Barra风险模型(下)：从因子收益到股票协方差与组合风险预测

内容目录一.引言 3二.从多因子收益模型到股票风险矩阵 3股票协方差矩阵的分解 3风险估计中的主要误差来源 4偏差统计量：风险预测偏差的评价 4风险矩阵估计的整体流程 5三.因子风险：从基础估计到稳健协方差矩阵 5时间序列加权 5Newey-West自相关调整 5特征值调整：校正特征组合的估计偏差 6波动率调整 8因子协方差矩阵的构建 9四.特质风险：从个股残差到稳定的波动率 10特质收益的基础波动率估计 10数据可靠性修正：结构化模型 贝叶斯收缩 12特质风险的波动率调整 13特质风险各步骤的增量效果 14五.风险预测效果与模型诊断 15组合风险的预测 15预测波动率与实现波动率的时间序列对比 15六.总结 16风险提示 17历史规律失效风险 17数据与测算误差风险 17模型设定风险 17图表目录BarraCNE6误差来源-影响-处理方式对照表 4特征值调整前各特征组合的偏差统计量 7特征值调整前后各特征组合的偏差统计量对比 8波动率调整前后因子风险偏差统计量对比 9结构化调整中�=112横截面特质波动率与波动率调整乘数 14不同调整步骤下特质风险偏差统计量对比 15全A股预测波动率与实现波动率 16一.引言Markowitz（1952）的均值-方差框架，其以资产收益的方差与协方差刻画投资组合风险。随后，CAPMAPTRosenberg提出的结构化多因子思想进一步将股票收益拆分为共同因子与特质部分，为多因子风险模型的发展奠定了基础。Barra在此基础上形成了面向机构投资的风险管理体系，并针对不同市场持续迭代。MSCI2018ACNE6模型，在完善风险因子体系的同时，也对因子协方差、特质风险及波动状态调整等风险预测环节进行了系统化设计。BarraCNE6的市场、行业与风格因子完但由历史样本直接得到的风险估计并不稳定。因子收益可能受到时序相关、有限样本及市场波动状态变化的影响，股票特质收益也会受到样本不足、异常值及极端波动的干扰。因此，Barra风险模型需要针对不同误差来源，对因子风险和特质风险分别进行多步修正，以提高风险预测的稳健性和对市场状态变化的适应能力。BarraCNE6风险矩阵的构建。首先，从因子收益率和股票特质收益出发，分别估计并修正因子协方差A股市场波动变化的刻画能力。二.从多因子收益模型到股票风险矩阵股票协方差矩阵的分解多因子模型将股票收益中的共同变化归因于市场、行业和风格等系统性因子，而将无法由共同因子解释的部分归为股票自身的特质收益。在假定共同因子收益与特质收益不相关、不同股票的特质收益之间相互独立的条件下，股票收益协方差可以自然拆分为共同因子风险与特质风险两部分。��,�Σstock,t=�Σ ��+Σ�,��,�t�为因子收益率协方差矩阵，Σ�,�为股票特质风险矩阵。NK，则��K×KΣ��N×N的对角矩阵，其对角线元素对应各股票的特质方差。最终得到的Σstockt则刻画N只股票之间完整的方差与协方差关系。这一分解的关键意义在于降低风险估计的维度。直接估计股票两两协方差时，参数数量会随股票数量快速增长，并对历史样本长度和估计稳定性提出较高要求；多因子框架则把主要任务转化为估计规模相对有限的因子协方差矩阵，以及每只股票自身的特质风险。与此同时，这种分解保留了明确的经济解释：股票之间的协方差主要来自共同因子暴露和因子之间的相关结构，而个股独有的风险则通过特质风险单独刻画。风险估计中的主要误差来源风险分解解决了“风险如何拆分”的问题，但由历史样本直接得到的风险估计仍可能存在明显偏差。因子收益与特质收益均具有一定的时变性，并受到序列相关、有限样本及异常数据等因素影响，因此需要进一CNE6CNE6误差类型 主要表现 对风险估计的影响 处理思路误差类型 主要表现 对风险估计的影响 处理思路时序依赖与市场状态变化有限样本与优化偏差个股特质风险估计不稳定

