📚 课程目录第1章课程导论

1. 课程导论：组合风险归因与PSI漂移监控在投资管理中的重要性

1.1 为什么风险归因与PSI监控是量化投资的“双引擎”？

在量化投资与多资产组合管理中，收益与风险是硬币的两面。然而，仅仅知道组合“赚了多少”或“亏了多少”远远不够。投资经理必须回答两个核心问题：

风险从哪里来？—— 是行业配置、个股选择、因子暴露，还是汇率/利率波动？
组合的风险特征是否稳定？—— 模型训练时的风险结构，在实盘环境中是否发生了“漂移”？

本课程将围绕这两个问题，构建一套从风险归因（Risk Attribution）到群体稳定性指标（PSI）漂移监控的完整实战框架。风险归因帮助我们“看清”风险来源，PSI监控则帮助我们“盯住”风险结构的变化，二者共同构成量化风控的闭环。

    核心观点： 没有归因的风险管理是盲目的，没有漂移监控的归因是静态的。只有将两者结合，才能实现动态、可解释、可预警的组合风控体系。

1.2 课程目标：从理论到实战的四大能力

完成本课程后，学员将具备以下四大核心能力：

能力维度	具体目标	应用场景
风险归因建模	掌握Brinson归因、因子归因（Barra模型）、边际贡献归因等方法	绩效归因报告、基金经理考核、组合再平衡决策
PSI漂移计算	熟练计算特征PSI、模型分数PSI，并理解其统计含义	模型监控日报、风控阈值设定、模型迭代触发
归因与监控联动	将PSI漂移信号映射到风险归因的因子变化上	归因异常诊断、风格漂移预警、压力测试归因
工具与代码实现	使用Python（Pandas、NumPy、Scikit-learn）实现全流程	自动化风控流水线、回测框架集成

1.3 适用人群：谁需要这门课？

本课程面向以下三类专业人士，要求学员具备基础的统计学知识和Python编程经验：

量化研究员 / 量化开发：希望将风险归因与模型监控嵌入到日常因子研究和策略回测中。
投资经理 / 组合经理：需要理解组合风险的来源，并能够通过PSI监控及时发现模型失效或市场结构变化。
风控经理 / 模型验证人员：负责建立和维护机构级的风险归因与模型漂移监控体系。

学习建议： 本课程包含大量代码示例和实战案例。建议学员在阅读理论部分后，同步打开Jupyter Notebook进行代码复现，以加深理解。

1.4 课程知识体系全景图

下图展示了本课程的核心知识模块及其逻辑关系。从风险归因的基础方法出发，延伸到PSI漂移监控的统计原理，最终汇聚到“归因+监控”的联动实战。

1.5 为什么选择PSI作为漂移监控指标？

在众多分布漂移检测指标中（如KS检验、KL散度、JS散度等），PSI（群体稳定性指标）因其以下优势，成为金融风控领域的工业标准：

指标	优点	缺点	金融风控适用性
PSI	对分布变化敏感、分箱后鲁棒性强、业界标准	分箱方式影响结果	★★★★★
KS检验	非参数、无分布假设	对尾部变化不敏感、大样本下易显著	★★★☆☆
KL散度	信息论基础、可解释	不对称、对零值敏感	★★★☆☆
JS散度	对称、有界	计算复杂度略高	★★★★☆

注意： PSI并非万能。当特征分布发生“对称平移”时，PSI可能不敏感。因此，本课程后续将介绍PSI与其他指标（如特征重要性变化、因子收益率变化）的联合监控策略。

1.6 课程实战案例预览

为了帮助学员建立直观认识，以下是一个贯穿全课程的实战案例背景：

    案例背景： 某量化多因子选股模型，使用10个风格因子（价值、动量、质量、低波等）和5个行业因子构建组合。模型在2023年1月上线，实盘运行至2024年6月。风控团队需要：

对2024年Q2的组合收益进行风险归因，解释超额收益来源。

监控每个因子和模型分数的PSI，判断模型是否发生风格漂移。

当PSI超过阈值时，自动触发归因诊断，定位漂移因子并给出再平衡建议。

在后续章节中，我们将逐步使用Python实现上述全流程，并提供可直接复用的代码模板。

1.7 课程章节速览

本课程共30章，分为四大模块：

模块一（第1-5章）： 基础概念与工具准备 —— 风险归因数学基础、PSI统计原理、Python环境搭建。
模块二（第6-15章）： 风险归因实战 —— Brinson归因、因子归因、边际贡献归因、归因报告自动化。
模块三（第16-25章）： PSI漂移监控实战 —— 特征PSI、模型分数PSI、多阈值策略、漂移归因联动。
模块四（第26-30章）： 高级专题与生产部署 —— 高频归因、机器学习归因、实时监控流水线、回测框架集成。

现在，让我们正式进入组合风险归因与PSI漂移监控的世界。