3. VaR归因分析：归因的目的、因子分解、边际VaR与成分VaR

VaR归因分析是连接风险计量与风险管理决策的桥梁。在《VaR归因稳定性巡检Spark教程》中，归因分析帮助我们回答三个核心问题：风险从哪里来？（因子分解）、调整哪个头寸最有效？（边际VaR）、每个头寸贡献了多少风险？（成分VaR）。

3.1 归因的目的：从“是多少”到“为什么”

单纯计算组合VaR只能回答“风险有多大”，而归因分析则要回答“风险为什么是这个水平”。其主要目的包括：

• 风险来源识别：将总VaR拆解到不同风险因子（利率、汇率、波动率等），定位主导风险源。
• 头寸贡献度量：量化每个资产或交易对手对组合VaR的贡献度，识别“风险集中点”。
• 对冲效果评估：通过边际VaR判断增加或减少某头寸对总风险的影响，指导动态对冲。
• 绩效归因辅助：将超额收益与风险贡献对比，评估风险调整后收益（如夏普比率分解）。

3.2 因子分解：将VaR拆解到风险源

因子分解是归因的基础。假设组合价值变化 ΔP 可表示为 k 个风险因子 f₁, f₂, ..., fₖ 的线性组合：

ΔP ≈ β₁·Δf₁ + β₂·Δf₂ + ... + βₖ·Δfₖ + ε

其中 βᵢ 为因子暴露（敏感度），Δfᵢ 为因子收益率。在VaR框架下，组合VaR可近似表示为：

VaR(P) ≈ √(βᵀ · Σ · β) · z_α

其中 Σ 为因子收益率的协方差矩阵，z_α 为置信水平对应的分位数。因子分解的核心步骤包括：

3.3 边际VaR：衡量头寸调整的边际影响

边际VaR（Marginal VaR, MVaR）定义为：在现有组合中增加一单位某资产头寸，所引起的组合VaR的变化量。数学上，它是组合VaR对头寸权重的偏导数：

MVaR_i = ∂VaR(P) / ∂w_i

在正态分布假设下，MVaR可简化为：

MVaR_i = (βᵢ · VaR(P)) / (wᵢ · σ²(P))

其中 wᵢ 为资产i的权重，σ²(P) 为组合方差。边际VaR的核心应用包括：

• 风险调整优先级：MVaR最大的资产，其头寸变动对组合风险影响最显著，应优先调整。
• 最优对冲比例：若MVaR为正，减少该头寸可降低风险；若为负（对冲资产），增加头寸可降低风险。
• 增量VaR近似：小幅度调整头寸时，新VaR ≈ 原VaR + MVaR × 调整量。

3.4 成分VaR：分解总VaR到各资产

成分VaR（Component VaR, CVaR）将组合总VaR完全分配到每个资产或子组合，且满足可加性：

∑ CVaR_i = VaR(P)

成分VaR的计算公式为：

CVaR_i = w_i · MVaR_i

即资产i的权重乘以其边际VaR。成分VaR具有以下重要性质：

3.5 归因分析的Spark实现框架

在Spark中实现VaR归因分析，推荐以下流水线架构：

// 伪代码：VaR归因分析Spark流水线
val factorExposures = loadFactorExposures(spark, "factor_beta_table")
val factorCovMatrix = loadCovMatrix(spark, "factor_cov_matrix")

// 计算组合方差
val portfolioVariance = (factorExposures.toDenseMatrix 
  multiply factorCovMatrix 
  multiply factorExposures.toDenseMatrix.transpose).apply(0,0)

// 计算边际VaR
val marginalVaR = factorExposures.map { row =>
  val beta = row.getAs[DenseVector]("beta_vector")
  val mvar = (beta dot (factorCovMatrix * beta)) * zAlpha / math.sqrt(portfolioVariance)
  (row.getAs[String]("asset_id"), mvar)
}

// 计算成分VaR
val componentVaR = marginalVaR.join(weights).map { case (id, (mvar, weight)) =>
  (id, weight * mvar)
}

// 归因结果写入
componentVaR.toDF("asset_id", "cvar")
  .write.mode("overwrite").parquet("risk_attribution_result")