2. 人群切片概念：什么是人群切片、切片维度与复盘应用

在金融风控与量化投资组合管理中，人群切片（Cohort Slicing / Segment Slicing）是指将投资者或交易账户按照特定属性维度划分为若干同质子群体，并在每个子群体内部独立进行风险归因与绩效复盘。切片的核心假设是：不同人群的风险驱动因子、行为模式、收益来源存在显著差异，只有通过切片才能避免“平均化谬误”，精准定位风险暴露。

2.1 什么是人群切片

人群切片不是简单的分组统计，而是一种结构化复盘方法论。它要求分析者先定义切片维度，再对每个切片独立计算风险指标（如波动率、最大回撤、VaR、边际贡献），最后通过切片间的横向对比发现异常风险集中点。

切片粒度决定了归因精度：切片过粗会掩盖子群体异质性，切片过细则导致样本量不足、统计显著性下降。实践中通常采用三级粒度：

2.2 核心切片维度

实践中常用的切片维度可分为静态属性与动态行为两大类。静态维度在切片周期内不变，动态维度随交易行为变化。以下为最核心的五个维度：

• 年龄（Age Cohort）：通常按 25–35、35–45、45–60、60+ 分组。不同年龄段的投资期限、收入稳定性、风险承受能力差异显著。
• 资产规模（Asset Tier）：按可投资资产分为 0–50 万、50–200 万、200–1000 万、1000 万+。资产规模直接影响组合分散化程度和杠杆使用。
• 风险偏好（Risk Profile）：通过问卷或历史行为映射为保守、稳健、进取、激进。风险偏好是因子暴露（如价值、动量、低波）的最强预测变量。
• 交易频率（Turnover Bucket）：低频（月均 < 3 次）、中频（3–15 次）、高频（> 15 次）。高频群体更容易受交易成本与短期动量因子影响。
• 持仓集中度（Concentration Level）：前 3 大持仓占比 < 30%、30%–60%、> 60%。集中度高的切片尾部风险显著放大。

2.3 切片在复盘中的应用场景

人群切片在组合风险归因复盘中有四个典型应用场景，每个场景对应不同的切片策略与输出指标：

2.4 切片复盘的常见陷阱与规避

2.5 切片归因的代码实现框架

以下为 Python 伪代码框架，展示如何对人群切片进行风险归因计算：

import pandas as pd
import numpy as np

def slice_risk_attribution(portfolio_df, slice_col, risk_metric='VaR_95'):
    """
    对组合按 slice_col 切片，计算每个切片的风险指标与边际贡献。
    
    Parameters
    ----------
    portfolio_df : DataFrame
        必须包含列: ['account_id', 'asset_id', 'weight', 'return', slice_col]
    slice_col : str
        切片维度列名，如 'age_group'
    risk_metric : str
        风险指标，支持 'VaR_95', 'VaR_99', 'std', 'max_drawdown'
    
    Returns
    -------
    result_df : DataFrame
        每个切片的风险指标与边际贡献
    """
    slices = portfolio_df[slice_col].unique()
    results = []
    
    for s in slices:
        mask = portfolio_df[slice_col] == s
        slice_df = portfolio_df[mask].copy()
        
        # 计算切片内组合权重与收益率
        weights = slice_df.groupby('asset_id')['weight'].sum().values
        returns = slice_df.groupby('asset_id')['return'].mean().values
        
        # 计算切片组合波动率与 VaR
        cov_matrix = np.cov(returns)  # 简化示例
        portfolio_vol = np.sqrt(weights.T @ cov_matrix @ weights)
        
        if risk_metric == 'VaR_95':
            risk_value = 1.65 * portfolio_vol
        elif risk_metric == 'VaR_99':
            risk_value = 2.33 * portfolio_vol
        elif risk_metric == 'std':
            risk_value = portfolio_vol
        else:
            raise ValueError(f"Unknown risk_metric: {risk_metric}")
        
        # 边际风险贡献
        marginal_contrib = (cov_matrix @ weights) / portfolio_vol
        component_contrib = weights * marginal_contrib
        
        results.append({
            'slice': s,
            'risk_value': risk_value,
            'n_accounts': slice_df['account_id'].nunique(),
            'top3_asset_contrib': sorted(component_contrib, reverse=True)[:3]
        })
    
    return pd.DataFrame(results)

2.6 本章小结