📚 课程目录第2章风险因子体系

2. 风险因子体系：常见的风险因子分类（市场、行业、风格、信用、流动性）、因子暴露的计算方法

风险因子体系是组合风险归因的基石。只有将组合收益与风险拆解到一组可解释、可度量的因子上，才能回答“风险从哪里来”以及“风险如何变化”这两个核心问题。本节将系统梳理五大类风险因子，并给出因子暴露的标准化计算方法。

2.1 风险因子分类框架

从量化风控的实践视角，风险因子通常按驱动来源分为以下五类：

因子类别	核心驱动	典型因子示例	适用资产
市场因子	整体市场涨跌	股票市场指数收益、债券基准收益率、商品指数	所有资产
行业因子	特定行业/板块的共性波动	GICS行业因子、申万一级行业因子	股票、信用债
风格因子	资产内在特征（价值、动量、规模等）	规模、价值、动量、波动率、成长、质量	股票、部分另类资产
信用因子	发行主体信用质量变化	信用利差、评级迁移、违约概率	信用债、贷款、CDS
流动性因子	交易成本与市场深度	买卖价差、Amihud非流动性指标、换手率	股票、债券、衍生品

关键认知： 五类因子并非完全正交。例如，信用因子在极端市场环境下会与流动性因子高度相关；风格因子中的“低波动”因子往往在市场下行时表现出防御属性。因子体系的构建需要在解释力与正交性之间取得平衡。

2.2 因子暴露的计算方法

因子暴露（Factor Exposure）衡量的是单个资产或整个组合对某一风险因子的敏感度。计算方法因因子类型而异，但核心逻辑一致：通过回归或属性映射，将资产收益分解到因子上。

2.2.1 市场因子暴露：Beta 回归法

最经典的方法是对资产收益率与市场基准收益率做时间序列回归：

R_i(t) = α_i + β_i * R_m(t) + ε_i(t)

其中：
R_i(t)   = 资产 i 在 t 期的超额收益率
R_m(t)   = 市场基准在 t 期的超额收益率
β_i      = 市场因子暴露（即传统 Beta）
α_i      = 超额收益（Alpha）
ε_i(t)   = 残差项

实际应用中，通常使用 60 个月（或 252 个交易日）的滚动窗口估计 β_i，并做 Newey-West 标准误调整以处理异方差与自相关。

2.2.2 行业因子暴露：虚拟变量法

行业因子暴露通常采用哑变量（Dummy Variable）方式赋值：

若资产 i 属于行业 j，则其对行业因子 j 的暴露为 1，对其他行业因子的暴露为 0。
对于跨行业经营的公司，可按营收占比或市值占比进行加权分配，暴露值介于 0~1 之间。

实践建议： 行业分类标准的选择直接影响归因结果。建议使用 GICS（全球行业分类标准）或申万行业分类，并定期（如每季度）根据公司主营业务变化更新行业归属。

2.2.3 风格因子暴露：Z-Score 标准化法

风格因子暴露的计算通常遵循 Barra 模型框架，核心步骤为：

原始特征计算：例如市值（取对数）、账面市值比（Book-to-Price）、过去 12 个月动量（累计收益）、历史波动率等。
Z-Score 标准化：对每个特征在截面（所有资产）上做标准化，消除量纲影响。
极值处理：将标准化后的值截断在 ±3 个标准差范围内，避免极端值主导。
正交化（可选）：对高度相关的风格因子（如价值与成长）做 Gram-Schmidt 正交化，提升因子独立性。

# 风格因子暴露计算伪代码（Python 风格）
import numpy as np

def compute_style_exposure(feature_values):
    # 1. Z-Score 标准化
    mean = np.mean(feature_values)
    std = np.std(feature_values)
    z_scores = (feature_values - mean) / std
    
    # 2. 极值截断
    z_scores = np.clip(z_scores, -3, 3)
    
    return z_scores

2.2.4 信用因子暴露：利差敏感度法

信用因子暴露通常通过以下两种方式度量：

利差久期（Spread Duration）：衡量债券价格对信用利差变化的敏感度。对于投资级债券，利差久期 ≈ 修正久期；对于高收益债，需额外考虑违约风险。
信用评级映射：将外部评级（穆迪、标普、惠誉）或内部评级映射为连续分数（如 1~10），作为信用因子的代理暴露。

2.2.5 流动性因子暴露：交易成本模型法

流动性因子暴露的常用计算方式：

方法	计算公式	适用场景
相对买卖价差	(Ask - Bid) / MidPrice	高频数据可用时
Amihud 非流动性指标	\|R\| / Volume（日收益率绝对值除以日成交额）	日频数据，适用广泛
换手率	Volume / Shares Outstanding	衡量交易活跃度

在组合层面，流动性因子暴露通常取各资产流动性指标的市值加权平均值。

2.3 因子暴露计算流程总览

下图展示了从原始数据到因子暴露矩阵的完整计算链路：

2.4 组合层面因子暴露聚合

得到各资产的因子暴露后，组合对因子 k 的总暴露为各资产暴露的市值加权平均：

Portfolio_Exposure_k = Σ (w_i * Exposure_i_k)

其中：
w_i               = 资产 i 在组合中的市值权重
Exposure_i_k      = 资产 i 对因子 k 的暴露
Σ w_i = 1（组合权重归一化）

常见陷阱： 当组合包含衍生品（如期货、期权）时，其名义本金暴露可能远超市值权重。此时应使用Delta 调整后的名义暴露代替简单市值权重，否则会严重低估组合的真实因子暴露。

2.5 因子暴露的更新频率与数据源

因子类型	推荐更新频率	常用数据源
市场因子	每日	交易所行情、Bloomberg、Wind
行业因子	每季度（或公司事件驱动）	GICS/申万分类、公司财报
风格因子	每月	Barra、Axioma、MSCI 因子库
信用因子	每月（或评级调整时）	穆迪/标普/惠誉评级、CDS 曲线
流动性因子	每周或每月	Tick 级行情、TAQ 数据库