近期信息与远期历史的重要性不同，收益序列可能存在自相关，整体波动水平也会随市场状态发生变化。关系会进入因子相关矩特征组合的估计。必能够在样本外持续。

样本协方差对当前市场反险可能被系统性低估。性。

时间序列加权、Newey-West调整、波动率调整特征值调整波动率调整上述三类问题对应了后文风险矩阵修正的主要逻辑。对于因子风险，重点处理时间序列相关性、有限样本下的相关结构偏差以及市场波动状态变化；对于特质风险，除了时序问题外，还需要利用股票横截面信息改善数据不足和极端估计。因此，CNE6的风险矩阵并非由历史样本一次估计得到，而是在基础风险估计之上，针对不同误差来源逐步进行修正。偏差统计量：风险预测偏差的评价风险模型的目标并非简单拟合历史波动，而是对未来风险给出相对准确的预测。为了统一衡量模型预测风险与实际风险之间的偏离程度，本文引入偏差统计量（BiasStatistic），并将其作为后续各类风险修正效果的重要评价指标。设��为评价对象在第t准化收益定义为：�=��� ��在长度为T的评价窗口内，偏差统计量定义为标准化收益的样本标准差：1�−1�−�∙Σ(�−��1B1�>�<测风险相对偏高。在标准化收益近似正态且样本量较大的情况下，偏差统计量可以进一步结合近似置信区间判断预测偏离是否显著：2���∈ 1−2�

,1+2�后文在特征组合、因子风险和股票特质风险层面，均沿用这一评价思路，并根据不同评价对象构造相应形式的偏差统计量。总体而言，偏差统计量越接近1，说明预测风险与实际风险的匹配程度越高；调整后偏差统计量是否向12�风险矩阵估计的整体流程在具体估计中，本文分别对因子风险与特质风险进行建模。因子风险以上篇得到的日频因子收益率为输入，在基础协方差估计上依次处理序完成两部分估计后，将因子协方差矩阵、当期股票因子暴露与特质风险矩阵重新组合，得到股票收益协方差矩阵，并进一步计算给定投资组三.因子风险：从基础估计到稳健协方差矩阵时间序列加权因子收益的风险特征会随时间变化，若对历史样本进行等权估计，较早数据与近期数据具有相同影响，容易使模型对当前市场状态的反应相对滞后。本文采用指数衰减的时间序列权重，使越接近当前时点的因子收益获得越高权重，在保留足够历史信息的同时提高风险估计对近期变化的敏感度。计算新的因子收益率协方差矩阵Σ(𝑇)，其第�行、第�列的元素Σ 𝑇Σ �,���,�Σ��=Σ���,�−��,�

�,�−�其中，�

=

�=1，�0.51/��，为归一化的权重，半衰期��252；Σ � � −�1 � �Σ �1�=��∙�,��=��∙�,��,�和�,�分别为�时刻因子和率。�=1 �=1Newey-West自相关调整时间序列加权解决了不同历史样本权重的问题，但并未处理因子收益在时间方向上的相关性。日频因子收益可能受到连续市场冲击、交易不同步及风险因子持续性等影响，相邻交易日之间并非完全独立。若忽略这一特征，可能导致跨期风险估计出现偏差。Newey-WestBartlett权重降低较远期滞后的影响。记��为因子收益与其滞后t则：��= ��−�

