1. 课程导论：组合风险归因的定义、在投资管理中的核心价值、特征工程与训练集构建的整体流程概览

1.1 组合风险归因的定义

组合风险归因（Portfolio Risk Attribution）是一种将投资组合的总风险拆解到不同维度（如资产、因子、行业、风格）的量化分析方法。其核心目标是回答两个问题：“风险从哪里来？” 和 “每个组成部分对总风险的贡献度是多少？”

在数学上，若组合收益的方差为 \(\sigma_p^2\)，且组合权重向量为 \(\mathbf{w}\)，协方差矩阵为 \(\mathbf{\Sigma}\)，则第 \(i\) 个资产或因子的边际风险贡献（Marginal Risk Contribution, MRC）和绝对风险贡献（Absolute Risk Contribution, ARC）定义如下：

MRC_i = (∂σ_p) / (∂w_i) = (Σ · w)_i / σ_p
ARC_i = w_i × MRC_i
∑ ARC_i = σ_p

风险归因不仅限于线性分解，还包括边际分析、成分分解（Euler分解）以及基于情景的模拟归因。下表总结了三种主流归因方法的对比：

1.2 在投资管理中的核心价值

组合风险归因在投资管理全生命周期中扮演着不可替代的角色，其核心价值体现在以下四个层面：

• 风险预算与限额管理：将董事会或投资委员会设定的总风险预算（如年化波动率≤15%）分解到各资产类别、行业或因子，实现自上而下的风险分配与监控。
• 绩效归因的补充与验证：收益归因回答“赚了多少钱”，风险归因回答“冒了多大风险”。两者结合可计算风险调整后收益（如信息比率、夏普比率），识别真正的α来源。
• 组合优化与再平衡：通过识别集中度风险（如某行业ARC占比过高），指导调仓方向，避免过度暴露于单一风险源。
• 监管合规与压力测试：满足巴塞尔协议III、Solvency II等监管要求，定期输出风险归因报告，并用于极端情景下的风险传导分析。

1.3 特征工程与训练集构建的整体流程概览

本课程的核心方法论围绕一条端到端的流水线展开。下图展示了从原始数据到风险归因模型部署的完整流程：

1.4 流程关键节点说明

上图展示了四个核心阶段及其子步骤。在实际项目中，每个阶段都包含若干关键决策点，直接影响最终归因质量：

1. 数据采集阶段：需特别注意幸存者偏差（仅保留现存标的）和前瞻偏差（使用未来信息构造特征）。建议使用点-in-time（PIT）数据快照。
2. 特征工程阶段：因子构造后必须进行相关性分析与共线性诊断（VIF阈值通常设为5或10）。高相关因子需正交化或剔除。
3. 训练集构建阶段：时间序列数据不能随机打乱，必须采用滚动窗口或扩展窗口划分，防止未来信息泄露。
4. 模型训练阶段：归因结果需通过可加性检验（各成分之和是否等于总风险）和稳定性检验（滚动窗口下归因权重是否剧烈波动）。

1.5 课程学习路径与预期成果

本课程共30章，分为四大模块。下表展示了各模块的核心内容与学习目标：

通过本课程的学习，你将能够：

• 从零构建一套完整的组合风险归因特征工程流水线；
• 设计无前瞻偏差、无幸存者偏差的训练集；
• 使用Python实现Euler分解、因子模型及机器学习归因；
• 对归因结果进行可解释性分析与稳定性验证。