3. VaR归因分析概述
3.1 归因分析的目的
VaR归因分析的核心目标是将组合的VaR变动拆解到具体的风险因子与决策层面，从而回答“风险从哪里来、为什么变化、如何管理”三个关键问题。在稳定性巡检场景中，归因分析承担以下四项职能：
- 定位风险源：识别导致VaR上升或下降的主导因子（利率、汇率、信用利差等）。
- 量化贡献度：计算每个因子对总VaR的绝对贡献与相对占比。
- 诊断异常漂移：当VaR出现跳变或趋势偏离时，归因结果可快速锁定异常因子。
- 支撑压力测试：为情景设定与反向压力测试提供因子层面的输入参数。
巡检视角： 归因分析的稳定性直接决定后续巡检指标的有效性。若归因方法不稳定（如因子载荷频繁跳变），则基于归因构建的监控指标将产生大量误报。
3.2 VaR分解的基本思想
VaR分解建立在组合头寸与风险因子之间的线性或一阶近似关系之上。其基本思想可用以下步骤概括：
- 映射：将组合中每个头寸映射到一组基础风险因子（如关键期限利率、股指收益率、隐含波动率）。
- 敏感度计算：计算组合价值对每个风险因子的偏导数（Delta、DV01、CS01等）。
- 协方差估计：估计风险因子之间的协方差矩阵（通常使用指数加权移动平均或GARCH模型）。
- 分量VaR：将总VaR按因子分解为分量VaR（Component VaR），满足可加性：
VaR_total = Σ (Component VaR_i)。 - 边际VaR：计算每单位因子暴露变化对总VaR的边际影响，用于调仓决策。
| 方法 | 核心公式 | 适用场景 | 稳定性特点 |
|---|---|---|---|
| Delta-正态法 | VaR = α · √(w′Σw) | 线性组合、正态假设 | 协方差矩阵稳定时结果稳定 |
| 历史模拟法 | 分位数(组合损益) | 非线性、厚尾分布 | 依赖历史窗口，窗口切换易跳变 |
| 蒙特卡洛法 | 模拟路径 → 分位数 | 复杂衍生品、路径依赖 | 随机种子影响稳定性，需控制方差 |
| CVaR分解 | 尾部期望的因子分解 | 尾部风险归因 | 尾部样本少时波动较大 |
关键公式： 在Delta-正态框架下，分量VaR的计算公式为：
Component VaR_i = (w_i · (Σw)_i) / (w′Σw) · VaR_total3.3 风险因子的识别
风险因子识别是VaR归因的基础环节，决定了分解的粒度与准确性。因子识别需遵循以下原则：
- 完备性：因子集合应能解释组合90%以上的风险变动。
- 正交性：因子之间应尽量降低多重共线性，避免归因结果失真。
- 可观测性：因子需有公开、高频的市场数据支持（如国债收益率、股指、汇率）。
- 稳定性：因子与组合收益的关系在时间序列上应保持相对稳定。
| 因子类别 | 典型因子 | 适用资产 | 数据来源 |
|---|---|---|---|
| 利率因子 | 关键期限即期利率、互换利率 | 债券、利率互换、贷款 | 中债登、Bloomberg |
| 汇率因子 | USD/CNY、EUR/USD等主要货币对 | 外汇敞口、跨境投资 | 中国外汇交易中心 |
| 权益因子 | 沪深300、行业指数、波动率指数 | 股票、股指期货、期权 | Wind、中证指数 |
| 信用因子 | 信用利差、评级迁移概率 | 信用债、CDS、ABS | 中债估值、Markit |
| 商品因子 | 原油、黄金、螺纹钢期货价格 | 商品期货、CTA策略 | 上期所、大商所 |
常见陷阱： 因子遗漏是归因偏差的主要来源。例如，仅使用利率因子解释含信用债的组合，会遗漏信用利差变动带来的VaR贡献，导致归因结果低估尾部风险。
巡检要点： 在稳定性巡检中，需定期验证因子集合是否仍然完备。建议每季度执行一次因子显著性检验（如F检验或AIC/BIC准则），剔除长期不显著的因子，并评估新因子的加入是否改善归因稳定性。