2. 风险因子体系：系统性因子与特质性因子的识别与分类

风险因子是组合风险归因的原子单元。一个因子的定义质量直接决定了归因结果的可解释性与稳定性。本章将因子体系拆解为系统性因子与特质性因子两大类别，并给出可操作的识别与分类标准。

2.1 因子分类总览

从风险来源的广度与可分散性出发，所有因子可归入以下两类：

2.2 四大经典系统性因子

现代投资组合理论中，以下四个因子构成了最常用的系统性因子集：

• 市场因子（Market）：代表整体股票市场的超额收益，通常以宽基指数（如沪深 300、标普 500）为代理变量。是所有多因子模型的基准因子。
• 规模因子（Size）：小市值股票相对于大市值股票的超额收益。Fama-French 三因子模型的核心扩展因子。
• 价值因子（Value）：高账面市值比（低估值）股票相对于低账面市值比（高估值）股票的超额收益。常以 PB、PE 或 EP 排序构建。
• 动量因子（Momentum）：过去 6–12 个月表现优异的股票在未来短期内的延续效应。Carhart 四因子模型的标志性因子。

2.3 系统性因子与特质性因子的识别边界

识别一个因子属于系统性还是特质性，需通过以下三个维度进行判定：

1. 截面覆盖度：该因子是否对超过 80% 的资产有显著暴露？若是，倾向系统性。
2. 时间稳定性：因子收益的符号与幅度在 3 年以上是否保持统计显著？若是，倾向系统性。
3. 经济解释力：是否存在公认的经济学或行为金融学解释？若是，倾向系统性。

以下表格展示了常见因子的分类归属：

2.4 因子体系架构图

下图展示了从原始数据到因子暴露的完整链路，以及系统性因子与特质性因子在归因流程中的位置：

2.5 特质性因子的处理策略

特质性因子虽然数量庞大，但在 API 设计中可通过以下策略高效管理：

• 聚合为残差项：在标准归因 API 中，特质性因子不单独返回，而是合并为 residual_risk 字段。
• 按风险预算拆分：对于需要深度归因的场景，提供 specific_risk_breakdown 端点，按行业或风格分组展示特质风险。
• 阈值过滤：仅当特质性因子暴露超过预设阈值（如 |t| > 2）时，才在归因报告中单独列出。

2.6 因子分类的 API 实现示例

以下代码展示了如何在风险归因 API 中定义因子分类结构：

{
  "factor_classification": {
    "systematic": {
      "factors": ["mkt", "size", "value", "mom"],
      "description": "四大经典系统性因子",
      "covariance_method": "shrinkage"
    },
    "idiosyncratic": {
      "factors": ["residual"],
      "description": "特质性因子聚合为残差项",
      "estimation_method": "sample_cov"
    }
  },
  "exposure_matrix": {
    "asset_1": {"mkt": 1.05, "size": -0.23, "value": 0.45, "mom": 0.12, "residual": 0.34},
    "asset_2": {"mkt": 0.98, "size": 0.56, "value": -0.11, "mom": -0.08, "residual": 0.21}
  }
}

2.7 因子分类决策流程图

当需要判断一个新因子应归入哪一类时，可参考以下决策流程：

2.8 因子分类清单（快速参考）

以下清单可作为日常因子分类的快速参考：