���+1

��−¯

−¯�s期的�1表示滞后Newey-West调整后的因子协方差矩阵为：��Σ(��)=Σ��)+Σ��∙(�+��)��=13.1L=2；Bartlett权重为：��=1− �1+���子收益中的短期序列相关进行修正。特征值调整：校正特征组合的估计偏差当因子数量相对较多而历史样本有限时，样本相关矩阵容易受到估计误差影响，不同特征组合的风险可能出现系统性偏差。其中，部分低特征值方向的预测风险往往偏低，进而影响基于风险矩阵进行的投资组合优化。为降低有限样本带来的优化偏差，需要进一步对因子相关矩阵中的特征值进行修正。本文采用BarraCNE6（OptimizationBiasAdjustment）方法。其基本思路是先对样本因子相关矩阵进行特征值分解，再通过蒙特卡洛模拟估计不同特征组合在有限样本下的风险偏差，并据此调整相应特征值。3.2Newey-West调整后的因子协方差矩阵标准化为样本因子相关矩阵�0FCM（FactorCorrelationMatrix）：�0=𝑐�(�,�)其中，C0为�×�的因子相关矩阵，K为风险因子数量。接着，对样本FCM做特征值分解，得到：0�0=���0�00是���0的特征因子(eigenfactor�0是一个��的对角矩阵，其对角线上元素为�0的特征值(eigenvalue)。BarraCNE6模型把�0中的每个特征因子理解为当前相关矩阵�0预测出的一个特征组合。例如，�0第�列的第�个元素代表因子�在第�个特�0按照2.3节的评价思路，本文进一步计算各特征组合的偏差统计量，并按照对应特征值从小到大排序，以考察不同风险方向上的预测偏差。图表2：特征值调整前各特征组合的偏差统计量由于真实的因子相关结构无法直接观测，但我们可以假设样本FCM�0即为“真实”的相关性矩阵，并从中生成一组模拟的因子收益率��：��=�0��是�∗���的第�行元素服从为零，方差为�0对角线元素�0(�)的正态分布。FCM

��=𝑐�(��,��)显然，��是�0��=�0FCM��进行特征值分解，得到：���=�������代表模拟特征组合的预测方差。��FCM(�0)进行分解得到真实特征值矩阵˜�：�0�˜�=�����0�需要注意的是，因为��并非由真实的特征因子组成，所以得到的特征矩阵˜�也非对角矩阵，但我们依旧可将˜�的真实方差。� �� �1Σ��=其中，�表示对角矩阵的第�个元素。FCMFCM有相同的偏差，那么经偏差调整后的特征值矩阵˜0为：˜0=�20相应的经偏差调整后的因子相关性矩阵˜0为：0˜0=0˜0��0将调整后的各特征组合预测方差的偏差统计量在下图中予以展示，并与调整前的结果进行对比。图表3：特征值调整前后各特征组合的偏差统计量对比195%波动率调整特征值调整主要修正因子相关结构中的有限样本偏差，但无法解决市场整体波动水平随时间快速变化的问题。当市场由低波动阶段转向高波动阶段时，基于历史数据得到的风险估计可能反应滞后，从而低估当前风险；反之，在波动回落阶段则可能持续高估风险。为使风险预测能够及时适应市场波动状态变化，本文进一步采用波动率调整（VolatilityRegimeAdjustment）对因子波动率进行动态调整。�2.3节的偏差统计量应用于因子横截面，用于衡量当期实际因子波动相对于模型预测水平的整体偏离。具体而言，将各因子当期收益除以前一时点的预测波动率进行标准化，并构造因子横截面偏差统计量��：��Σ��Σ�1�����当��持续高于1时，说明近期实际因子波动整体高于模型预测，模型��存在低估风险的倾向；当该指标持续低于1时，则说明预测波动相对偏高。为避免单日极端收益造成过度调整，本文对近期��的平方进行指数�加权，得到统一的波动率调整乘数��：Σ��2Σ��2�� 其中，�

