4. 风险因子识别

在智能寻源算法的报价优化工程中，风险权重并非静态常数，而是由多个动态因子共同驱动的复合变量。本章聚焦于四大核心风险因子的识别、量化与工程化接入方式，为后续权重计算与报价调整提供数据底座。

4.1 风险因子全景与工程分类

从工程部署视角，风险因子可划分为静态属性因子与动态时序因子两类。静态因子在寻源周期内相对稳定，动态因子则需要实时或准实时接入数据管道。

4.2 供应商信用因子

供应商信用是风险权重中最具影响力的因子，直接影响报价的信用溢价系数。工程上通常采用三级评分体系：

1. 基础信用分（权重 40%）：基于工商信息、诉讼记录、行政处罚等公开数据，由第三方征信 API 提供。
2. 交易信用分（权重 35%）：基于历史订单履约率、付款周期配合度、合同违约记录等内部交易数据。
3. 财务健康分（权重 25%）：基于资产负债率、现金流比率、营收增长率等财务指标，需供应商授权或接入财务系统。

# 信用因子计算伪代码（Python）
def calculate_credit_risk(supplier_id):
    base_score = get_base_credit(supplier_id)       # 0-100
    trade_score = get_trade_credit(supplier_id)     # 0-100
    financial_score = get_financial_health(supplier_id) # 0-100
    
    # 加权综合
    composite_score = (
        0.40 * base_score +
        0.35 * trade_score +
        0.25 * financial_score
    )
    
    # 映射为风险系数 [0.8, 1.5]
    risk_factor = 1.5 - (composite_score / 100) * 0.7
    return round(risk_factor, 4)

4.3 交付周期与质量历史因子

交付周期与质量历史属于高频动态因子，对报价的时效性要求极高。工程部署时需建立滑动窗口统计模型，避免单次异常值对权重造成剧烈扰动。

4.4 市场波动因子

市场波动因子是风险权重中唯一的外部不可控因子，通常通过价格指数联动模型接入。工程部署时需关注以下三个关键点：

• 指数选择：根据寻源品类选择对应的原材料价格指数（如铜价指数、钢材价格指数、布伦特原油指数）。
• 波动率计算：使用历史 30 日年化波动率作为风险输入，而非价格水平。
• 传导系数：原材料价格波动对成品报价的传导比例，需通过回归分析或行业经验设定。

# 市场波动因子计算示例
def market_volatility_factor(commodity_index, transmission_coefficient=0.3):
    # 计算 30 日对数收益率
    log_returns = np.diff(np.log(commodity_index[-30:]))
    # 年化波动率
    annual_vol = np.std(log_returns) * np.sqrt(252)
    # 映射为风险系数 [1.0, 1.8]
    vol_factor = 1.0 + min(annual_vol * transmission_coefficient, 0.8)
    return vol_factor

4.5 风险因子融合架构

下图展示了四大风险因子在智能寻源算法中的工程融合架构，各因子经过独立计算管道后，由风险权重聚合器统一输出到报价优化引擎。

4.6 因子权重动态调整策略

在实际工程部署中，四大因子的权重并非固定不变，而是需要根据行业特性与历史回测效果进行动态调整。以下为推荐的初始权重模板：