我每周都会跑一遍这个框架，看看因子暴露有没有漂移，宏观情景有没有切换。你想想看，市场在变，你的风险暴露也在变，不盯紧怎么行？

公众号:蓝海资料掘金营，微信deep3321