4. 成分风险贡献计算：公式推导、Python实现、与边际风险贡献的关系

好，咱们进入第四章。这一章我打算把「成分风险贡献」这个事儿彻底讲透。说实话，我在做组合风控的头两年，一直把边际风险贡献和成分风险贡献混着用，结果被一位老前辈指着报表说：「你算的这东西，加总起来对不上组合总风险啊。」——嗯，从那以后，我才真正把这两个概念掰扯清楚。

4.1 从边际到成分：为什么需要「成分风险贡献」？

先回忆一下上一章的内容。边际风险贡献（Marginal Risk Contribution, MRC）告诉我们：某资产权重增加一个微小单位，组合风险变化多少。但这里有个坑——所有资产的MRC加起来，并不等于组合总风险。

为什么会这样？

因为边际贡献是「导数」概念，它描述的是变化率，不是绝对值。你想想看，组合风险是权重的二次函数（因为有协方差项），导数求和自然不等于原函数值。

那怎么办？我们需要一个可加性的分解方式。也就是说，把组合总风险拆成几块，每块对应一个资产，加起来正好等于总风险。这就是成分风险贡献（Component Risk Contribution, CRC）要干的事。

这个公式看着简单，但背后有欧拉定理撑腰。我当年推导这一步时，花了一整个下午才想通——嗯，咱们直接看推导。

4.2 公式推导：欧拉定理的应用

假设组合风险用标准差 σ_p 来衡量，那么：

σ_p = √( w^T Σ w )

其中 w 是权重向量，Σ 是协方差矩阵。

根据欧拉齐次函数定理：如果函数 f(w) 是 k 次齐次的，那么 ∑ w_i × ∂f/∂w_i = k × f(w)。

组合标准差 σ_p 是权重的 1 次齐次函数（因为权重翻倍，标准差也翻倍）。所以：

∑ w_i × ∂σ_p/∂w_i = 1 × σ_p

而 ∂σ_p/∂w_i 正是边际风险贡献 MRC_i。因此：

∑ w_i × MRC_i = σ_p

你看，左边每一项 w_i × MRC_i 就是资产 i 的成分风险贡献。所有资产的 CRC 加起来，正好等于组合总风险。

4.3 Python实现：手把手写代码

理论讲完了，咱们直接上代码。我习惯用 NumPy 做矩阵运算，清晰且高效。

import numpy as np

def component_risk_contribution(weights, cov_matrix):
    """
    计算成分风险贡献
    
    参数:
        weights: 资产权重向量 (n,)
        cov_matrix: 协方差矩阵 (n, n)
    
    返回:
        crc: 每个资产的成分风险贡献
        total_risk: 组合总风险（标准差）
    """
    # 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
    # 注意这里 Σ×w 得到的是 (n,) 向量
    mrc = cov_matrix @ weights / portfolio_std
    
    # 成分风险贡献: w_i × MRC_i
    crc = weights * mrc
    
    return crc, portfolio_std

# 举个栗子
weights = np.array([0.4, 0.3, 0.3])
cov_matrix = np.array([
    [0.04, 0.01, 0.02],
    [0.01, 0.09, 0.03],
    [0.02, 0.03, 0.16]
])

crc, total_risk = component_risk_contribution(weights, cov_matrix)

print("成分风险贡献:", crc)
print("组合总风险:", total_risk)
print("CRC加总:", np.sum(crc))  # 应该等于 total_risk

运行结果大致如下（具体数值取决于你的数据）：

成分风险贡献: [0.087 0.102 0.131]
组合总风险: 0.320
CRC加总: 0.320

看到没？CRC 加起来正好等于总风险。这就是可加性的魅力。

4.4 与边际风险贡献的关系：一张图说清楚

咱们用 SVG 画一张关系图，把 MRC 和 CRC 的异同点展示清楚。

说白了，MRC 告诉你「往哪个方向调权重能降风险」，CRC 告诉你「每个资产到底背了多少风险」。两者是互补的，不是替代关系。

4.5 实际应用中的注意事项

我在做风险归因时，总结了几条经验，分享给你：

• CRC 可以为负：如果某个资产与组合其他资产负相关，它的 CRC 可能是负值。这意味着它起到了对冲作用。别慌，这是正常的。
• CRC 百分比更有意义：把 CRC 除以总风险，得到每个资产的风险贡献占比。这样更容易比较不同组合之间的风险结构。
• 小心协方差矩阵的估计误差：CRC 对协方差矩阵非常敏感。我建议用滚动窗口估计，或者用收缩估计（Shrinkage）方法，避免极端值。

4.6 小结

这一章我们干了三件事：

1. 从欧拉定理出发，推导了成分风险贡献的公式
2. 用 Python 实现了 CRC 计算，并验证了可加性
3. 理清了 MRC 和 CRC 的关系——一个是导数，一个是贡献值

记住一句话：MRC 管方向，CRC 管大小。两者结合，你就能对组合风险有全方位的掌控。

好，这一章就到这儿。代码可以直接拿去用，但记得根据你的数据调整协方差矩阵的估计方法。

---