= Σ9�Σ9�−�/2

，为指数衰减权重。本文采用10个交易日的时间窗口，并根据设定的半衰期确定权重衰减速度。最终，经��调整后的波动率为：˜�=���波动率调整能够有效改善模型对当前市场波动水平的估计。图表4：波动率调整前后因子风险偏差统计量对比因子协方差矩阵的构建Newey-West、特征值调整与波动率调整后，可以分别得到最终CEigentt为特征值调整后的因子相t时点的因子协方差矩阵为：ΣF,t=StCEigent,tSt其中，St的对角线元素为各因子经波动率调整后的波动率，CEigentt反t的对角线元素表示各因子的预测方差，非对角线元素表示不同因子之间的预测协方差。四.特质风险：从个股残差到稳定的波动率特质风险对应多因子模型中无法由共同因子解释的个股收益波动，即横截面回归得到的股票特质收益。与因子风险不同，特质风险需要在个股层面分别估计，因此更容易受到历史样本不足、数据缺失及异常收益等因素影响。本文首先从股票特质收益时间序列估计基础波动率，随后依次通过结构化模型、贝叶斯收缩和波动率调整修正个股层面的不稳定估计，并最终得到每日更新的股票特质风险。特质收益的基础波动率估计本文以上篇Barra横截面回归得到的个股残差，也就是股票特质收益��,�ℎ�2(𝑇)=Σ��

−¯ 2�,�ℎ

��1

�,��1

�,�−�−1¯,�=Σ��∙���−�1,��=1

Σ ℎ Σ �=1�,其中，�2(𝑇)为第�只股票�期的时序加权特质波动率；��,�第�只股票�特¯,�为该股票从t期向前滚动�,�为第�期归一化权重，加权系数�=0.51/��,半衰期参数��=252，滚动窗� � �口ℎ=126。特质收益同样可能存在短期自相关，因此在时序加权估计基础上进一Newey-West修正。记��lBartlett权重得到：ℎ���1�,��−¯,��,���−¯,���=�1

ℎ −−1Σ Σ ��2(𝑁)=�2(𝑇)+2Σ(1− 1 )��,�

�,�

�1

�+1 �L=4。该调整用于修正特质收益中的短期序列相关，为后续结构化模型与贝叶斯收缩提供基础特质波动率估计。数据可靠性修正：结构化模型4.1节的时序方法主要依赖股票自身的历史特质收益，但不同股票的历史数据质量存在明显差异。对于上市时间较短、有效观测不足或异常收益较多的股票，仅依靠自身历史序列估计特质波动率可能产生较大误差。因此，本文进一步引入结构化模型，利用股票横截面风险特征对低可靠性股票的特质风险估计进行补充。首先，从有效样本数量和异常值敏感程度两个维度衡量个股时序估计的可靠性。为降低极端收益对波动率估计的影响，利用四分位距构造稳健波动率：˜�

=11.35

(�3,

−�1,�)其中，�1,�、�3,�分别是股票�残差收益率序列的上、下四分位数；1.35是四分位间距（���）系数，源于四分位间距与正态分布标准差的关系：���=1.35∗�。为衡量个股历史特质收益序列用于波动率预测的可靠程度，进一步比较普通标准差与稳健波动率估计之间的差异。定义比例敏感性指标��为：�=����−˜�|� ˜�其中，�,��为股票�残差收益率的实际标准差，˜�为基于四分位距离得的稳健波动率估计；��历史序列的稳定性越高。在此基础上，同时考虑有效样本数量和异常值敏感程度，构造股票n在t时点的可靠性权重��：��,�=

Min1,Max0,ℎ�,�−60120

∗[Min1,Max0,exp1−�� ]其中ℎ�,�表示时间窗口内股票n的有效残差个数。��,�收益受异常值影响越小，��越接近=1的股票数量占全部有效股票的比例。�=1�1数股票具有较为完整且稳定的特质收益序列，可以主要依靠自身历史数据估计特质波动率。不过，该比例在部分阶段出现明显回落，表明市场波动或个股数据质量发生变化时，仍有部分股票需要借助结构化模型提高特质风险估计的稳定性。结构化模型利用横截面风险特征预测股票的特质波动率。本文在高可Newey-West�ln�(𝑁)=Σ�����+�����nNewey-West在因子k是横截面回归系数，��������=exp�

