4. 风险归因基础

在收益归因回答了“钱从哪里赚来”之后，风险归因要回答另一个同样关键的问题：“这些收益背后承担了哪些风险，风险又来自哪里”。风险归因的起点不是模型，而是对风险的度量语言。如果度量口径不统一，后续的边际风险贡献、成分风险贡献都会失去可比性。本节聚焦四个基础构件：风险度量、波动率分解、VaR与ES，它们是搭建风险归因体系的底层砖石。

一、核心原理：风险度量的三种语言

风险度量本质上是在描述“不确定性的大小与形态”。实务中最常用的三类语言分别是：

• 离散度语言：以波动率（标准差）为代表，衡量收益围绕均值的平均偏离程度，优点是数学性质好、可分解、可加总。
• 分位数语言：以VaR（在险价值）为代表，回答“在给定置信水平下，最坏情况会亏多少”，直观但不可加。
• 尾部语言：以ES（预期短缺）为代表，回答“一旦突破VaR，平均会亏多少”，关注尾部厚度，满足次可加性。

三者并非替代关系，而是互补关系。波动率适合做归因分解，VaR适合做限额与披露，ES适合做尾部压力评估。风险归因通常以波动率为分解基础，再用VaR与ES做交叉验证。

二、波动率分解：从组合方差到成分风险

组合波动率的可分解性来自方差公式。设组合权重向量为 w，协方差矩阵为 Σ，则组合方差为 σ² = wᵀΣw。对第 i 个资产求偏导，得到边际风险贡献：

边际风险贡献 MRC_i = (Σw)_i / σ_p
成分风险贡献 CRC_i = w_i × MRC_i
组合波动率 σ_p = Σ CRC_i

这一性质意味着：组合总波动率可以精确拆分为各资产的成分风险贡献之和。这正是风险归因能够“加总闭合”的数学根基。若把资产替换为因子，同样的公式就变成因子风险分解；若替换为策略或组合，就变成多组合风险归因。

实务中还需区分两类分解口径：

需要注意的是，成分风险贡献可能为负。当某资产与组合其他部分负相关时，它实际上在降低组合风险，负贡献是合理结果，而非计算错误。

三、VaR与ES：从分位数到尾部

VaR的定义是：在置信水平 α 下，持有期内的最大可能损失。数学上，VaR_α 是损益分布的 α 分位数。ES则是在损失超过VaR的条件下的期望损失：

VaR_α = -Quantile_α(损益分布)
ES_α = -E[损益 | 损益 ≤ -VaR_α]

计算VaR有三类主流方法：

1. 历史模拟法：直接用历史损益分布的分位数，不依赖分布假设，但受样本期影响大。
2. 参数法：假设正态分布，VaR = μ + z_α × σ，计算快但低估尾部。
3. 蒙特卡洛模拟：生成大量情景，适合非线性头寸，但计算成本高。

ES相比VaR的优势在于：它满足次可加性，即 ES(A+B) ≤ ES(A) + ES(B)，这意味着分散化不会增加风险度量，符合直觉。而VaR不满足次可加性，可能出现“分散后VaR反而变大”的悖论。因此在风险归因中，ES比VaR更适合作为尾部风险的分解对象。

四、案例与场景：一个两资产组合的风险归因

假设组合由股票A和债券B构成，权重各50%，股票波动率20%，债券波动率5%，相关系数0.2。计算组合波动率与成分风险贡献：

σ_A = 20%, σ_B = 5%, ρ = 0.2, w_A = w_B = 0.5
σ_p² = 0.25×0.04 + 0.25×0.0025 + 2×0.5×0.5×0.2×0.2×0.05
     = 0.01 + 0.000625 + 0.001 = 0.011625
σ_p ≈ 10.78%
MRC_A = (0.25×0.04 + 0.25×0.2×0.2×0.05) / 0.1078 ≈ 0.0974
CRC_A = 0.5 × 0.0974 ≈ 4.87%
CRC_B ≈ 10.78% - 4.87% = 5.91%

结果显示：虽然股票权重只有50%，但其风险贡献约4.87%，债券风险贡献约5.91%。债券因与股票低相关，在组合中反而贡献了更高的边际风险占比。这说明风险归因不能只看权重，必须看协方差结构。

五、复盘：风险归因的三个易错点

• 口径混用：用VaR做分解，再用波动率做加总，结果无法闭合。分解与加总必须使用同一度量。
• 忽略负贡献：负的成分风险贡献是对冲效果，应保留并解释，而非截断为零。
• 样本期偏差：历史模拟法下，不同样本期会得到差异很大的VaR与ES，归因结论需标注样本区间。

风险归因的价值不在于给出一个精确数字，而在于揭示风险的结构与来源。波动率分解提供了可加总的框架，VaR与ES提供了尾部视角的校验。三者结合，才能让风险归因既有数学严谨性，又有业务解释力。