2025年风险因子与风险控制系列专题报告：股票风险模型与基于持仓的业绩归因

风险因子与风险控制系列之一：股票风险模型与基于持仓的业绩归因

在资本市场深化改革与资管行业高质量发展的宏观背景下，2025 年发布的《推动公募基金高质量发展行动方案》 （后文简称“新规”）通过系统性制度安排重塑行业生态。新规将业绩比较基准的锚定作用提升至战略高度，明 确要求建立覆盖基准设定、动态评估、修正调整全流程的监管规范体系。在此监管框架下，我们预计基金经理的 投资决策行为将面临结构性转变。随着业绩比较基准对风格偏离度、行业暴露度的约束机制持续强化，基金管理 人需更加审慎地控制投资组合与基准指数在行业配置、风格属性等维度的偏离程度；这种变化对投资决策的风险 管控能力提出更高要求，也使得股票多因子风险模型的应用价值得到前所未有的凸显。 股票多因子风险模型作为现代投资组合理论的核心工具，其理论内涵与实践价值正随着市场环境演变不断迭代 升级。尽管该领域的研究与应用已历经数十年发展，但相较于备受瞩目的 Alpha 因子体系。风险因子与风险模型 的研究仍处于相对边缘地位。我们将在本文及系列后续报告中系统性介绍多因子风险模型的理论及实践应用，详 细解释因子构造、数据预处理、因子体系搭建、纯因子收益率计算、协方差矩阵计算等各流程，并给出切实可落 地的实践应用范例。（1）什么是风险因子？如何区分风险因子和风格因子？风险因子和风格因子是一组紧密相关 但又有所区别的概念。风险因子指一系列对资产回报产生系统性影响的因子（侧重影响）；风格因子主要用于描 述底层资产行为模式的共性（侧重特征）。很多我们熟知的风格因子（譬如价值、成长、动量、市值等）被经典 风险模型广泛采用；好的风险因子和风险因子体系也可以帮助组合适度参与风格轮动机会，亦或是辅助呈现 smart beta 产品（比如 MSCI Barra Factor Index）。（2）为什么研究风险模型？学术上，风险模型的初衷是借由降维操作 提供科学稳健的股票协方差估计，通过假设特异性协方差矩阵的稀疏性，解决矩阵估计需要“ > ”但数据条 件上往往“ < ”的矛盾。随着实践的深入，风险模型具备遍布投前、投中、投后的丰富用途，包括但不限于 在产品设计阶段控制跟踪误差和潜在风险，将有限的风险配额分配给预期能跑赢市场的风格；模拟各种交易情景， 预判投资组合的风险结构；事后收益/风险归因，识别影响组合表现的关键驱动因素等。

风险模型的历史与现状：百家争鸣，同气连枝。1974 年，美国学者 Barr Rosenberg 开创了多因子风险模型理论研 究的先河。Rosenberg 和 Marathe（1975）的进一步研究表明，可以找到一个简约的因子组合解释资产回报的共同 运动，而无法用这些因子解释的回报则互不相关。1975 年，Rosenberg 成立了 Barra。作为风险模型研究和应用 领域的先驱，Barra 致力于搭建现代投资组合理论与业界实务的联系，提供了一种产学研各界普及的通用范式， 于成立同年发布了首个针对美国市场的风险模型 Barra USE1，并陆续对该模型进行迭代推广，便于适应更广泛的 地域（全球、欧洲、亚太地区、新兴市场等）和资产范围（固定收益等）。1989 年 1 月，Barra 推出第一代全球风 险模型（Global Equity Model，GEM），随后于 2008 年迭代到第二代模型（GEM2），2012 年迭代到第三代模型 （GEM3），近年来推出第四代风险模型（GEM4）。进一步地，GEM4 又分为长期模型（Global Equity Model forLong-Term Investors，GEMLT）和交易模型（GEMTR）。这其中，长期模型着重表达 1 个月以上的长期影响， 相应地会使用更多系统性股票策略因子（Systematic Equity Stategies，SES，即一系列收益高、换手低、被主动产 品积极暴露，需要关注拥挤风险的因子）；交易模型则侧重于刻画几天内的短期变化，相应地引入更多高换手因 子。

