4. VaR与绩效归因的结合：为什么需要将VaR纳入绩效归因

传统绩效归因主要关注收益来源的分解（如Brinson模型），但忽略了投资组合所承担的风险水平。VaR（Value at Risk，风险价值）作为衡量尾部风险的核心指标，能够将风险维度正式纳入归因框架，实现真正的风险调整后绩效归因。

4.1 传统绩效归因的盲区

传统归因模型（如Brinson、Campisi）仅从资产配置、个股选择、交互效应等角度解释超额收益，存在以下缺陷：

• 忽略风险暴露差异：两个组合可能获得相同超额收益，但一个承担了显著更高的尾部风险，传统归因无法区分。
• 无法识别风险集中度：归因结果可能显示某行业贡献了正收益，但该行业在组合中占比过高，导致VaR过度集中。
• 缺乏风险预算视角：无法回答“每个决策单元消耗了多少风险预算”这一关键问题。

4.2 风险调整后收益指标的局限性

常见的风险调整后收益指标（Sharpe比率、Sortino比率、Treynor比率等）虽然在一定程度上结合了风险与收益，但在绩效归因场景中存在系统性局限：

4.3 VaR纳入绩效归因的核心价值

将VaR引入绩效归因框架，能够解决上述局限，实现以下三个层面的提升：

1. 风险预算归因：将组合总VaR分解到各资产、行业、因子层面，量化每个决策单元消耗的风险预算。
2. 风险调整后收益归因：计算每个归因单元的“收益/VaR贡献”比率，识别哪些决策真正创造了风险调整后价值。
3. 尾部风险归因：识别哪些持仓或因子是组合尾部风险的主要来源，为压力测试和情景分析提供输入。

4.4 VaR归因的数学表达

设组合总VaR为 \( VaR_p \)，可分解为各资产边际VaR的加权和：

VaR_p = Σ (w_i × MVaR_i)

其中：
  w_i   = 资产i的权重
  MVaR_i = 资产i的边际VaR（∂VaR_p / ∂w_i）

风险调整后收益归因：
  RAR_i = (收益贡献_i) / (VaR贡献_i)
  VaR贡献_i = w_i × MVaR_i

4.5 为什么训练集切分需要关注VaR归因

在《基于VaR的绩效归因训练集切分》课程中，VaR归因与训练集切分的结合点在于：

• 时间序列依赖性：VaR计算依赖历史窗口，训练集切分必须保证窗口完整性，避免截断导致VaR估计偏差。
• 风险因子稳定性：不同市场环境下VaR归因结果差异显著，训练集应覆盖多种风险状态（如低波动、高波动、尾部事件）。
• 归因结果验证：切分后的训练集需能复现稳定的VaR归因结构，否则模型泛化能力存疑。

4.6 实践建议：构建VaR归因训练集

在切分训练集时，建议遵循以下原则：