4. 风险因子映射：线性因子映射（Delta）、非线性因子映射（Gamma）、因子载荷矩阵构建

风险因子映射是 VaR 归因分析的起点，其核心任务是将资产组合的损益波动拆解到一组可观测、可建模的底层风险因子上。映射精度直接决定归因结果的可靠性。本节围绕三种核心映射技术展开：线性（Delta）映射、非线性（Gamma）映射以及因子载荷矩阵的构建与验证。

4.1 线性因子映射（Delta 映射）

Delta 映射假设资产价格与风险因子之间存在线性关系，适用于利率互换、远期合约、股票现货等线性产品。其数学表达为：

ΔV ≈ Σ (∂V/∂F_i) × ΔF_i = Σ δ_i × ΔF_i

其中 δ_i 为资产价值对第 i 个风险因子的偏导数（即 Delta 敏感度），ΔF_i 为因子变动量。

4.2 非线性因子映射（Gamma 映射）

对于期权、可转债、结构性产品等非线性资产，仅用 Delta 映射会遗漏凸性风险。Gamma 映射引入二阶项，捕捉因子变动对敏感度本身的影响：

ΔV ≈ Σ δ_i × ΔF_i + ½ Σ Σ γ_{ij} × ΔF_i × ΔF_j

其中 γ_{ij} = ∂²V / (∂F_i ∂F_j) 为交叉 Gamma。实际应用中通常只保留对角项（i=j），忽略交叉项以降低计算复杂度。

4.3 因子载荷矩阵构建

因子载荷矩阵（Factor Loading Matrix）将每个资产的敏感度统一组织为矩阵形式，是 VaR 归因计算的枢纽。设组合有 N 个资产、K 个风险因子，则载荷矩阵 L 为 N×K 矩阵：

L = [ l_{n,k} ]，其中 l_{n,k} = 资产 n 对因子 k 的敏感度

示例（3 资产 × 2 因子）：
       因子1(利率)  因子2(汇率)
资产A     1.2         0.0
资产B     0.0         0.8
资产C     0.5         0.3

构建步骤：

1. 因子识别：从组合持仓中提取所有暴露的风险因子，去重后编号。
2. 敏感度计算：对每个资产-因子对，按 Delta 或 Gamma 规则计算敏感度值。
3. 矩阵填充：将敏感度填入对应行列，无暴露的因子填 0。
4. 归一化检查：确保每行（资产）的敏感度之和与资产名义本金可比，避免量纲错误。
5. 稀疏性处理：当矩阵稀疏度 > 80% 时，考虑改用稀疏矩阵存储或因子聚合。

4.4 映射精度校验与稳定性指标

为确保映射过程不引入系统性偏差，需建立以下巡检指标：

4.5 代码示例：因子载荷矩阵构建与校验

import numpy as np

# 示例：4个资产对3个因子的敏感度
assets = ['IRS_10Y', 'FX_EURUSD', 'EQ_SPX', 'CDX_IG']
factors = ['IR_10Y', 'FX_EUR', 'VOL_30D']

# 手动构建载荷矩阵
L = np.array([
    [1.20, 0.00, 0.00],   # IRS_10Y
    [0.00, 0.80, 0.00],   # FX_EURUSD
    [0.50, 0.30, 0.00],   # EQ_SPX
    [0.00, 0.00, 1.10]    # CDX_IG
])

# 条件数计算
cond_num = np.linalg.cond(L)
print(f"载荷矩阵条件数: {cond_num:.2f}")

# 稀疏度计算
sparsity = 1.0 - np.count_nonzero(L) / L.size
print(f"矩阵稀疏度: {sparsity:.1%}")

# 因子暴露集中度（前3因子占比）
factor_exposure = np.sum(np.abs(L), axis=0)
sorted_exposure = np.sort(factor_exposure)[::-1]
top3_ratio = np.sum(sorted_exposure[:3]) / np.sum(sorted_exposure)
print(f"前3因子暴露占比: {top3_ratio:.1%}")

# 输出校验结果
if cond_num < 30 and sparsity < 0.8 and top3_ratio < 0.7:
    print("✅ 载荷矩阵通过稳定性校验")
else:
    print("⚠️ 载荷矩阵存在风险，请检查因子定义或资产映射")