多年发展以来，MSCI Barra CNE5 模型凭借其成熟的理论框架与本土化适配能力，仍旧是国内业界使用范围最 广泛、最深入人心的商用风险模型版本之一；诸多模型在方法论上总体一脉相承，差异集中在标的池范围及相应 的因子选择等细节处理上。MSCI Barra 针对中国市场推出的诸多模型中，影响力较强的版本主要有 CHE2（2005 年推出）、CNE5（2012 年 7 月推出，对标第三代全球风险模型 GEM3 和第四代美国风险模型 USE4，主要更新点 是引入了截距作为国家/市场因子，同时在协方差矩阵估计过程中对特征因子调整、波动率机制调整、贝叶斯调 整等方法有所创新）、CNE6（2018 年 8 月推出，对应第四代全球风险模型，包含 CNLT 和 CNTR），后续版本还 包括中国国际股票模型（China International Model，CXE1）、大中华股票模型（All China Equity Model，ACH1） 和今年发布的新一代中国股票因子模型（CNEX）等。 商用风险模型中，除了 MSCI Barra 系列模型较为知名，也不乏其他竞品。比如彭博终端提供 PORT 功能可用于 投资组合分析，内嵌风险模型 MAC3 等；晨星也有 Standard Factor Model、Global Equity Model 等风险模型可供 归因使用。其中晨星的风险因子库颇具特色，涵盖了基于风格箱的价值-成长因子和基于基金持仓的所有者风险 因子等。此外还有 Axioma（Simcorp）、Northfield、SunGard、Two Sigma Factor Lens 等具备类似功能的工具性产 品，不一而足。 本文作为风险因子与风险控制系列第一篇报告，主要探讨风险模型搭建的“前半程”—— 风险因子的选取、数 据处理管道的设计、模型的构建与理解及业绩归因实践，并大致遵循 MSCI Barra CNE5、彭博 MAC3、晨星风险 模型的思路实现股票风险模型在 A 股的本土化落地。我们探讨了数据预处理、指标口径对齐等关键技术细节对 结果可能的影响，分析了现有模型设计的优劣势，并在实践维度验证了基础版风险模型在产品持仓业绩归因中的 有效性，成功实现内外部投资组合的收益驱动分析与风险来源解构。后续工作（有关因子协方差、特质波动率的 计算、风险模型在组合优化中的应用、风险模型的结构升级等）将在本系列报告中陆续展开。

1. 风格因子的选取及数据处理管道的设计

参考 MSCI Barra、Bloomberg MAC、晨星等经典风险模型，本文总结了风险模型通用工作流如下，包含因子构 建、数据处理、纯因子收益率、因子协方差矩阵与特异性波动率的计算。经典风险模型多采取多层级因子架构， （以 MSCI Barra 命名规则为例）包括因子组 factor group，一级因子 factor 和二级因子 descriptor。这种分层设计 的初衷是为模型低共线性考虑——将共线性较强的指标作为二级因子，合并同类二级因子作为一级因子。随后以 一级风格因子与所属行业作为自变量，资产（股票）收益率作为因变量输入回归方程，即可得到因子/特异性收益 率的估计值，并进一步得到因子协方差矩阵与特异性波动率。

1.1 案例分析：MSCI Barra CNE5

本节以 MSCI Barra CNE5 风险模型为研究对象，系统剖析其构建方法论与核心技术细节。作为 Barra 系列模型 在 A 股市场的经典应用版本，CNE5 暂不设因子组概念，包含 10 个一级因子、21 个二级因子，最终纳入的因子 包括经典学术因子（比如 CAPM 模型中的贝塔值、Fama-French 三因子模型中的市值和账面市值比），也有经验 性的基本面（如价值、成长、杠杆）及技术因子（如动量、波动率、流动性）。下表展示了 MSCI Barra CNE5 的 10 类一级风格因子及具体构造方法，值得注意的有以下几点： （1）关于因子方向性处理机制：在一级因子层面，所有因子保留原始经济含义，不会人为调整符号以使得收益 方向一致。二级因子层面则需通过标准化处理统一方向，再依据预设权重进行加权合成。 （2）关于二级因子合成权重：二级因子合成一级时的权重设计反映了模型对二级因子重要性的评判。MSCI Barra CNE5 模型在二级因子合成一级因子的过程中，通过优化算法确定权重（优化目标为最大化模型解释力度）。但 在随后的版本中，MSCI Barra 不再追求精确的历史拟合，更倾向于使用等权方法达成“模糊的正确”。作为尝 试，本文仍保留 CNE5 文档给出的固定权重合成一级因子。 （3）现有因子的设置绝非完美，存在明显短板。比如 btop 和 value 之间存在逻辑冗余，而 beta 和 liquidity、resvol 和 liquidity 间也存在高相关性，再比如现有框架对质量和拥挤度刻画得不够等。3.1 节中，我们将进一步讨论风 险模型的客观评价标准。

