风险因子数据模型：市场数据、持仓数据与参考数据

做实时风控，最怕什么？

数据模型没设计好。我见过太多团队，算法写得漂亮，结果数据模型一塌糊涂。行情来了，系统直接崩了。嗯，今天我们就聊聊这个核心问题。

一、市场数据模型：行情、利率、汇率

市场数据是实时风控的血液。它变化最快，量也最大。我个人习惯把市场数据分成三类：

• 行情数据：股票、期货、期权的实时价格
• 利率数据：国债收益率、Libor、Shibor等
• 汇率数据：外汇即期、远期、掉期报价

这三类数据，更新频率完全不同。行情是毫秒级，利率是秒级，汇率介于两者之间。你想想看，如果用一个模型去套，肯定出问题。

1.1 行情数据模型

我在项目中遇到过最头疼的事：行情数据字段定义不统一。有的交易所用"last_price"，有的用"close"，还有的用"trade_price"。解析的时候，代码里全是if-else。

所以，我建议统一成这样的模型：

// 行情快照数据结构
struct MarketSnapshot {
    string  instrument_id;   // 合约代码
    int64   timestamp;       // 纳秒时间戳
    double  bid_price;       // 买一价
    double  ask_price;       // 卖一价
    int32   bid_volume;      // 买一量
    int32   ask_volume;      // 卖一量
    double  last_price;      // 最新成交价
    double  open_interest;   // 持仓量
    double  settlement;      // 结算价（期货特有）
};

1.2 利率与汇率模型

利率和汇率，说白了就是曲线。一条收益率曲线，包含多个期限点。我习惯用这样的结构：

// 利率曲线数据结构
struct YieldCurve {
    string  curve_id;        // 曲线ID，如"CNY_SWAP"
    int64   timestamp;       // 更新时间
    vector<CurvePoint> points; // 曲线点列表
};

struct CurvePoint {
    string  tenor;           // 期限，如"1Y","5Y"
    double  rate;            // 利率值
    double  spread;          // 利差（可选）
};

汇率模型类似，但多了一个"报价方向"字段。是Bid还是Ask？这个搞错了，计算出来的风险敞口直接翻倍。

二、持仓数据模型：你的风险敞口

持仓数据，是风控引擎的"家底"。没有持仓，市场数据再快也没用。

持仓数据分两种：

• 静态持仓：交易完成后就固定了，比如股票持仓
• 动态持仓：会随时间变化，比如期权持仓的希腊字母

我建议用这样的模型：

// 持仓数据结构
struct Position {
    string  portfolio_id;    // 组合ID
    string  instrument_id;   // 合约代码
    int64   quantity;        // 持仓数量（正为多，负为空）
    double  cost_price;      // 成本价
    double  market_value;    // 市值
    double  pnl;             // 浮动盈亏
    int64   update_time;     // 更新时间
};

对于衍生品持仓，还需要额外字段：

字段	类型	说明
delta	double	期权价格对标的物价格的敏感度
gamma	double	delta的变化率
vega	double	对波动率的敏感度
theta	double	时间衰减

这些希腊字母，是实时风控的核心输入。每次行情更新，都要重新计算。所以，数据模型里必须预留这些字段。

三、参考数据模型：不变的"元数据"

参考数据，说白了就是"不会变"的数据。比如：

• 合约基本信息（代码、名称、交易所）
• 交易日历（开市、休市）
• 合约乘数、最小变动价位
• 保证金比例、涨跌停板

这些数据虽然变化少，但一旦错了，后果很严重。我记得有一次，某个合约的乘数配置错了，导致保证金计算少了10倍。还好是测试环境，不然就出大事了。

参考数据模型我建议这样设计：

// 合约参考数据
struct InstrumentRef {
    string  instrument_id;   // 合约代码
    string  exchange;        // 交易所
    string  product_type;    // 产品类型（股票/期货/期权）
    double  multiplier;      // 合约乘数
    double  tick_size;       // 最小变动价位
    double  margin_rate;     // 保证金比例
    double  upper_limit;     // 涨停价
    double  lower_limit;     // 跌停价
    int32   delivery_month;  // 交割月份
};

四、数据模型之间的关系

这三种数据不是孤立的。它们之间的关系，我用一张图来说明：

你看，市场数据驱动持仓数据的估值，参考数据为两者提供"骨架"。三者缺一不可。

五、实战中的设计要点

说了这么多理论，来点实际的。我在做实时风控引擎时，总结了几个要点：

1. 数据模型要扁平化：别搞太多嵌套。实时计算讲究速度，嵌套结构解析慢。
2. 字段类型要精确：时间戳用int64，价格用double，数量用int64。别混用。
3. 预留扩展字段：市场在变，模型也要变。我习惯在每个结构体末尾加一个"ext"字段，存JSON。
4. 数据版本化：参考数据尤其重要。合约乘数变了，历史数据怎么处理？加个"version"字段。

嗯，数据模型就聊到这里。记住一句话：数据模型设计得好，实时风控就成功了一半。另一半，是计算引擎的优化。那个我们后面再聊。