3. 组合风险度量：方差-协方差法、历史模拟法、蒙特卡洛模拟法在风险归因中的应用

在组合风险归因的工程实践中，风险度量方法的选择直接决定了归因结果的精度、计算延迟与可解释性。本章深入剖析三种主流风险度量方法——方差-协方差法、历史模拟法与蒙特卡洛模拟法——在风险归因中的数学原理、实现路径与适用场景，并给出低延迟系统下的选型建议。

3.1 三种方法的核心差异与归因适配

下表从数学假设、计算复杂度、归因粒度与延迟特征四个维度对比三种方法，帮助架构师在系统设计初期做出合理权衡。

3.2 方差-协方差法：解析解驱动的归因引擎

方差-协方差法基于组合方差公式，将风险归因转化为解析表达式，适合需要高频、低延迟计算的场景。

3.2.1 数学基础

设组合权重向量为 w，协方差矩阵为 Σ，则组合方差为：

σ²_p = wᵀ Σ w

单个资产 i 的边际风险贡献（MRC）与成分风险贡献（CRC）为：

MRC_i = ∂σ_p / ∂w_i = (Σ w)_i / σ_p
CRC_i = w_i × MRC_i

归因约束：∑ CRC_i = σ_p（完全分解）。

3.2.2 SQL 实现：协方差矩阵与归因计算

以下 SQL 片段展示如何从收益率数据计算协方差矩阵，并完成成分风险归因：

-- 步骤1：计算资产两两协方差
WITH cov_matrix AS (
  SELECT 
    a.asset_id AS asset_i,
    b.asset_id AS asset_j,
    AVG((a.ret - avg_i.avg_ret) * (b.ret - avg_j.avg_ret)) AS cov
  FROM returns a
  JOIN returns b ON a.date_id = b.date_id
  JOIN (SELECT asset_id, AVG(ret) AS avg_ret FROM returns GROUP BY asset_id) avg_i 
    ON a.asset_id = avg_i.asset_id
  JOIN (SELECT asset_id, AVG(ret) AS avg_ret FROM returns GROUP BY asset_id) avg_j 
    ON b.asset_id = avg_j.asset_id
  GROUP BY a.asset_id, b.asset_id
),
-- 步骤2：计算组合方差与边际贡献
risk_decomp AS (
  SELECT 
    c.asset_i,
    c.asset_j,
    w_i.weight * w_j.weight * c.cov AS variance_contrib
  FROM cov_matrix c
  JOIN portfolio_weights w_i ON c.asset_i = w_i.asset_id
  JOIN portfolio_weights w_j ON c.asset_j = w_j.asset_id
)
SELECT 
  asset_i,
  SUM(variance_contrib) / SQRT(SUM(SUM(variance_contrib)) OVER()) AS marginal_risk
FROM risk_decomp
GROUP BY asset_i;

3.3 历史模拟法：非参数化的风险归因路径

历史模拟法不假设收益率分布，直接使用历史收益率序列的排序分位数来度量风险。在归因中，通常采用历史情景权重法。

3.3.1 归因算法流程

1. 情景生成：取过去 T 个交易日的收益率向量，形成 T 个历史情景。
2. 组合损益计算：对每个情景 t，计算组合损益 R_p(t) = ∑ w_i × r_i(t)。
3. 分位数提取：对 R_p(t) 排序，取 α 分位数作为 VaR。
4. 边际归因：对每个资产 i，将其收益率序列替换为 0，重新计算 VaR，差值即为该资产的边际贡献。

3.3.2 低延迟优化：增量排序与分位数插值

全量排序 O(T log T) 在 T=1000 时仍可接受，但当 T 扩大至 10000 以上时，需采用增量维护有序数组或分位数近似算法（如 T-Digest）。

-- 伪代码：增量维护历史损益有序列表
class RollingHistoricalSimulation:
    def __init__(self, window=1000):
        self.window = window
        self.sorted_pnl = []  # 有序数组
    
    def update(self, new_pnl, old_pnl):
        # 移除旧数据（二分查找+删除）
        idx_old = bisect_left(self.sorted_pnl, old_pnl)
        self.sorted_pnl.pop(idx_old)
        # 插入新数据（二分查找+插入）
        idx_new = bisect_left(self.sorted_pnl, new_pnl)
        self.sorted_pnl.insert(idx_new, new_pnl)
    
    def get_var(self, alpha=0.05):
        idx = int(alpha * len(self.sorted_pnl))
        return self.sorted_pnl[idx]

3.4 蒙特卡洛模拟法：全路径分布与条件归因

蒙特卡洛模拟法通过生成大量随机路径，构建组合损益的完整分布，支持高阶风险度量（如 CVaR、偏度、峰度）及条件风险归因。

3.4.1 模拟流程与归因扩展

1. 参数估计：从历史数据估计均值向量 μ 与协方差矩阵 Σ。
2. Cholesky 分解：Σ = L Lᵀ，用于生成相关随机变量。
3. 路径生成：对每条路径 k，生成 n 维标准正态向量 z_k，计算收益率 r_k = μ + L z_k。
4. 组合损益：R_p(k) = wᵀ r_k。
5. 条件归因：在尾部区域（如 R_p(k) < VaR_α）内，计算每个资产的平均贡献。

3.4.2 条件风险归因（CVaR 分解）

条件风险归因将风险分解到尾部情景中的每个资产：

CVaR_α = E[ R_p | R_p ≤ VaR_α ]
资产 i 的条件贡献 = E[ w_i × r_i | R_p ≤ VaR_α ]

这种归因方式能揭示在极端市场条件下，哪些资产是风险的主要来源。

3.5 三种方法的归因架构对比

下图展示三种方法在风险归因系统中的数据流与计算路径差异：

3.6 低延迟系统选型决策矩阵

在实际系统设计中，需根据业务场景选择合适的方法。以下决策矩阵帮助架构师快速匹配：

3.7 本章小结

• 方差-协方差法提供解析解，延迟最低，适合实时监控，但正态假设会低估尾部风险。
• 历史模拟法无参数假设，归因结果更贴近真实市场，但计算量随历史窗口线性增长。
• 蒙特卡洛模拟法支持全分布分析与条件归因，是压力测试的标准工具，但延迟最高。
• 在低延迟系统中，建议采用分层架构：高频层用解析法，中频层用历史模拟，低频层用蒙特卡洛。
• 归因计算的核心是边际贡献分解与条件期望，三种方法均可通过适当的数学变换实现线性可加性。