行业因子方面：国内外权威的行业分类标准包括管理型分类（目的是行政管理，重点在于三类产业农业、工业、 服务业的划分，比如国家统计局制定的国民经济行业分类和证监会的上市公司行业分类）和投资型分类（目的是 投资，重点以消费特征为依据而淡化商品和服务的区别，比如 GICS 行业分类、中信/申万等行业分类）。本文暂 不讨论行业分类对风险模型效果的影响，先以中信一级行业为例（30 个行业）完成模型计算。

1.2 数据处理管道的设计

合格的风险模型需要高质量底层数据作为支撑。如果因子暴露数据存在严重质量问题（比如缺失值多、分布异常 等），可能严重违背回归模型的核心假设，进而导致收益预测与风险评估结果出现偏差。正因如此，数据清洗环 节不容忽视。本文系统研究了 MSCI Barra、彭博、晨星等主流商用风险模型的数据清洗方案，在此基础上设计出 一套具有普适性的数据处理管道，涵盖以下 6 个核心步骤：

STEP1：划定基础域。基础域（也称估计范围）用来代指模型提供风险预测的所有资产全集。基础域的选择 需要满足广泛性、稳定性、可投资性等原则。（1）广泛性。样本券的选择需要具备充分的市场代表性和可以 被因子捕捉的共性特征，以确保回归分析具备充足的统计意义。（2）稳定性。在时间序列维度上，样本资产 池应保持相对稳定，避免频繁调仓导致因子暴露值剧烈波动。（3）可投资性。纳入标的需满足流动性、市值 规模及存续期等基本要求，同时排除存在监管风险警示的资产。此外，不同基础域对同一组风险因子的适配 性可能存在显著差异；即使采用相同因子体系，基础域的选择也会直接影响因子暴露度、纯因子收益率及协 方差矩阵的最终计算结果。考虑到这一点，也为提升模型普适性，本文优先选取万得全 A 成份股作为基础 域，并剔除中信一级行业分类缺失的样本。

STEP2：极值处理。数据极值既可能源于数据采集或计算错误，也可能是反映真实市场状态的有效数据，但 无论其性质如何，均可能对模型估计产生重大干扰。MSCI Barra、彭博、晨星等机构公开的极值处理方法并 不完全一致，比如：（1）从处理方式来看：主要分为去尾（trim）和缩尾（winsorize）两种方法；彭博更惯 用去尾（直接将极值标记为缺失值），晨星更常用缩尾操作（将极值调整至阈值边界），MSCI Barra 则二者混 用。（2）从处理步骤来看：MSCI Barra 与彭博多采用分步处理策略，优先处理极端异常值，再调整轻度离群 点；晨星则多采用“一步到位”的阈值调整方式。（3）从方法论来看：MSCI Barra 和彭博采用统一阈值标 准处理全样本，晨星则根据数据特征定制差异化方案，没有强求方法论的统一。本文在兼顾数据真实性和分 布优化的前提下，采用分层处理策略——对绝大多数二级因子先执行 3 倍标准差（下称 3std）去尾，再进 行 3 倍稳健标准差（下称 3rstd，具体分析见本文附录）缩尾，但针对市值相关因子仅实施 3std 缩尾处理。

STEP3：空值填充。因子数据缺失主要来源于上市初期历史数据不足的新股，以及极值处理过程中因去尾操 作被剔除的异常标记值。为最大程度保留原始信息，本文在二级因子层面采用回归填充法，通过当前截面的 完整因子值对市值及一级行业属性进行回归建模，实现缺失数据的有效补全。

STEP4：标准化。本文采用市值加权均值（权重基于流通市值计算，具体方法详见附录）与等权标准差实现 标准化操作，该方法能够有效平衡不同市值规模资产对因子暴露的影响，确保市场组合的风格中性特征。

