4、风险贡献计算：边际风险贡献、绝对风险贡献、相对风险贡献、风险预算分配逻辑

好，咱们进入风险预算模型最核心的环节——风险贡献计算。

说实话，很多做量化的朋友把风险预算挂在嘴边，但真让他算一笔账，往往就卡在「贡献」这两个字上。我当年刚入行时也踩过这个坑，以为风险贡献就是权重乘以波动率，结果被风控总监叫去办公室聊了半小时人生。

今天咱们把这块彻底掰开揉碎。你想想看，风险预算的本质是什么？就是把总风险这个蛋糕，切成几块分给不同资产。但怎么切？切多大？这就得靠边际、绝对、相对这三把刀。

4.1 边际风险贡献（Marginal Risk Contribution）

边际风险贡献，说白了就是：某资产权重增加一个微小单位，组合总风险会变化多少。

数学上，它是组合风险对权重的偏导数。假设组合方差为 σ²p = wᵀΣw，那么第 i 个资产的边际风险贡献就是：

MRC_i = ∂σp / ∂w_i = (Σw)_i / σp

嗯，这里要注意，MRC 是个有方向的东西。正值意味着增加权重会推高风险，负值则相反。我在项目中遇到过一种情况：某债券和股票高度负相关，它的 MRC 居然是负的。当时团队里有人想加杠杆，我说等等，你加仓反而会降低组合波动——这就是边际风险贡献告诉我们的反直觉事实。

4.2 绝对风险贡献（Absolute Risk Contribution）

绝对风险贡献，也叫成分风险贡献（Component Risk Contribution）。它回答的问题是：每个资产对组合总风险贡献了多少绝对值。

计算公式很简单：

ARC_i = w_i × MRC_i = w_i × (Σw)_i / σp

注意，所有资产的 ARC 加起来，正好等于组合总风险 σp。这是一个完美的分解性质。我习惯用这个性质来校验模型——如果加总不等于总风险，那一定是代码写错了。

举个例子，假设组合只有两个资产：

资产	权重	波动率	相关系数	MRC	ARC
股票	60%	20%	0.3	0.18	0.108
债券	40%	8%		0.07	0.028
组合总风险					0.136

你看，股票贡献了 0.108 的风险，债券贡献了 0.028，加起来正好 0.136。这就是绝对风险贡献的妙处——每一分风险都有主。

4.3 相对风险贡献（Relative Risk Contribution）

相对风险贡献，其实就是把绝对风险贡献归一化，看看每个资产承担了总风险的百分之多少。

RRC_i = ARC_i / σp

这个指标在风险预算中特别有用。因为很多时候我们关心的不是具体数值，而是比例。比如风控委员会开会，你说「股票贡献了 79.4% 的风险」，比说「股票贡献了 0.108」要直观得多。

我曾经帮一家保险资管做风险归因，他们要求每个资产类别的相对风险贡献不能超过 30%。结果发现某只高收益债的 RRC 飙到了 45%，一查才知道，这只债的久期被低估了，实际风险敞口比名义上大得多。这就是相对风险贡献的实战价值——帮你快速定位风险集中度。

4.4 风险预算分配逻辑

好了，前面三把刀都磨好了，现在咱们来切蛋糕。

风险预算分配的核心逻辑是：让每个资产的相对风险贡献等于预设的风险预算比例。

数学上，我们要解这样一个方程组：

RRC_i = b_i, 对于所有 i

其中 b_i 是预设的风险预算，且 ∑b_i = 1。

这个方程组没有解析解，得用数值方法迭代求解。我常用的方法是牛顿法或者序列二次规划。下面给个简单的 Python 实现思路：

import numpy as np
from scipy.optimize import minimize

def risk_budget_objective(weights, cov, budgets):
    # 计算组合风险
    port_vol = np.sqrt(weights @ cov @ weights)
    # 计算边际风险贡献
    mrc = cov @ weights / port_vol
    # 计算绝对风险贡献
    arc = weights * mrc
    # 计算相对风险贡献
    rrc = arc / port_vol
    # 目标：让 RRC 接近预算
    return np.sum((rrc - budgets) ** 2)

# 初始权重设为等权
w0 = np.ones(n) / n
# 约束：权重和为1，且非负
cons = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
bounds = [(0, 1) for _ in range(n)]

result = minimize(risk_budget_objective, w0, 
                  args=(cov, budgets),
                  constraints=cons, 
                  bounds=bounds,
                  method='SLSQP')
optimal_weights = result.x

嗯，这里要注意几个细节：

• 初始权重很重要：我习惯用等风险贡献（ERC）的权重作为起点，收敛更快
• 约束条件要谨慎：如果允许做空，边界要设为 (-∞, ∞)，但风险预算模型通常不允许
• 收敛判据：我一般设 RRC 与预算的误差小于 1e-6 就算收敛

4.5 知识体系总览

为了让你更直观地理解整个风险贡献的计算逻辑，我画了张图：

这张图把整个流程串起来了：从权重和协方差出发，先算总风险，再拆成三个层次的贡献，最后落到预算分配上。你写代码的时候，就按这个流程一步步来，不会乱。

最后说一句，风险预算模型不是万能药。它假设协方差矩阵是稳定的，但市场会变。我每季度会重新估计一次协方差，并做压力测试——如果某个资产的相关性突然变了，预算还扛得住吗？这才是真正的风险管理。

---

公众号:蓝海资料掘金营，微信deep3321