2. 风险因子体系：常见的风险因子分类与选择原则

风险因子是组合风险归因的基石。一套完备、正交且稳定的风险因子体系，能够将组合收益与风险的来源拆解为可解释、可管理的维度。本章系统梳理市场、行业、风格、信用、流动性等主流因子类别，并给出因子选择的通用原则。

2.1 风险因子分类全景

根据因子对资产收益与风险的解释方式，通常将风险因子划分为以下五大类别：

2.2 风险因子体系结构图

下图展示了风险因子体系的层级结构，从宏观市场因子到微观流动性因子，形成自上而下的归因框架：

2.3 因子选择原则

选择风险因子时，需遵循以下五项核心原则，以确保归因结果具有统计可靠性与业务可解释性：

1. 经济可解释性： 因子必须具有明确的经济学或金融学逻辑支撑，能够反映某种系统性风险溢价或投资者行为偏差。避免纯数据挖掘产生的“伪因子”。
2. 可投资性： 因子对应的风险敞口应能够通过实际交易工具（如指数期货、ETF、因子Smart Beta产品）进行对冲或配置，确保归因结果可落地。
3. 低相关性： 因子之间的相关性应尽量低（通常要求 |r| < 0.6），避免多重共线性导致归因系数不稳定。若两个因子高度相关，应合并或剔除其一。
4. 时间稳定性： 因子的风险溢价和因子载荷在时间序列上应保持相对稳定，避免频繁出现符号反转或剧烈波动。稳定性可通过滚动窗口的因子收益率标准差来评估。
5. 覆盖充分性： 所选因子应能解释组合大部分的风险来源（通常要求 R² > 80%），避免遗漏重要风险维度导致归因残差过大。

2.4 因子选择流程

下图展示了从候选因子池到最终因子体系的标准筛选流程，强调数据验证与业务校验的双重闭环：

2.5 常见因子构建示例

以下给出市场因子与风格因子的标准构建方式，供实际巡检时参考：

# 市场因子：以沪深300指数日收益率作为股票市场因子
import pandas as pd
import numpy as np

# 假设 df_returns 包含组合与基准日收益率
market_factor = df_returns['HS300_Return']  # 沪深300日收益率

# 风格因子：规模因子（SMB）与价值因子（HML）构建
# 按市值排序，前30%为大市值，后30%为小市值
df['size_group'] = pd.qcut(df['market_cap'], 3, labels=['Small', 'Medium', 'Large'])
# 按账面市值比排序，前30%为价值股，后30%为成长股
df['value_group'] = pd.qcut(df['book_to_market'], 3, labels=['Growth', 'Neutral', 'Value'])

# 计算SMB：小市值组合收益 - 大市值组合收益
smb_return = (df[df['size_group']=='Small']['return'].mean() - 
              df[df['size_group']=='Large']['return'].mean())

# 计算HML：价值组合收益 - 成长组合收益
hml_return = (df[df['value_group']=='Value']['return'].mean() - 
              df[df['value_group']=='Growth']['return'].mean())

2.6 因子体系巡检要点

在组合风险归因稳定性巡检中，需重点关注以下因子维度：

• 因子载荷稳定性： 检查各因子载荷的滚动标准差是否在可接受范围内（通常要求标准差 < 0.3）。
• 因子收益率序列自相关： 若因子收益率存在显著自相关，可能意味着因子存在动量或反转效应，需调整模型频率。
• 因子间时变相关性： 使用滚动窗口（如36个月）计算因子相关系数，观察是否出现结构性突变（如市场危机期间相关性骤升）。
• 因子对组合风险贡献的占比变化： 监控各因子对组合总风险（如波动率、VaR）的贡献比例是否发生显著漂移。