STEP5：合成一级因子。在完成上述数据清洗与标准化后，基于预设权重体系将二级因子合成为一级因子。

STEP6：二次去极值&标准化处理。对合成后的一级因子进行二次校验，针对残余极值进行补充处理，并再 次执行标准化（方法同上），确保因子数据符合模型输入要求。

本文使用上述数据处理管道实现风险因子的多层级构造，并展示了 10 个常用一级风格因子的统计特征分析，涵 盖极值分布、正态性检验及时序相关系数衰减特性指标等。后文中，我们提出了更完整的风险因子及风险因子体 系评价指标，这里仅给出对指标分布的评价过程。 （1）截面分布及正态性：从极值分布来看，风险因子取值基本控制在[-3, 3]区间内，但并不完全符合正态分布特 征。比如，beta、liquidity、resvol 因子的右尾较厚，而 size、value、growth 或在一定程度上存在左偏倾向。这种 现象或与标准化步骤中使用流通市值加权因子值进行去均值（demean）操作有关，使得小市值方向上容易出现离 群程度较大的点。进一步地，我们使用 Jarque-Bera 检验、Kolmogorov-Smirnov 检验观察数据正态性（原假设为 数据服从正态分布）。容易发现，除了 beta、liquidity 外，其余因子均拒绝正态分布原假设，这一结果与实际市场 数据的非正态特性相符，因而最终风险模型构建中我们也未强行要求因子服从正态分布。 （2）时序稳定性：本文使用不同窗口下的时序自相关系数均值来刻画因子在时间序列上的稳定性。从结果来看， 市值类、基本面类因子自相关性随窗口的拉长衰减较慢，技术类因子（比如动量 momentum、残差波动率 resvol、 贝塔值 beta）衰减更为迅速，这一结论符合市场经验直觉。若按半衰期 126 日为标准（约相当于月自相关性 0.9）， 动量、残差波动率以外的因子都比较稳定，总体上均适合引入长期风险模型。

2. 纯因子收益率：“纯”在哪里？

2.1 模型构建：带约束的加权最小二乘法

在纯因子收益率估计问题上，各主流风险模型在核心方法论层面呈现较高一致性，在这一问题上，MSCI Barra USE4 模型方法论具有开创性意义——将截距项定义为国家因子。这一调整带来了两方面的好处。其一在于：带 截距模型可以将国家因子收益率从行业因子收益率中剥离开，从而使收益结构更为清晰（如果没有国家因子，表 现逊于市场但取得正收益的行业也有可能对组合业绩产生正贡献）。其二在于：有截距项+更短的波动率半衰期使 得模型可以更敏感地响应行业间相关系数的变化（相关细节见 USE4 文档 3.2 节）。但加入截距项也同时引入了 极为严重的共线性，需要额外施加约束才能使模型取得逻辑通顺的唯一解。

3. 评价风险因子及风险因子体系

3.1 如何评价风险因子及风险因子体系？

如何评价风险因子及风险因子体系？本文首先总结了 MSCI Barra 提出了“3+3”六维评价标准，其中 1-3 点针对 单个风险因子，4-6 点针对风险因子体系。基于 MSCI Barra 的风险模型方法论，在数据质量合格的大前提下，合 格的风险因子应当满足： （1）统计显著性：风险因子在解释资产收益率时应当具备持续且稳定的统计效力。但鉴于因子收益方向在时间 序列与截面上的并不一致，可以通过 t 值绝对值的均值量化其显著性水平。 （2）稳定性：风险因子敞口需保持时间序列上的连续性，避免短期内剧烈波动，通常采用指标自相关性系数衡 量因子更新前后的变化幅度。 （3）直觉性：风险因子需要具备易于解释的经济含义，且与投资者的直觉认知保持一致。 进一步地，合格的风险因子体系应当满足： （4）完备性：风险因子体系应当尽可能充分解释所有系统性驱动因素，使得特异性收益率互不相关。这一假设 构成了后续协方差矩阵计算的基础。 （5）简约性：作为完备性的对立面，简约性倡导用最少的因子数量实现对收益率共性特征的有效解释，需要剔 除虚假因子、弱因子从而降低模型复杂度。 （6）低共线性：低共线性要求避免一级因子两两间高度线性相关，可通过方差膨胀因子（VIF）度量共线性程度， 对 VIF 超标的因子则需采用正交化等技术手段再作优化（牺牲单因子解释性以换取体系的稳健性）。

值得注意的是，MSCI Barra 的评价框架是灵活的：以绩效归因为目标时，因子的经济解释力（直觉性）至关重 要；但而若以精确刻画协方差矩阵为导向，则可通过正交化或增加非线性处理方式降低因子共线性，甚至适度牺牲直觉性以换取模型的统计有效性。 基于此，本文系统构建了针对风险因子与因子体系的四类定量评价维度：分布、显著性、共线性及纯因子表现。 合格的风险因子应当具备良好的分布特征、高显著性、低共线性，纯因子表现则用于分析风险因子的性质。考虑 到分布类指标在 1.2 节已有展示，本节重点展示对显著性、共线性、纯因子表现三类指标的考察。

