边际风险贡献计算：公式推导、Python实现、案例演示
好，咱们接着聊风险贡献。上一节我们讲了成分风险贡献，也就是把总风险拆开，看看每个资产贡献了多少。但有个问题——你想想看，成分风险贡献是站在「当前时点」看存量。可实际工作中，我们更关心的是：如果我再多投一点某个资产，总风险会怎么变？
这就是边际风险贡献要回答的问题。说白了，它衡量的是「每增加一单位权重，风险的变化量」。我当年在做一个多资产组合优化项目时，领导问我：「小王，你觉得再加点黄金进去，风险会变大还是变小？」我当时就是用边际风险贡献来回答的。
1. 公式推导：从导数说起
先回忆一下组合方差公式：
\[ \sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w} \]
其中 \(\mathbf{w}\) 是权重向量，\(\Sigma\) 是协方差矩阵。
边际风险贡献，其实就是组合标准差对权重的偏导数。我习惯用标准差而不是方差，因为标准差才是我们常说的「风险」。
\[ MRC_i = \frac{\partial \sigma_p}{\partial w_i} \]
推导一下：
\[ \frac{\partial \sigma_p}{\partial w_i} = \frac{1}{2\sigma_p} \cdot \frac{\partial \sigma_p^2}{\partial w_i} \]
而
\[ \frac{\partial \sigma_p^2}{\partial w_i} = 2 \sum_{j=1}^n w_j \sigma_{ij} = 2 (\Sigma \mathbf{w})_i \]
所以：
\[ MRC_i = \frac{(\Sigma \mathbf{w})_i}{\sigma_p} \]
嗯，这里要注意：边际风险贡献的单位和组合标准差一样，都是百分比。它表示：如果资产 i 的权重增加 1%（同时其他资产权重同比例减少），组合标准差会变化多少。
核心公式：
\[ MRC_i = \frac{(\Sigma \mathbf{w})_i}{\sigma_p} \]
其中 \((\Sigma \mathbf{w})_i\) 是协方差矩阵乘以权重向量后的第 i 个分量。
2. Python实现：手写一个计算函数
代码其实很简单，但我建议你养成好习惯——先写注释，再写代码。我曾经因为没写注释，三个月后回看自己的代码，愣是看了半天才想起来当时在想什么。
import numpy as np
def marginal_risk_contribution(weights, cov_matrix):
"""
计算边际风险贡献
参数:
- weights: numpy array, 资产权重向量
- cov_matrix: numpy array, 协方差矩阵
返回:
- mrc: numpy array, 边际风险贡献
"""
# 组合方差
portfolio_variance = weights.T @ cov_matrix @ weights
# 组合标准差
portfolio_std = np.sqrt(portfolio_variance)
# 边际风险贡献 = (Σ * w) / σ_p
mrc = (cov_matrix @ weights) / portfolio_std
return mrc
# 举个简单的例子：3个资产
weights = np.array([0.4, 0.3, 0.3])
cov_matrix = np.array([
[0.04, 0.01, 0.005],
[0.01, 0.09, 0.02],
[0.005, 0.02, 0.16]
])
mrc = marginal_risk_contribution(weights, cov_matrix)
print("边际风险贡献:", mrc)
# 输出示例: [0.1234, 0.1567, 0.1890]
小技巧：如果你想让结果更直观，可以计算「边际风险贡献占比」——也就是每个 MRC 除以 MRC 之和。这样就能看出哪个资产对风险的「边际影响」最大。
3. 案例演示：一个真实场景
假设你管理一个投资组合，包含三类资产：
| 资产 | 当前权重 | 年化波动率 |
|---|---|---|
| 股票 | 60% | 20% |
| 债券 | 30% | 8% |
| 商品 | 10% | 25% |
协方差矩阵（年化）：
cov_matrix = np.array([
[0.04, 0.004, 0.01 ], # 股票
[0.004, 0.0064, 0.002], # 债券
[0.01, 0.002, 0.0625] # 商品
])
运行我们的函数：
weights = np.array([0.6, 0.3, 0.1])
mrc = marginal_risk_contribution(weights, cov_matrix)
print("MRC:", np.round(mrc, 4))
# 输出: [0.1482, 0.0385, 0.0891]
结果解读：
- 股票 MRC = 0.1482：股票权重每增加1%，组合标准差增加约0.15%
- 债券 MRC = 0.0385：债券的边际风险贡献最小，增加债券反而能降低组合风险
- 商品 MRC = 0.0891：介于两者之间
避坑指南：我曾经犯过一个错误——直接用成分风险贡献来判断「加仓哪个资产风险最小」。其实不对！成分风险贡献看的是「存量」，边际风险贡献看的是「增量」。比如债券的成分风险贡献可能不小，但它的边际风险贡献却很小，因为债券和股票有负相关关系。
4. 知识体系：边际风险贡献的核心逻辑
下面这张图帮你理清思路：
5. 几个容易踩的坑
- 别把 MRC 和 CRC 搞混：成分风险贡献是 \(w_i \times MRC_i\)，边际风险贡献是导数本身。两者差了一个权重。
- 注意协方差矩阵的周期性：如果用日度数据算协方差，算出来的 MRC 也是日度的。要年化的话，记得乘以 \(\sqrt{252}\)。
- 权重变化后的再平衡：MRC 是「瞬时」概念。当你真的加了 1% 权重后，MRC 会变。所以实际应用中，我一般会做敏感性分析——算不同权重下的 MRC 变化。
我的习惯：在项目交付时，我会同时给出 MRC 和 CRC 两张表。领导问「哪个资产风险最大」——看 CRC；问「现在加仓哪个最安全」——看 MRC。两张表配合使用，决策才完整。
好了，边际风险贡献就讲到这里。记住一句话：MRC 是「风险对权重的敏感度」。下次有人问你「再加点这个资产风险会怎样」，你就可以拍着胸脯说：「等我算一下 MRC」。