Σ������最终将时间序列估计结果与结构化模型预测按照混合参数��,�进行组合：������=����+(1−�)��������当��,�接近1下降时，结构化模型获得更高权重，从而降低样本不足或异常值对特质风险估计的影响。贝叶斯收缩经过结构化模型调整后，样本不足和异常值对个股特质波动率估计的影响已得到一定缓解，但截面上仍可能存在极高或极低的估计值。这些极端水平部分反映个股真实风险差异，也可能受到估计噪声影响，并不一定能够在样本外持续。为进一步提高特质风险估计的稳健性，BarraCNE6采用贝叶斯收缩方法，将个股特质波动率适度向规模相近股票的平均水平收缩。n所属的市值十分位组记为��。经收缩后的特质波动率为：����=��¯��+1−��������¯�的平均特质波动率，��为收缩强度。

为股票n所在市值组市值十分位组��的平均特质波动率采用组内股票的市值加权平均计算：¯�=Σ�^��𝑇�其中，�为股票i�^��^�−¯��|Δ��+��−¯��=其中，q0.1；Δ���表示市值组内特质波动率的散程度，其计算方式为：1���)Σ1���)Σ�−¯2����其中，�(��)为市值十分位组��中的股票数量。个股特质波动率偏离组由于特质风险矩阵为对角矩阵，其特征值即对应各股票自身的特质方差，特质风险的波动率调整经过结构化模型与贝叶斯收缩后，个股层面的不稳定估计已经得到一定修正，但市场整体特质波动水平仍会随时间变化。当某一阶段大量股票的实际特质收益波动持续高于模型预测时，说明模型可能系统性低估当前风险；反之，则可能存在风险高估。为使特质风险预测能够及时适应市场波动状态变化，本文进一步采用波动率调整（VolatilityRegimeAdjustment）对特质波动率进行整体校准。2.3��,�nt点的特质收益，��,�为贝叶斯收缩后的特质波动率预测值，则第t波动率的横截面偏差统计量定义为：Σ��,�Σ��,����,���,�����,�为股票n在t��波动率的整体预测偏差：当��>1模型倾向于低估风险；当��<1时，则说明预测值相对偏高。����为了避免单日异常波动对调整结果造成过大影响，进一步对近期��的�平方进行指数加权，构造特质波动率乘数��：Σ(��Σ(��)2∗�����中�示数减重衰参取� =4因风部���^�=��∗����其中，���为贝叶斯收缩后的股票特质波动率。可以看出，�本质上是� ���相应增大，以修正可能的风险低估；当近期市场特质波动回落时，��则趋于下降，以避免高估风险。为了考察该调整步骤的有效性，本文进一步定义特质收益的横截面波动率：ΣΣ����其中，�,�仍为股票n在t时点的流通市值权重。�����票特质收益的整体离散程度；��𝑇��越高，说明当期股票特质收益在横截面上的离散程度越大。若波率调整能够有效识别市场特质波动状态，则��应与𝑇����变化方向。图表6：横截面特质波动率与波动率调整乘数��当横截面波动回落时，调整乘数也随之下降，说明波动率调整能够根据市场整体特质波动状态对风险预测进行动态校准。特质风险各步骤的增量效果Newey-West20个交易日移动平均降低日度波动的干扰。从结果来看，Newey-West、结构化模型和贝叶斯收缩后的偏差统计量整体较为接近，说明后两步对市场整体特质风险尺度的影响相对有限。相比之下，波动率调整后的偏差统计量在多个阶段明显向1附近收敛，对持续性的风险高估或低估具有更直接的修正作用。整体来看，波动率调整对特质风险预测尺度的改善最为明显，而结构化模型与贝叶斯收缩更多体现为对个股极端估计的修正。图表7：不同调整步骤下特质风险偏差统计量对比五.风险预测效果与模型诊断完成因子协方差矩阵与特质风险估计后，可以进一步得到股票