我们在样本期 2011/1/1-2024/12/31 内，统计了日频维度下 10 个常用一级风格因子的显著性、共线性和纯因子表 现。（1）显著性：多数常用风格因子的 t 值绝对值均值（average_|t|）显著高于 2，仅基本面类因子（如 growth、 leverage 等）的解释力度相对较弱。我们判断，t 值与因子时序稳定性（自相关性）之间可能存在负相关关系：基 本面因子虽 t 值绝对值较低，但因子换手率也较低；技术类因子 t 值绝对值整体较高，但换手率普遍更高。值得 注意的是，市值因子是 10 个样本一级因子中唯一的例外——同时具备高统计显著性与较低的换手率特征。 （2）共线性：我们统计了各一级因子纯因子收益率与国家因子收益率的相关性，结果显示多数一级因子与国家 纯因子收益率的相关系数处于较低水平，只有技术类因子如 resvol（34.65%）、liquidity（44.97%）和 beta（67.68%） 在时间序列上与国家因子收益率相关性较高，beta 尤其与市场指数走势高度相关——这也说明，beta 可以反映国 家因子无法解释市场风险。另一方面，方差膨胀系数 VIF 检验表明，10 个常用一级风格因子两两间共线性不高， 均属于正常范围。三组因子间可能存在较强共线性，分别是：liquidity 和 resvol（相关系数 0.53），beta 和 liquidity （相关系数 0.41），btop 和 value（相关系数 0.39），需在模型构建中予以关注。 （3）纯因子表现：现行因子体系中包含一些“类 alpha 因子”，典型如 liquidity、beta、size（分别反映低流动性、 高贝塔、小市值资产的收益补偿）。尽管这些因子在统计意义上呈现显著的长期正收益特征，但我们仍将其归类 为风险因子——用以反映策略容量、交易成本、市场冲击与流动性枯竭等实操风险。这就要求投资者必须通过因 子敞口约束牺牲部分理论收益，以确保组合运作的可持续性。余下因子不具备长期 alpha 特征，但对截面收益存 在一定解释力度，具备更普适的风险属性。

本节的余下部分中，我们讨论了降频对上述定量评价指标的影响。降频到月度后，从显著性角度，市值因子 size 的贡献度提升较多，而 beta 的贡献度有所下降；这一现象与我们预期的“降频后技术类指标解释力可能减弱” 相吻合，不过即便如此，基本面因子的解释力度仍低于技术类因子。倘若进一步观察纳入因子时序稳定性的气泡 图，很容易发现降频后一个明显的结论是：高换手因子的高 alpha 特征被削弱（相比日频结果，月频下气泡面积 较大的高换手类因子位置距离轴更近），低频环境下基本面类风险因子的比较优势得以提升。

3.2 单因子检验结果与共线性影响

本节展示了对 10 个常用一级风格因子的单因子分析，使用了以下指标： （1）单因子 10 分组年化收益率：在样本期内，基于万得全 A 基础域，按单因子值将股票等分为 10 组（组号越 小因子值越低，组号越大因子值越高），每组等权配置并每月调仓，统计各组年化收益率。该方法通过分组收益 差异直观呈现因子的截面定价能力。 （2）纯因子/单一因子/二级因子净值表现：纯因子收益率、单一因子收益率、二级因子收益率均借由上文提出的 带约束 WLS 方法计算。计算纯因子收益率使用的自变量包括国家因子、全部一级风格因子和全部行业因子；计 算单一因子收益率使用的自变量包括国家因子、所选单一风格因子和全部行业因子；计算二级因子收益率的模型 机构在纯因子收益率的基础上，使用目标二级因子代替其所属的一级因子。 我们基于这组结果探讨风格因子共线性对纯因子收益率的影响。实证结果表明，对 10 个常用一级风格因子，单 一因子的 t 值绝对值均值均明显超过多因子模型中的相应指标——这说明现有风格因子存在显著的信息重叠。从 分组收益率（参考多空净值、IC 等指标），到单一因子收益率（剔除国家因子、行业因子）再到纯因子收益率（剔 除国家因子、行业因子和其他风格因子）是一个逐步提纯的过程，这也使得纯因子收益率有可能与单因子 IC 方 向相反——典型如 beta：其纯因子收益率持续呈现显著正收益（绝对值较大），但分组收益为“倒 U 型”，多空 与 IC 值均为负。深入分析发现，该现象源于 beta 与 liquidity 因子的高相关性，而类似的逻辑也存在于 btop 与 value 等因子对中。于是我们发现，风格因子间的高共线性会使纯因子收益率的经济含义趋于抽象，其统计显著 性更多反映因子体系的综合影响。这种“提纯效应”提示风险模型构建中需平衡因子解释力与独立性：过度追求 因子收益的纯净度可能导致经济含义模糊，而忽视共线性则会削弱模型的风险分解精度，后续需通过因子正交化 等手段优化体系设计。

