1. 课程导论：组合风险归因与 AB 测试结合的意义
1.1 为什么需要将组合风险归因与 AB 测试结合？
在量化投资与金融科技领域，组合风险归因与 AB 测试长期处于“各自为战”的状态。风险归因关注的是“组合为什么亏/赚了多少钱”，而 AB 测试关注的是“某个策略改动是否带来了显著收益”。两者结合后，可以回答一个更关键的问题：“策略改动带来的收益，是否真正降低了风险暴露？还是仅仅增加了未被归因的隐性风险？”
核心痛点： 传统 AB 测试只关注收益指标的显著性，忽略了风险维度的结构性变化。一个策略可能提升了 5% 的收益，却增加了 20% 的尾部风险或行业集中度风险。组合风险归因提供了“风险显微镜”，AB 测试提供了“因果推断引擎”，两者结合才能做出稳健的决策。
1.2 课程目标与学习路径
本课程旨在培养学员同时掌握组合风险分解与人群切片 AB 测试两大核心能力，并能在实际业务中无缝衔接。课程目标分为三个层级：
| 层级 | 目标 | 核心产出 |
|---|---|---|
| 基础层 | 理解风险归因的数学原理与 AB 测试的统计框架 | 能独立计算 Brinson 归因、Barra 因子归因；能设计 A/B 实验 |
| 应用层 | 掌握人群切片（Segmentation）与多维度风险分解 | 能对用户/资产进行切片，并在每个切片内做风险归因与 AB 分析 |
| 实战层 | 构建端到端的“归因+实验”决策系统 | 完成一个完整的组合优化与策略评估项目 |
学习路径遵循“理论→工具→实战”的递进结构：
- 第 1-5 章： 风险归因基础（Brinson、Barra、边际贡献）
- 第 6-10 章： AB 测试核心（假设检验、MDE、多重比较）
- 第 11-15 章： 人群切片方法论（RFM、行为聚类、分层抽样）
- 第 16-20 章： 归因与 AB 测试的融合（切片内归因、风险调整后的实验评估）
- 第 21-25 章： 实战案例与代码实现（Python 全流程）
- 第 26-30 章： 高级专题与系统架构设计
学习建议： 每章结束后，建议用 Jupyter Notebook 复现代码示例。本课程所有代码均基于 Python 3.10+，依赖库包括 pandas、numpy、scipy、statsmodels、riskfolio-lib。
1.3 前置知识要求
本课程面向具备一定量化基础与统计背景的学员。具体前置要求如下：
| 领域 | 具体要求 | 推荐复习资料 |
|---|---|---|
| 概率统计 | 理解正态分布、t 分布、假设检验（p-value、置信区间）、方差分析 | 《概率论与数理统计》（茆诗松）第 5-8 章 |
| 投资组合理论 | 熟悉均值-方差模型、夏普比率、信息比率、因子模型（CAPM、Fama-French） | 《现代投资组合理论与投资分析》（Elton 等）第 1-6 章 |
| Python 编程 | 熟练使用 pandas 进行数据清洗、groupby 操作；了解 numpy 矩阵运算 | Pandas 官方文档 “10 Minutes to pandas” |
| 线性代数 | 矩阵乘法、逆矩阵、特征值分解（用于因子协方差矩阵） | 《线性代数及其应用》（Strang）第 1-4 章 |
注意： 如果对“因子暴露”、“协方差矩阵”、“p-value 多重比较校正”等概念完全陌生，建议先花 1-2 周补齐基础。本课程不会从零讲解微积分或基础语法。
1.4 课程知识体系总览
下图展示了本课程的核心知识模块及其关系。风险归因与 AB 测试通过“人群切片”这一桥梁实现融合，最终输出“风险调整后的策略评估报告”。
1.5 一个贯穿课程的案例场景
为了帮助学员建立直观理解，本课程将围绕一个虚拟量化投顾平台的实战场景展开：
- 背景： 某平台管理着 100 个不同风险偏好的投资组合，每个组合包含股票、债券、商品三类资产。
- 问题： 平台想测试“将 10% 的债券仓位切换为低波动股票”这一策略改动，是否真的提升了风险调整后收益？
- 传统做法： 直接做 AB 测试，对比改动组与对照组的总收益，发现 p=0.03，认为策略有效。
- 本课程做法： 先对组合做风险归因（发现原组合的行业集中度风险过高），再按“行业集中度高低”对组合切片，在每个切片内分别做 AB 测试。最终发现：策略只在“高集中度”切片中有效，在“低集中度”切片中反而增加了尾部风险。
关键启示： 没有风险归因的 AB 测试是“盲人摸象”，没有 AB 测试的风险归因是“纸上谈兵”。两者结合，才能做出真正可落地的投资决策。
1.6 课程配套代码与数据说明
所有实战章节均提供可运行的 Python 代码。以下是一个简化的风险归因与 AB 测试结合的数据结构示例：
# 示例：切片内风险归因与 AB 测试的数据结构
import pandas as pd
# 模拟数据：每个切片（segment）包含组合的收益、风险贡献、实验分组
data = {
'segment': ['高集中度', '高集中度', '低集中度', '低集中度'],
'portfolio_id': [1, 2, 3, 4],
'return': [0.05, 0.07, 0.03, 0.04],
'risk_contribution': [0.12, 0.15, 0.06, 0.07],
'treatment': [1, 0, 1, 0] # 1=实验组, 0=对照组
}
df = pd.DataFrame(data)
print(df)
本课程所有数据均为模拟生成或公开数据集（如 FF 因子数据），不涉及任何商业机密。学员可在 GitHub 仓库中获取完整代码与数据生成脚本。