1. 课程导论：组合风险归因的核心概念、特征工程在风险建模中的重要性、课程目标与学习路径

1.1 组合风险归因的核心概念

组合风险归因（Portfolio Risk Attribution）是量化投资与风险管理中的核心环节，其目标是将投资组合的总风险拆解到各个资产、因子或决策层面，从而回答“风险从何而来”这一关键问题。在构建训练集之前，必须明确以下三个基础概念：

1.2 特征工程在风险建模中的重要性

在组合风险归因训练集的构建中，特征工程并非简单的数据清洗，而是决定模型预测能力与可解释性的核心环节。原始市场数据（收益率、波动率、持仓权重）通常存在以下问题：

• 高维稀疏性： 资产数量远大于时间序列长度，直接建模会导致过拟合。
• 非线性依赖： 资产间的尾部相关性、波动率聚集效应无法被线性协方差矩阵捕捉。
• 时变结构： 风险因子载荷与协方差矩阵随时间动态演化，静态特征无法反映市场状态切换。

通过特征工程，我们可以将原始数据转化为具有以下属性的训练特征：

1. 降维与去噪： 使用 PCA、因子模型或自编码器提取低维风险因子。
2. 非线性变换： 引入波动率缩放、分位数映射、核方法等捕捉尾部风险。
3. 时序记忆： 构造滞后项、滚动统计量、衰减加权特征以刻画风险动态。
4. 交互与交叉： 生成资产-因子交互项、行业哑变量与风格暴露的交叉特征。

1.3 课程目标与学习路径

本课程旨在系统性地教授如何为组合风险归因模型构建高质量的训练数据集。通过 30 个章节的递进式学习，你将掌握从原始数据到可训练特征矩阵的完整流程。

课程整体结构分为四个阶段：

完成本课程后，你将能够：

• 独立设计并实现一套完整的风险归因特征工程流水线。
• 理解不同特征对风险预测模型性能与稳定性的影响。
• 将特征工程成果直接对接机器学习模型（如 XGBoost、LSTM）或传统风险模型（如 GARCH、Black-Litterman）。

1.4 风险归因特征工程全景图

下图展示了本课程所覆盖的特征工程全貌，从原始市场数据输入到最终训练集输出的完整流程：

上图清晰地展示了本课程的技术路线：从多源数据输入开始，经过清洗对齐、四大类特征工程（单资产、组合、因子、交互），再到特征选择与降维，最终输出可用于模型训练的特征矩阵与风险标签。每一类特征都将在后续章节中深入展开。

1.5 学习路径与章节导航

为了帮助你高效学习，建议按照以下路径进行：

• 基础薄弱者： 从第 1 章开始顺序学习，重点掌握第 2-5 章的数学框架与数据预处理。
• 有经验者： 可直接跳至第 6 章开始特征工程实战，遇到概念不清时回查前 5 章。
• 实战导向者： 每章学习后立即运行配套代码示例，并尝试修改参数观察特征变化。