4. 应用风险模型实现基于持仓的业绩归因

4.1 基于持仓的业绩归因方法

基于多因子风险模型的归因方法与经典 Brinson 模型同属于基于持仓的业绩归因方法，均需以持仓信息作为输 入基础，该方法主要报告两大方面结果。其一为风格/行业持仓特征，也即：结合持仓权重展示组合在风格和行 业维度的敞口分布，揭示投资组合的风格偏好与市场基准的偏离程度。其二为收益/风险贡献。（1）收益贡献的 计算主要依托多因子模型的收益生成方程（ = + ），个股收益率可以自然拆解为风格贡献、行业贡献和特 质收益，再结合个股持仓权重容易实现单期（每日）组合收益的分解。理想情形下，模型在截面维度上满足严格 的收益可加性，但如若组合包含风险模型估计范围（万得全 A）以外的个股，将不可避免地引入系统性归因误差。 对待跨期业绩归因问题，我们采用 Carino 方法论实现多期归因结果的可加性联接，以确保时序维度的可加性。 （2）风险贡献的计算更多借鉴风险平价理论，通过边际风险贡献的计算实现截面维度的可加性，将组合与基准 的跟踪误差拆解为风格因子、行业因子及特质因子的边际影响。需注意的是，该方法仅适用于单期截面分析或区 间均值测算，并不需要强求跨期可加性。

本章通过外部产品与内部组合两类案例，系统阐释了基于风险模型的绩效归因实施路径和应用方案。（1）对外部 组合：受限于外部资管产品持仓信息披露的低频特性（比如仅可通过基金半年报、年报获取完整截面持仓数据）， 基于持仓的绩效归因框架在应用层面存在显著约束。本章选取高仓位公募基金作为案例样本，但暂未考虑资产配 置层面的收益分解（实际可结合 Brinson 方法完善资产配置维度的收益贡献分配）和持仓披露期之间的交易性因 素。该类场景下，风险模型主要基于定期披露的持仓数据开展归因分析，结果虽在一定程度上存在局限性，但仍 能获得有效结论。（2）对内部组合：针对 100%权益仓位的内部投资产品（如券商金股组合），风险模型可提供更 为精细化的绩效归因分析。通过多因子分解框架，该模型能够精准解构组合收益来源，并确保各维度收益贡献（风 格因子、行业因子、特质收益等）的加总结果与组合实际收益严格匹配。本章以券商金股组合为案例，通过收益 归因结果尝试解答券商金股近年来式微可能的缘由，为相关投资策略的优化提供切实有效的量化依据。

4.2 案例 1：归因视角下，如何理解主动股基近年来收益水平的变化？

本节中，我们尝试使用风险模型开展对高仓位主动权益公募产品（外部产品）的收益归因。其中，高仓位主动权 益公募样本筛选标准如下：（1）万得二级分类属于普通股票型基金或偏股混合型基金；（2）只保留初始份额。在 暂不考虑交易及资产配置因素影响的前提下，本文假定“A 股满仓收益率”——假设基金保持 100%权益仓位投 资于 A 股市场，且每半年进行一次调仓——足以代表基金的实际持仓表现，并借助风险模型实现对该收益的贡 献归因（基准为沪深 300）。 下图展示了在测算区间 2020/1/1-2024/12/31 内，高仓位主动权益公募产品“A 股满仓收益率”的分年度分解结 果。分析发现：（1）无论市场处在牛市或熊市，样本基金的因子收益和特质收益总体相当。2020 年处于增量市场 中期阶段，当时风格、赛道与个股 alpha 的持续性高度协同，主动股基在风格与行业轮动、个股选择上获取超额 收益的难度均较低，只是超额收益的来源有所不同。随着资金情绪降温，指数中枢回落，因子溢价周期缩短导致 策略持续性下降，进而使得因子收益与特质收益同步缩减，市场逐渐形成“轮动和选股都难做”、“收益内卷” 的格局。这一现象不仅反映了市场有效性提升的必然结果，也促使公募管理人结合自身资源禀赋，在风格极致化 与均衡式个股挖掘之间做出路径选择。（2）当仅统计每年 A 股满仓收益率排名前 20%的产品时，因子收益与特 质收益呈现显著负相关。这种收益分化为基金产品标签体系提供了新视角，例如可依据此特征将基金划分为以因 子收益为主导的“风格优势基金”与以特质收益为主导的“选股优势基金”。在 2020/1/1-2024/12/31 区间内， “风格优势基金”主要包括泛量化类产品（含主动量化与指增）和风格增强类产品（基准多为价值/红利指数，也 可以在此基础上进一步拆解具体风格贡献来源）；“选股优势基金”则更多涵盖均衡型产品。

