2025年金融工程专题研究：风险模型全攻略——恪守、衍进与实践

黑天鹅事件频发，组合风险控制至关重要

在指数增强产品的构建过程中，收益预测模型和风险控制模型是两个重要的组成部分。在国信金工团队的过往研究中，我们从基本面财务数据、低频量价数据、高频逐笔数据、券商金股另类数据等多个维度出发，对收益预测模型的提升进行了深入探讨。然而近年来，随着 A 股市场波动放大，“黑天鹅事件”频发，极端尾部风险发生的概率相较以往大幅提升。我们观察到，2024 年以来各类公募指增产品的超额收益出现了历史以来的最大回撤。在这样的背景下，如何对组合风险进行全方位、全流程管理引起了市场的高度关注。

市场波动加剧下，公募指增产品超额收益普遍创下历史最大回撤

对于指数增强型产品而言，相较基准指数超额收益的稳定性是基金管理人追求的主要目标。然而近年来，随着 A 股市场波动放大，公募指增产品超额收益在2024年普遍出现了历史以来的最大回撤。 以沪深 300、中证 500 及中证 1000 指数增强型基金为例，我们以各类指数增强型基金中成立时间大于 3 个月、剔除联接基金、剔除增强ETF 基金后的基金池为样本，分别计算每只指数增强型基金相对基准指数95%仓位的相对回撤①，随后在截面上（同一日期）对同类型指数增强型基金取相对回撤的中位数，作为指数增强型基金整体相对基准指数回撤大小的衡量指标。

第一阶段回撤出现在 2024 年春节前：在 20240105-20240228 期间，受券商DMA（多空收益互换）业务规模限制、个股场外融券规模限制等政策影响，万得微盘股指数（8841431.WI）出现 49.63%的巨幅回调，小微盘股票出现流动性危机。此时，部分在小微盘风格上暴露较大的中证1000 指增基金出现短期大幅回撤。不过，由于公募指增产品在合同约定中要求至少80%成分股属于基准指数内，相较风险敞口更大的私募指增产品而言，这一轮公募指增产品的整体回调相对有限。

第二阶段回撤出现在 2024 年 10 月-11 月：2024 年9 月24 日，国新办召开新闻发布会，证监会负责人表示将大力发展权益类公募基金、完善长钱长投的制度环境、多措并举活跃并购重组市场、支持汇金公司加大对资本市场增持力度等。自此之后，市场情绪快速修复，以科创板、创业板为首的前期超跌股票迎来“报复性”反弹。前期表现较好的低估、红利、低波类因子出现大幅回调，有业绩增长的成长股表现大幅弱于无业绩增长的成长股，绩差股、高市盈率股票短期大幅上涨。作为公募指增产品的主流模式，中低频基本面类指增策略在这一轮回调中损失严重，多数产品超额收益创出历史最大回撤。

第三阶段回撤出现在 2025 年 2 月：与“2024·924”行情类似，TMT板块大幅上涨，成长风格整体占优，基本面因子在前期迎来修复后再度遭遇较大幅度的回调。该轮行情与第二阶段回撤行情较为类似，以科创、创业板为代表的成长股票表现较好，基本面因子出现回撤，以中低频基本面量化为主的公募指增策略出现较大幅度的调整。

黑天鹅事件频发，极端尾部风险发生概率大幅提升

在经典的量化模型中，我们通常假设资产收益服从正态分布，此时资产收益落在历史均值 3 倍标准差之外的概率仅有 0.3%，可能性极小。然而现实世界中资产收益率通常呈现出“尖峰厚尾”的分布特征，这意味着极端事件发生的概率远比我们期望的更大。

何为风险？风险模型的进化史

由上一小节可知，近年来随着 A 股市场波动放大，极端尾部风险发生的概率相较以往大幅提升，各类公募指增产品的超额收益陆续创出历史以来最大回撤。在这样的背景下，如何对组合风险进行全方位管理引起了市场的高度关注。那么，何为风险？本部分，我们对风险模型的进化史进行简要梳理，随后从一些具体案例出发，对 A 股市场中的显性风险和隐性风险进行阐述。

风险模型的进化史：从单因子到多因子，从显性风险到隐性风险

风险模型的进化史本质上就是资产定价模型的发展史，其经历了单因子到多因子、从显性风险到隐性风险的发展。 传统的因子模型从最初的 CAPM 单因子模型，到Fama-French 三因子模型、Carhart 四因子模型、Fama-French 五因子模型，再到目前业界广泛使用的Barra多因子风险模型，风险因子的扩充反映了投资者对市场风险认知的不断深入。显性因子框架要求投资者预先对风险因子有清晰的认识，然而随着市场环境变化，影响资产收益的风险因素不断涌现，不同时间影响资产的风险因素也不尽相同，传统的显性风险模型很难满足组合管理的全部需求。近年来，资产定价领域新的研究开始将注意力转向隐式因子模型（Latent Factor）。

