2. 金融风险基础：市场风险、信用风险、流动性风险、操作风险的定义与区别

在组合风险归因与AB测试应用中，准确识别和区分不同类型的金融风险是构建有效策略的前提。金融风险通常被划分为四大核心类别：市场风险、信用风险、流动性风险和操作风险。每种风险在来源、度量方式及对投资组合的影响上存在本质差异。

2.1 四大风险定义与核心特征

2.2 四大风险的区别与关联

理解四类风险的区别，关键在于把握其驱动因素和传导路径。市场风险是系统性风险的核心，信用风险则更偏向个体或行业特定风险。流动性风险往往由市场风险或信用风险触发，而操作风险则独立于市场环境，属于内部可控范畴。

• 驱动因素不同：市场风险源于价格波动；信用风险源于对手方履约能力；流动性风险源于交易机制或资金链；操作风险源于内部流程缺陷。
• 可对冲性不同：市场风险可通过衍生品（期货、期权）对冲；信用风险可通过信用违约互换（CDS）或分散化投资管理；流动性风险较难直接对冲，通常通过预留现金或压力测试管理；操作风险主要通过内部控制与保险转移。
• 在组合中的交互：市场大幅下跌（市场风险）会同时引发信用评级下调（信用风险）和资产抛售困难（流动性风险），形成“风险共振”。

2.3 风险度量与归因中的实际应用

在组合风险归因与人群切片AB测试中，不同风险类型对应不同的处理方式：

• 市场风险归因：使用因子模型（如Fama-French）将组合收益波动拆解为市场因子、规模因子、价值因子等贡献。
• 信用风险归因：在债券组合中，通过信用利差分解，区分系统性信用风险与个体信用事件的影响。
• 流动性风险归因：在AB测试中，需对“高流动性人群”与“低流动性人群”分别切片，评估交易成本对策略收益的侵蚀。
• 操作风险归因：在回测阶段，需记录数据缺失、撮合误差、系统延迟等操作风险事件，并将其从策略真实Alpha中剥离。

2.4 风险分类在量化系统中的代码实现示例

在实际量化系统中，通常使用枚举或常量类来定义风险类型，以便在归因模块中统一调用。以下是一个Python示例：

from enum import Enum

class RiskType(Enum):
    MARKET = "市场风险"
    CREDIT = "信用风险"
    LIQUIDITY = "流动性风险"
    OPERATIONAL = "操作风险"

# 风险归因数据结构示例
risk_attribution = {
    "portfolio_id": "PF_001",
    "date": "2025-03-01",
    "risk_breakdown": {
        RiskType.MARKET: {"VaR_95": 0.023, "contribution_pct": 0.55},
        RiskType.CREDIT: {"expected_loss": 0.008, "contribution_pct": 0.20},
        RiskType.LIQUIDITY: {"bid_ask_spread_cost": 0.003, "contribution_pct": 0.10},
        RiskType.OPERATIONAL: {"loss_event_reserve": 0.005, "contribution_pct": 0.15}
    }
}

# 输出风险贡献占比
for risk_type, metrics in risk_attribution["risk_breakdown"].items():
    print(f"{risk_type.value}: 贡献占比 {metrics['contribution_pct']:.0%}")