4.3 案例 2：归因视角下，券商金股为何不再有超额？

在团队前期报告《寻找散落的明珠系列之一：券商金股明珠组合》、《量化选股组合双周报第五期：券商金股失效 了吗？》中，我们系统性研究了券商金股这类另类数据的收益潜力。我们定义了三类金股组合：（1）全部金股： 指每月券商金股去重后形成的组合，反映机构共识的增量配置方向；（2）新进金股：指“上月不在池，本月新入 池”的券商金股，反映卖方研究重心的月度边际变化，该组合月单边换手率 100%；（3）重复金股：“上月已在 池，本月仍在池”的券商金股，反映机构在时序和截面上的共识，是全部金股组合与新进金股组合的差集。本节 的测算均假设每月初第一个交易日收盘时所有本月金股列表均可获知，按每月第一个交易日的日终收盘价交易， 等权配置入选个股，暂不考虑交易成本。 从横向对比来看，我们发现新进金股在绝大多数时候更具优势，但在市场共识高度集中的阶段表现相对较弱。对 比新进金股与重复金股的表现可知，在绝大多数情况下，新进金股组合收益更占优（当然，需以承受高换手带来 的交易成本为代价），但 2020 年、2024H1 等市场共识高度凝聚的时期除外。具体来看，2020 年处于牛市中期， 动量因子表现较好，而新进金股因偏向于左侧交易，在动量因子上的暴露或有不足，进而导致其表现不及重复金 股；2024 年进入红利策略大年，且市场在 2023 年的哑铃型结构中已然对红利策略形成了一定共识，此时重复金 股组合受益于观点的持续沉淀，整体表现好于新进金股组合。 时序上看，券商金股组合整体相对基准沪深 300 的超额收益以 2023 年为分界点可划分为两个阶段：2023 年以 前，金股组合持续获取超额收益；但自 2023 年以来，全部金股组合的月度胜率下降至 50%以下。但这是否意味 着研究范式的迭代速度滞后于市场变化？“集体智慧”是否在一定程度上从“躺赢”策略退化为反向指标？后 文基于风险模型的收益分解结果表明：等权组合带来的系统性风格偏配强化了这种时序上的变化，实际存在一定 不公平性。

为何新进金股长期表现更好？为何近期金股组合整体式微？从归因视角下，我们分析了券商金股组合的风格属 性及收益来源。（1）为何新进金股长期表现更好？从风格暴露维度来看，新进金股、全部金股的风格暴露并无显 著差异——整体呈现中小市值、低价值、高 beta、高动量属性，新进金股组合的中小市值特征尤为突出，但动量 暴露稍弱。从收益构成来看，新进金股组合相对全部金股组合的超额收益主要来源于特质收益率，（108.20% vs 83.46%）。这表明不能由经典因子解释的收益才是新进金股表现优异的核心来源。 （2）为何近期金股组合整体式微？2023 年以来，全部金股组合与新进金股组合均面临特质收益率萎缩的局面， 同时因子暴露带来的亏损较为显著，2024 年在市值相关因子（size、sizenl）上的亏损尤其严重。券商金股组合自 带增量思维，系统性暴露于中小市值因子，这可能导致其难以有效适应市场环境的变化。但相较于“金股数据已 然失效”的简单臆断，风险模型提示了等权评价方式可能有失偏颇，需要更科学的评价方式（比如最小化跟踪误 差）削弱等权组合在风格（市值、流动性等）上的系统性偏配，将从简单的“观点集合”升级为“风险可控的观 点集合”，保证时序维度评价的公平性。

5. 总结与展望

本文围绕股票多因子风险模型的理论框架与实践应用展开系统性研究，深入探讨了风险模型的“前半程”——风 险因子的选取、数据处理管道的设计、模型的构建与理解及业绩归因实践等核心环节，主要得出了以下结论：

