2. 风险归因基础：什么是风险归因？为什么需要将组合风险拆解到因子或资产层面？

2.1 风险归因的定义与核心逻辑

风险归因（Risk Attribution） 是将投资组合的总风险（通常以波动率、VaR 或跟踪误差衡量）按照预先设定的维度（如资产类别、行业、风格因子、个股）进行拆解，量化每个维度对总风险的贡献度与占比的过程。

其核心逻辑可概括为：

风险归因与业绩归因（Brinson 归因）互为镜像：业绩归因解释收益来源，风险归因解释波动来源。两者结合才能完整评估投资决策的有效性。

2.2 为什么需要将组合风险拆解到因子或资产层面？

不进行风险拆解，管理者只能看到“组合波动率 12%”这样一个黑箱数字，无法指导调仓。拆解到因子或资产层面能带来以下关键价值：

2.3 两种主流归因框架：资产层面 vs 因子层面

实践中根据组合复杂度和数据可得性，通常选择以下两种框架之一：

• 资产层面归因（Asset-Level Attribution）：将风险拆解到个股、债券、衍生品等具体头寸。适用于持仓数量较少（< 200 只）、以自下而上选股为主的组合。优点是直观、可审计；缺点是无法解释风格/行业等共同因子带来的系统性风险。
• 因子层面归因（Factor-Level Attribution）：将风险拆解到市场、规模、价值、动量、利率、信用等风险因子。适用于持仓分散、以系统化策略或量化模型驱动的组合。优点是能捕捉共同风险源、解释分散化效应；缺点是因子定义与数据频率可能引入模型误差。

2.4 风险归因的数学表达（示意）

以因子模型为例，组合超额收益可表示为：

R_p = Σ(β_i × F_i) + ε_p

其中：
R_p = 组合超额收益
β_i = 组合对因子 i 的暴露（敏感度）
F_i = 因子 i 的收益率
ε_p = 特异收益（未被因子解释的部分）

对应的风险（方差）归因公式为：

σ²_p = Σ(β_i² × σ²_Fi) + 2 × ΣΣ(β_i × β_j × Cov(F_i, F_j)) + σ²_ε

风险贡献（RC_i）= β_i × Cov(R_p, F_i) / σ_p
风险占比（%）= RC_i / σ_p × 100%

其中 RC_i 表示因子 i 对组合总风险的边际贡献，正值表示该因子增加风险，负值表示对冲/降低风险。

2.5 风险归因流程概览

标准风险归因巡检流程包含以下步骤：

1. 数据准备：获取组合持仓、因子收益率序列、协方差矩阵。
2. 因子暴露计算：通过回归或风格映射计算每个资产/组合对因子的敏感度。
3. 风险分解：按公式计算各因子/资产的风险贡献与占比。
4. 交叉验证：检查总风险是否等于各贡献之和（含交叉项），误差应 < 1%。
5. 报告与行动：输出风险归因表，识别集中度风险，指导调仓。

2.6 风险归因结构图

下图展示了从组合总风险到因子/资产层面的逐层拆解逻辑：

2.7 风险归因的实践价值总结

风险归因不是一次性的分析，而是组合管理的持续巡检工具。通过定期（周度/月度）执行归因，管理者可以：

• 预警风险偏移：当某个因子或资产的风险贡献占比突然上升超过阈值（如 30%），触发预警。
• 验证投资假设：如果组合宣称“低波动、分散化”，但归因显示 70% 风险来自单一行业，说明假设失效。
• 优化风险预算：将风险贡献占比与目标权重对比，超配部分即为调仓方向。
• 提升沟通效率：用归因图向投委会或客户直观展示“风险长什么样”，而非抽象数字。