📚 课程目录第3章组合风险因子体系

3. 组合风险因子体系：常见风险因子与因子暴露度计算

在量化投资与组合风险管理中，风险因子是解释资产收益与风险来源的核心变量。本章系统梳理市场、行业、风格、利率、信用等常见风险因子，并详细阐述因子暴露度（Factor Exposure）的计算方法，为后续的风险归因与PSI巡检奠定基础。

3.1 风险因子的分类与定义

风险因子可按照驱动来源分为宏观因子与风格因子两大类。下表列出组合管理中最为常用的因子类别及其典型代表：

因子类别	典型因子	经济含义	常见代理变量
市场因子	市场收益（MKT）	整体市场系统性风险	沪深300 / 标普500 指数收益率
行业因子	申万一级行业 / GICS 行业	行业特有风险	行业指数收益率（哑变量或连续）
风格因子	规模、价值、动量、波动率、成长	资产特征驱动的截面收益差异	标准化Z-score（市值、BP、12M动量等）
利率因子	期限结构、信用利差	利率变动对债券/权益的影响	国债收益率曲线斜率、信用利差
信用因子	违约风险、信用评级	信用事件对债券/权益的冲击	信用利差变化、CDS spread
波动率因子	低波、尾部风险	波动率异象与避险需求	历史波动率、VIX指数

实践提示： 在实际组合中，因子之间往往存在多重共线性（如价值与低波在某些市场高度相关）。构建因子体系时建议先做相关性分析，避免冗余因子稀释归因结果。

3.2 因子暴露度的核心计算逻辑

因子暴露度（Factor Exposure）衡量组合或单资产对某个风险因子的敏感程度。计算方式取决于因子类型与数据频率，主流方法包括回归法、截面Z-score法、哑变量法。

3.2.1 回归法（时间序列回归）

适用于市场因子、利率因子等具有明确时间序列收益的因子。对每只股票或组合收益进行滚动回归：

R_t = α + β₁·F₁_t + β₂·F₂_t + … + ε_t

其中：
- R_t：资产或组合在 t 期的超额收益
- F₁_t：因子 i 在 t 期的收益率
- β₁：因子暴露度（因子载荷）
- α：截距项（选股能力）
- ε_t：残差（特异收益）

通常使用36个月或60个月的滚动窗口，最小二乘法（OLS）估计。对于组合层面，可直接对组合收益序列做回归，得到组合的整体因子暴露。

3.2.2 截面Z-score法（风格因子）

适用于规模、价值、动量等风格因子。先对个股特征值做截面标准化，再按组合权重加权：

步骤：
1. 对全市场个股的特征值（如市值对数）计算截面均值和标准差
2. 计算每只个股的 Z-score = (特征值 - 均值) / 标准差
3. 组合因子暴露度 = Σ (权重_i × Z-score_i)

注意：Z-score 需定期（如每月）重新计算，保持截面可比性。

3.2.3 哑变量法（行业因子）

行业因子暴露通常采用0/1哑变量或行业权重占比。组合对行业 i 的暴露度 = 组合中属于行业 i 的资产权重之和。

  关键区别： 回归法暴露度是“敏感度”（β系数），Z-score暴露度是“相对偏离度”（标准差单位），哑变量暴露度是“权重占比”。三者不可直接混用，在归因时需保持方法一致。

3.3 因子暴露度计算流程（SVG流程图）

下图展示了从原始数据到因子暴露度矩阵的完整计算链路，涵盖数据清洗、因子构建、暴露度估计与质量校验四个阶段：

3.4 多因子暴露度矩阵与组合归因

当组合持有数百只股票时，因子暴露度以矩阵形式组织。假设组合有 N 只股票、K 个因子，则暴露度矩阵维度为 N×K。组合整体暴露度通过市值加权或等权汇总：

组合暴露度向量 (1×K) = 权重向量 (1×N) × 暴露度矩阵 (N×K)

示例（3只股票，2个因子）：
股票A权重0.5，暴露度 [1.2, 0.8]
股票B权重0.3，暴露度 [0.9, 1.1]
股票C权重0.2，暴露度 [1.5, 0.6]

组合暴露度 = [0.5×1.2 + 0.3×0.9 + 0.2×1.5, 
               0.5×0.8 + 0.3×1.1 + 0.2×0.6]
            = [1.17, 0.85]

常见陷阱： 因子暴露度计算中，若使用不同频率的数据（如日频收益 vs 月频特征），会导致暴露度估计偏差。建议统一数据频率，或使用低频特征对高频收益做Hansen-Hodrick标准误调整。

3.5 因子暴露度的动态监测与PSI衔接

因子暴露度并非静态值，组合调仓、市场环境变化均会导致暴露度漂移。PSI（Population Stability Index）巡检正是用于量化暴露度分布随时间的变化程度。下图展示暴露度从基准期到监测期的分布偏移：

3.6 因子暴露度计算的工程实现要点

在实际量化系统中，因子暴露度计算需考虑以下工程细节：

数据对齐： 确保收益率数据与因子特征数据的时间戳对齐，避免未来函数。
异常值处理： 对极端Z-score进行缩尾（Winsorize），通常控制在±3个标准差内。
缺失值填充： 新股或停牌股票的特征缺失，可用行业均值或最近一期数据填充。
滚动窗口长度： 回归法建议至少36个月，截面Z-score建议每月重估。
因子正交化： 若因子间高度相关，可先做施密特正交化或PCA降维，再计算暴露度。

  进阶思考： 在机器学习驱动的因子体系中，暴露度计算不再局限于线性回归。可使用树模型或神经网络提取非线性因子暴露，但可解释性会下降。建议在归因报告中同时保留线性暴露度作为基准。

3.7 本章小结

风险因子体系是组合风险归因的基石。本章明确了市场、行业、风格、利率、信用等因子的定义与代理变量，详细阐述了回归法、Z-score法、哑变量法三种暴露度计算方式，并通过流程图展示了从数据到暴露度矩阵的完整链路。因子暴露度的动态监测直接衔接后续的PSI巡检，为组合风险的早期预警提供量化依据。