（1）关于因子体系构建与评价：本文从 MSCI Barra CNE5 模型出发，结合彭博、晨星等成熟风险模型，深入剖 析了包含 10 个一级因子、21 个二级因子的多层级架构——涵盖市值、贝塔值、动量、价值等经典学术与经验因 子。 我们详细讨论了 MSCI Barra 提出的六维评价标准——统计显著性、稳定性、直觉性、完备性、简约性和低共线 性，并在此基础上提出了新的风险模型定量评价体系：分布、显著性、共线性及纯因子表现。基于 10 个常用一 级因子的分析表明，现有体系在数据分布与原始经济含义的平衡上表现良好，通过统一的数据处理流程，既保持 了理想的分布特征，稳定性亦符合标准（半衰期均超过 126 日，表明因子不存在过快换手的情形）。从显著性看， 多数常用风格因子的 average_|t|值超过 2，显示出较强的统计显著性。尽管方差膨胀系数（VIF）检验表明，10 个 常用一级风格因子两两间的共线性水平均处于正常范围，但通过 3.2 节对纯因子收益率、单一因子收益率及二级 因子收益率的分析可知，部分因子对（如 beta 与 liquidity、resvol 与 liquidity、btop 与 value）之间存在显著共线 性，这可能导致理论计算的纯因子收益率与直觉预期存在偏差。 此外，从纯因子表现来看，现行因子体系中包含一些“类 alpha 因子”，典型如 liquidity、beta、size（分别反映 低流动性、高贝塔、小市值资产的收益补偿）。尽管这些因子在统计意义上呈现显著的长期正收益特征，但我们 仍将其归类为风险因子——用以反映策略容量、交易成本、市场冲击与流动性枯竭等实操风险。这就要求投资者 必须通过因子敞口约束牺牲部分理论收益，以确保组合运作的可持续性。

（2）关于数据处理管道的设计：本文结合现有商用风险模型的经验做法，致力于平衡数据分布与原始经济含义 的取舍，设计了包含划定基础域、极值处理、空值填充、标准化、一级因子合成和数据再处理的标准化流程。本 文采用分层极值处理策略（3std 去尾+ 3rstd 缩尾）平衡数据真实性与分布优化，确保因子暴露数据质量符合模型 输入要求。

（3）关于纯因子收益率的估计和纯因子组合的理解：本文基于带约束的加权最小二乘法估计纯因子收益率，详 细剖析了模型构建的两个关键点——“带约束”和“加权”，并给出了该方法论下解析解的求取过程。我们通过 对公式() = 的分块分析给出了对国家、风格、行业纯因子组合的特征刻画。其中，风格纯因子组合对国家 因子暴露为 0（资金中性），对自身暴露为 1，对其他风格和行业因子暴露均为 0；行业纯因子组合同样对国家因 子暴露为 0（资金中性），对风格因子暴露为 0。我们也借此指出了行业纯因子收益率与行业指数超额收益率的差 异。实证发现，多数行业纯因子收益率与行业资金中性组合收益率（行业相对市场指数基准的超额收益率）间差 异较大，这是由于行业纯因子组合还需对所有风格因子保持中性暴露，但行业资金中性组合显然并不能直接做到 这一点。

（4）风险模型的实践应用：本文应用风险模型展示了对外部产品（公募基金为例）和内部产品（券商金股组合 为例）的业绩归因流程，报告了风格/行业持仓特征、收益/风险贡献两方面的结果并提供了截面/时序可加性分析。 两个案例充分展现了风险模型在事后归因流程中发挥的重要作用。（1）以高仓位主动权益公募产品为例，假定“A 股满仓收益率”对组合业绩的充分代表性（将实际组合收益与各成分贡献之和的差异归结为资产配置和交易因 素影响并忽略之），并在此基础上可实现组合因子收益和特质收益的拆分，亦可实现对绩优产品的标签化处理， 为产品的分类与评价提供有力依据。（2）券商金股组合属于可掌握每日持仓明细的内部组合，这意味着我们可以 更自如地应用风险模型执行业绩归因，不必太过纠结于组合收益与成分贡献的差异。借此，我们解答了两大关键 问题：从截面角度明确了新进金股长期表现更优的原因，从时序角度揭示了近期金股组合整体表现不佳的内在逻 辑。这些研究成果为券商金股这类另类数据的后续应用提供了坚实的量化支撑，有助于更科学地评价该数据的可 用性。

编辑：火腿肠