4. 因子模型风险归因：基于CAPM、Fama-French多因子模型的风险分解、因子贡献度计算

4.1 因子模型风险归因的核心逻辑

因子模型将组合收益与风险分解为系统性（因子）与特质性（残差）两部分。风险归因的目标是量化每个因子对组合总风险的贡献度，从而识别风险来源、优化因子暴露。

风险归因的两种主流视角：

• 边际贡献（Marginal Contribution）： 衡量因子暴露微小变动对组合风险的影响，用于调仓决策。
• 绝对贡献（Absolute Contribution）： 衡量每个因子在组合总风险中占有的份额，用于风险报告。

4.2 CAPM单因子风险分解

CAPM假设市场因子是唯一系统性风险来源。组合风险可分解为：

4.3 Fama-French多因子模型风险分解

以三因子模型（市场、规模SMB、价值HML）为例，组合风险方差分解为：

组合风险方差 = β_m²·σ²_m + β_smb²·σ²_smb + β_hml²·σ²_hml
              + 2·β_m·β_smb·Cov(m, smb)
              + 2·β_m·β_hml·Cov(m, hml)
              + 2·β_smb·β_hml·Cov(smb, hml)
              + σ²_ε

其中交叉项（协方差项）反映了因子之间的相关性对组合风险的影响，不可忽略。

4.4 因子贡献度计算步骤

1. 因子暴露估计： 使用时间序列回归（OLS）估计组合对各因子的 \(\beta\) 系数。
2. 因子协方差矩阵： 计算因子收益率序列的协方差矩阵 \(\Sigma_F\)。
3. 系统风险矩阵： 系统风险 = \(\beta^T \Sigma_F \beta\)，其中 \(\beta\) 为因子暴露向量。
4. 因子绝对贡献： 第 \(k\) 个因子的绝对贡献 = \(\beta_k \cdot (\Sigma_F \beta)_k\)。
5. 因子相对贡献： 第 \(k\) 个因子的相对贡献 = 绝对贡献 / 总风险。

4.5 因子风险归因流程图

4.6 多因子风险归因案例

假设某组合使用Fama-French五因子模型（市场、规模、价值、盈利、投资），回归得到以下暴露与因子协方差：

4.7 因子风险归因的Python实现

import numpy as np
import pandas as pd
import statsmodels.api as sm

def factor_risk_decomposition(returns, factor_returns):
    """
    因子风险归因函数
    
    Parameters:
    returns: 组合收益率 Series
    factor_returns: 因子收益率 DataFrame
    
    Returns:
    factor_contrib: 因子贡献度 DataFrame
    """
    # 1. 时间序列回归估计因子暴露
    X = sm.add_constant(factor_returns)
    model = sm.OLS(returns, X).fit()
    betas = model.params[1:]  # 剔除截距项
    
    # 2. 因子协方差矩阵
    cov_factors = factor_returns.cov()
    
    # 3. 系统风险矩阵
    beta_vec = betas.values
    systematic_risk = beta_vec @ cov_factors @ beta_vec
    
    # 4. 因子绝对贡献
    factor_abs_contrib = beta_vec * (cov_factors @ beta_vec)
    
    # 5. 因子相对贡献
    total_risk = returns.var()
    factor_rel_contrib = factor_abs_contrib / total_risk
    
    # 6. 特质风险
    idiosyncratic_risk = total_risk - systematic_risk
    
    # 结果汇总
    result = pd.DataFrame({
        '暴露': betas,
        '绝对贡献': factor_abs_contrib,
        '相对贡献': factor_rel_contrib
    })
    result.loc['特质风险'] = [np.nan, idiosyncratic_risk, idiosyncratic_risk/total_risk]
    result.loc['总风险'] = [np.nan, total_risk, 1.0]
    
    return result

4.8 因子风险归因的常见陷阱

• 因子多重共线性： 高度相关的因子会导致暴露估计不稳定，贡献度解释困难。建议使用正交化因子或降维处理。
• 时变暴露： 因子暴露随时间变化，滚动窗口回归比全样本回归更准确。建议使用60个月滚动窗口。
• 特质风险低估： 若因子遗漏重要风险源，特质风险会被高估。应通过因子有效性检验确保模型完备性。
• 交叉项解释： 负的交叉项贡献不代表因子无风险，而是因子间对冲降低了组合风险。