3. 风险模型概述

在动态协方差与风险模型更新的实战中，第一步不是急着调参或写代码，而是先厘清“我们到底在用什么风险模型”。风险模型不是单一公式，而是一套从收益不确定性到风险归因的完整表达体系。本节围绕基本类型、因子模型、风险分解、风险预算与更新需求五个关键词展开，为后续协方差估计与模型迭代建立概念骨架。

一、风险模型的基本类型

按建模对象与用途，风险模型大致可分为三类。第一类是统计风险模型，直接对资产收益的协方差矩阵建模，例如样本协方差、指数加权协方差、收缩估计与因子分析协方差。它不依赖基本面解释，优点是通用、可计算，缺点是维度高时估计噪声大。第二类是因子风险模型，将资产收益拆解为共同因子暴露与特质收益，典型代表是宏观因子模型、基本面因子模型和统计因子模型。第三类是情景与压力风险模型，通过历史情景、假设冲击或蒙特卡洛模拟刻画尾部风险，常用于压力测试与限额管理。

三类模型并非互斥。实务中常见做法是：用因子模型做日常风险归因与组合优化，用统计模型做协方差收缩与稳健估计，用情景模型做极端风险补充。理解这一分层，才能避免“用一个模型解决所有问题”的常见误区。

二、因子模型：从收益结构到风险结构

因子模型的核心表达是：资产收益由共同因子收益和特质收益共同驱动。设资产收益向量为 r，因子暴露矩阵为 B，因子收益为 f，特质收益为 u，则：

r = B f + u
Cov(r) = B Cov(f) B^T + Cov(u)

其中 B Cov(f) B^T 是共同因子风险，Cov(u) 通常假设为对角矩阵，代表特质风险。因子模型的最大价值在于降维：原本需要估计 N(N+1)/2 个协方差参数，现在只需估计因子协方差与特质方差，参数数量大幅下降，估计稳定性显著提升。

常见因子体系包括市场因子、规模因子、价值因子、动量因子、质量因子与波动率因子。选择因子时需注意：因子要有经济含义、要能解释收益横截面差异、要尽量低相关，并且要能稳定估计。因子过多会引入共线性，因子过少则解释力不足。

三、风险分解：从组合风险到边际贡献

有了风险模型，下一步是回答“风险从哪里来”。风险分解的常用工具包括：

• 因子暴露分解：组合在各因子上的净暴露，回答“我们押注了哪些因子”。
• 风险贡献分解：每个资产或因子对组合总风险的边际贡献，回答“谁在主导风险”。
• 主动风险分解：相对于基准的跟踪误差来源，回答“超额风险来自哪些偏离”。
• 尾部风险分解：在压力情景下各因子的损失贡献，回答“极端情况下谁最危险”。

以组合权重 w 为例，组合风险可写为 σ_p = sqrt(w^T Σ w)。资产 i 的风险贡献为 RC_i = w_i (Σ w)_i / σ_p，所有 RC_i 之和等于 σ_p。这一性质使风险预算成为可能：我们可以设定每个资产或因子的目标风险贡献，再反推权重。

四、风险预算与更新需求

风险预算的本质是把“资金权重”转化为“风险权重”。传统等权组合在风险上往往并不均衡，因为高波动资产会主导组合风险。风险预算要求先设定各资产或因子的风险贡献目标，再通过优化求解权重。常见形式包括等风险贡献、因子风险平价和主动风险预算。

风险预算不是一次性任务。市场波动率、因子暴露、相关性结构都会随时间变化，因此风险模型必须持续更新。更新需求主要来自四个方面：

更新触发因素	典型表现	更新动作
波动率聚集	市场波动率骤升，历史协方差低估风险	缩短估计窗口，引入指数加权或GARCH
相关性结构变化	危机中资产相关性趋同，分散化失效	使用条件相关、DCC或情景协方差
因子暴露漂移	组合风格暴露偏离目标，风险归因失真	重新估计因子暴露，调整组合约束
新资产或新因子加入	原有模型无法覆盖新标的	扩展因子体系，重估协方差矩阵

五、常见误区与复盘

第一个误区是把样本协方差当作真实风险。当资产数量接近或超过观测期数时，样本协方差矩阵不可逆或极不稳定，直接用于优化会产生极端权重。第二个误区是忽略因子模型的特质风险。只关注共同因子风险，会导致组合在特质风险上过度集中。第三个误区是风险预算后不再更新。风险预算的目标是动态的，市场变化后原有预算可能已经失效。

复盘时建议检查三个问题：当前风险模型能否解释最近一次组合回撤？风险贡献是否与投资逻辑一致？更新后的协方差是否显著改变了最优权重？如果答案是否定的，说明模型更新机制需要重新设计。

总结来看，风险模型的基本类型决定了建模视角，因子模型提供了降维与归因框架，风险分解回答了风险来源，风险预算将风险目标转化为权重约束，而更新需求则确保模型在动态市场中保持有效。这五个环节环环相扣，构成了动态协方差与风险模型更新的完整逻辑起点。