4、风险因子约束：风险因子暴露限制、因子中性化、风格因子约束

风险因子约束，说白了就是管住你的投资组合别在某个风险维度上「赌太大」。我刚开始做量化那会儿，觉得只要选股模型好就能赚钱，结果有一次因子暴露没控制好，市场风格一切换，回撤直接把我打懵了。从那以后，我再也不敢轻视这块。

这一节我们聊三个核心问题：风险因子暴露限制、因子中性化、风格因子约束。它们其实是同一个逻辑的不同应用场景。

4.1 风险因子暴露限制

什么叫风险因子暴露？简单说，就是你的组合在某个因子上的「敏感度」。比如你持仓里全是小盘股，那你在市值因子上的暴露就很高。一旦市场偏好大盘股，你就得挨打。

我个人习惯的做法是：先定义好哪些因子是「风险因子」，然后给每个因子设一个暴露上限。

举个例子，假设我们限制市值因子暴露在 ±0.2 之间：

import numpy as np
import pandas as pd

# 假设我们有5只股票，市值因子值已知
factor_values = np.array([1.5, 0.8, -0.3, -1.2, 0.6])
weights = np.array([0.2, 0.2, 0.2, 0.2, 0.2])

portfolio_exposure = np.dot(weights, factor_values)
print(f"组合市值因子暴露: {portfolio_exposure:.2f}")

# 如果暴露超标，需要调整权重
if abs(portfolio_exposure) > 0.2:
    print("⚠️ 暴露超标，需要重新平衡")

嗯，这里要注意：阈值怎么设？我一般用历史数据的 2 倍标准差作为参考。太严了影响收益，太松了风险失控。

4.2 因子中性化

因子中性化，说白了就是让组合对某个因子的暴露「归零」。为什么要这么做？因为你可能只想赚选股的钱，不想承担市场风格波动的风险。

我在项目中遇到过最典型的场景是：做多因子选股时，想剥离市值因子的影响。因为市值因子太强了，不中性化的话，选出来的股票全是小盘股，风险集中度很高。

因子中性化的实现方式有两种：

• 回归法：用个股收益对因子做回归，取残差作为中性化后的收益
• 权重调整法：直接约束组合的因子暴露为0

我个人更推荐回归法，因为它更灵活。看代码：

import statsmodels.api as sm

# 假设有100只股票，因子矩阵 X，收益向量 y
# X 包含市值因子、行业因子等
X = sm.add_constant(factor_matrix)
model = sm.OLS(y, X).fit()

# 残差就是中性化后的收益
neutral_returns = model.resid
print("中性化完成，残差均值:", neutral_returns.mean())

4.3 风格因子约束

风格因子约束，其实是前面两个概念的「实战版」。在真实的投资组合管理中，我们通常要同时约束多个风格因子，比如：

风格因子	约束范围	说明
市值	±0.3	避免过度偏向大盘或小盘
估值	±0.2	防止买得太贵或太便宜
动量	±0.15	控制追涨杀跌的风险
波动率	±0.1	限制高波动股票占比

你想想看，如果同时约束 5 个因子，那优化问题就变成了一个带多约束的二次规划。我常用的工具是 cvxpy：

import cvxpy as cp

# 定义变量：股票权重
w = cp.Variable(n_stocks)

# 目标函数：最大化预期收益 - 风险惩罚
objective = cp.Maximize(mu.T @ w - lambda_ * cp.quad_form(w, Sigma))

# 约束条件
constraints = [
    cp.sum(w) == 1,          # 满仓
    w >= 0,                  # 不允许做空
    cp.abs(factor_exposure @ w) <= 0.2  # 风格因子暴露限制
]

problem = cp.Problem(objective, constraints)
problem.solve()
print("最优权重:", w.value)

知识体系总览

下面这张图帮你理清这三个概念的关系：

说白了，这三个东西是一脉相承的：暴露限制是「设边界」，中性化是「归零」，风格约束是「多因子联合管控」。你在实际项目中，可以根据需求灵活组合使用。

我记得有一次做指数增强策略，基准是沪深300，但我的选股模型天然偏好小盘股。如果不加风格约束，组合和基准的跟踪误差会很大。后来我加了市值和估值两个因子的暴露限制，跟踪误差从 5% 降到了 1.5%，效果立竿见影。

最后提醒一句：风险因子约束不是越严格越好。太严格的约束会牺牲收益，太宽松又起不到风控作用。找到那个「甜点区间」，才是真正的功力所在。

---