3. 数据源选择：内部交易数据、外部市场数据、另类数据的适用场景

构建组合风险归因模型时，数据源的选择直接决定了模型的覆盖广度、时效性与归因精度。不同数据源在风险因子暴露计算、协方差估计、压力测试与情景分析中扮演不同角色。本章系统梳理三类核心数据源——内部交易数据、外部市场数据（Wind、Bloomberg 等）、另类数据（舆情、卫星等）——的适用场景、优势与局限，帮助你在实际工程中做出合理的数据源选型决策。

3.1 三类数据源全景对比

下表从数据维度、更新频率、可靠性、典型用途四个关键维度，对三类数据源进行横向对比：

3.2 内部交易数据：真实持仓与交易行为

内部交易数据是组合风险归因的“锚点”。它记录了投资组合在任意时点的真实持仓结构、交易执行细节与资金流动情况，是计算实际风险暴露的唯一可信来源。

• 适用场景：
  • 实际风险暴露计算：基于真实持仓计算各风险因子（利率、汇率、信用利差等）的敏感度，而非基于模型假设的持仓。
  • 交易成本归因：将组合收益分解为选股收益、择时收益与交易成本冲击，识别交易执行对风险调整后收益的影响。
  • 合规与限额监控：实时校验组合是否超出预设的风险限额（如 VaR 限额、集中度限额、杠杆率限额）。
  • 业绩归因验证：与外部市场数据结合，验证 Brinson 归因、Campisi 归因等模型的输入准确性。
• 数据字段示例：

  -- 内部交易数据核心字段（示例）
  trade_id          VARCHAR(64)    -- 交易唯一标识
  portfolio_code    VARCHAR(32)    -- 组合代码
  security_id       VARCHAR(32)    -- 证券内部编码
  trade_date        DATE           -- 交易日期
  trade_time        TIMESTAMP      -- 交易时间（精确到毫秒）
  side              CHAR(1)        -- 买卖方向（B/S）
  quantity          DECIMAL(18,4)  -- 成交数量
  price             DECIMAL(18,6)  -- 成交价格
  commission        DECIMAL(18,4)  -- 佣金
  settlement_date   DATE           -- 结算日期

• 注意事项：
  • 数据质量依赖内部系统对接稳定性，需建立字段完整性校验与异常交易检测。
  • 跨资产类别（股票、债券、衍生品）的持仓数据格式需统一标准化。
  • 历史数据回溯时，需注意公司行为（分红、拆股、并购）对持仓的影响。

3.3 外部市场数据：公允定价与市场因子

外部市场数据（如 Wind、Bloomberg、Reuters）提供了标准化的市场行情、财务数据与因子数据，是风险因子建模与基准对标的基础。这类数据经过数据商清洗与校验，具有较高的可比性与历史连续性。

• 适用场景：
  • 因子收益率估计：基于市场指数、行业指数、风格因子（价值、动量、质量等）的历史收益率，估计因子协方差矩阵。
  • 基准对标与相对风险：计算组合相对于基准（如沪深 300、标普 500）的主动风险（Tracking Error）与主动收益。
  • VaR 与压力测试：使用市场历史数据模拟收益率分布，计算参数 VaR、历史 VaR 或蒙特卡洛 VaR。
  • 定价模型输入：为债券定价模型提供收益率曲线、信用利差；为衍生品定价提供波动率曲面。
• 数据源对比：

  数据商	覆盖范围	更新频率	特色数据	接入方式
  Wind	中国 A 股、债券、期货、基金	Tick / 日频	行业分类、一致预期、龙虎榜	API / Excel / 终端
  Bloomberg	全球股票、债券、外汇、商品	Tick / 日频	BVAL 定价、ESG 评分、新闻情绪	API / Terminal / B-Pipe
  Reuters	全球市场，侧重外汇与商品	Tick / 日频	路透社新闻、基本面数据	API / Datastream

• 注意事项：
  • 不同数据商对同一证券的标识符（ISIN、CUSIP、Wind Code）不同，需建立统一映射表。
  • 历史数据可能存在幸存者偏差（Survivorship Bias），需包含已退市或违约证券的数据。
  • 数据商提供的因子数据（如 Fama-French 因子）可能滞后，需评估是否适合实时归因。

3.4 另类数据：前瞻性风险信号

另类数据（Alternative Data）是近年来风险归因领域的重要补充。它通过非传统渠道（舆情、卫星图像、支付数据、供应链数据等）捕捉市场尚未完全定价的风险信号，尤其适用于尾部风险预警与情景生成。

• 适用场景：
  • 舆情情绪因子：从新闻、社交媒体、研报中提取情绪得分，构建情绪风险因子，用于解释短期波动。
  • 供应链风险归因：利用卫星图像监测港口拥堵、工厂开工率，提前识别供应链中断对组合中相关行业的影响。
  • 尾部风险预警：通过异常舆情事件（如负面新闻爆发、监管处罚）触发压力情景，评估组合在极端事件下的损失。
  • 非对称风险暴露：识别传统因子无法解释的“黑天鹅”风险，如地缘政治事件、自然灾害对特定行业的冲击。
• 数据来源示例：

  另类数据类型	典型数据源	风险归因用途	挑战
  新闻舆情	Reuters News、新浪财经、Twitter	情绪因子、事件驱动归因	信噪比低，需 NLP 清洗
  卫星图像	Planet Labs、Maxar	供应链风险、行业景气度	数据量大，处理成本高
  支付数据	Visa、Mastercard 聚合数据	消费行业收入预测	隐私合规，数据可用性受限
  搜索指数	Google Trends、百度指数	投资者关注度因子	季节性干扰，需去趋势

• 注意事项：
  • 另类数据通常需要大量预处理（去噪、标准化、对齐时间戳），建议建立独立的另类数据管道。
  • 数据合规性需提前评估，尤其是涉及个人隐私或商业机密的数据。
  • 另类数据更适合作为“增强信号”而非核心输入，避免过度拟合历史模式。

3.5 数据源融合架构

在实际工程中，三类数据源需要在一个统一的数据管道中融合，才能支撑端到端的风险归因模型训练。下图展示了典型的数据源融合架构：

3.6 数据源选型决策流程

在实际项目中，建议按照以下步骤进行数据源选型：

1. 明确归因目标：是业绩归因（Brinson）、风险归因（因子模型）还是压力测试？不同目标对数据源的要求不同。
2. 评估数据可用性：内部数据是否完整？外部数据商是否覆盖所需资产类别？另类数据是否有合规授权？
3. 确定更新频率：日频归因可使用日终数据；高频归因（如 T+0 风控）需要 Tick 级数据，此时另类数据可能无法满足时效性。
4. 建立数据质量基线：对每个数据源设定完整性、准确性、及时性指标（如缺失率 < 1%，延迟 < 30 分钟）。
5. 设计数据融合策略：确定主数据源（通常为内部数据）、参考数据源（外部市场数据）、增强数据源（另类数据）的优先级与冲突解决规则。