显性风险：从市场风险、行业风险到风格风险

Barra 风险模型是当前业界使用最为广泛的风险模型之一，其将个股收益分解为市场收益、行业收益、风格收益及特质收益四个部分，因此组合风险即可拆解为市场风险、行业风险、风格风险及特质风险四个维度。

市场风险案例：主动股基在 A 股及港股的配置

对于单一市场投资组合而言，所有个股面临的市场风险完全相同。然而对于跨市场投资组合而言，不同市场配置权重的偏离会给组合带来潜在的市场风险。2025 年上半年中证全指上涨 4.28%、恒生港股通指数上涨21.22%，港股市场的上涨幅度远高于 A 股宽基指数。对于旨在战胜偏股混合型基金指数的产品而言，若其在港股市场的配置权重过低，则可能为组合业绩带来潜在负面影响。

我们统计了 A 股公募主动股基（指普通股票型基金、偏股混合型基金、灵活配置型基金、平衡混合型基金中，连续 4 个报告期的权益仓位在70%以上的基金）中合同范围内明确可投资港股的基金数量占比，其中可投资港股基金数量占比为63%，不可投资港股基金数量占比为 37%。进一步地，我们统计了所有可投港股的主动股基 2024 年年报和 2025 年一季报在港股上的平均仓位配置情况，如图8所示。其中，仍有 9%的基金港股仓位为 0，66%的基金港股仓位低于30%，仅有 3.4%的基金港股仓位在 70%以上。

我们根据 2024 年年报和 2025 年一季报全体主动股基在港股上的平均配置情况，将主动股基分为港股持仓占比为 0、(0%,30%]、(30%,50%]、(50%,70%]、(70%,100%]五档。图 9 展示了如上五类基金等权组合在2025 年上半年的净值走势，可以很明显地看到，基金组合的整体表现与持有港股权重呈现出严格的正相关关系，持有港股市值占比越高，基金组合的整体表现越好，且这一现象十分单调。 由以上分析可知，若投资者忽略港股市场的配置情况，当港股市场出现单边大幅上行行情时，以对标主动股基中位数为目标的投资策略获取超额收益的难度明显加大，此时市场因子贡献了较大风险。

行业风险案例：红利低波 VS 红利低波 100

行业风险是相对比较好理解的风险，通常来讲相同行业的公司由于经营模式的相似性和关联性，股价往往呈现出相似的特征。当组合在某个行业上的持仓过于集中时，该行业的整体走势往往能够决定组合的表现，此时就形成了潜在的风险。以近年关注度较高的红利类指数为例，红利低波指数（H30269.CSI）和红利低波100 指数（930955.CSI）均旨在反映 A 股市场中流动性好、连续分红、股息率较高且波动率较低股票的整体表现。在指数编制规则中，红利低波100 指数要求所属中证二级行业的权重不超过 20%，红利低波指数对行业上集中度并无限制。相较之下红利低波指数近年来银行板块占比不断提升，截至 2025 年 6 月30 日，其在银行板块上的持股达到 50%。 图 11 展示了红利低波全收益相对红利低波 100 全收益的月度超额与中证银行全收益相对中证全指全收益的月度超额散点图情况，可以看到二者之间呈现出较强的正相关关系，可以说银行板块的走势决定了红利低波相对红利低波100指数的超额表现，当银行板块表现不佳时，红利低波指数的表现也相对较弱。

在 20250102-20250630 区间内，红利低波 100 全收益指数下跌0.12%，同期红利低波全收益指数上涨 6.06%，二者差异极大。我们根据指数权重划分为银行和非银行板块，图 12 展示了红利低波及红利低波 100 指数内银行及非银行板块的净值走势，可以看到如果只是看两个指数内的银行或者非银行板块，二者收益相差无几，导致指数最终收益差异较大的原因更多在于银行板块的配置权重差别。

风格风险案例：微盘股的恐惧与贪婪

如果说行业因子是采用离散的类别度量风险，那么风格因子或风险因子则更多采用连续型打分来刻画风险。我们根据因子 IC 均值的绝对值和IC标准差将因子划分成 Alpha 因子、风格因子、风险因子和无效因子。因子 IC 衡量的是因子打分与个股预期收益之间的相关系数，当因子IC均值绝对值很高、标准差很小时，说明该因子对个股未来预期收益有着较为稳定的预测作用，这种因子是一类效果稳健的 Alpha 因子（如大单及漫长订单因子、盈余公告后次日开盘跳空超额 AOG 因子、标准化预期外盈利SUE 因子等）。而当因子IC标准差较大时，说明因子打分对个股未来预期收益的影响有正有负，并不存在稳定的预测能力，这类因子通常是一类典型的风格因子（如市值、BP、换手率、波动率、分析师覆盖度等）或风险因子（如 Beta、动量、杠杆率等）。

隐性风险：随着市场环境变化，其内涵也发生变化

前面提到，显性因子框架要求投资者预先对风险因子有清晰的认识，然而随着市场环境变化，影响资产收益的风险因素不断涌现，不同时间影响资产的风险因素也不尽相同，传统的显性风险模型很难满足组合管理的全部需求。此时，如何动态地对隐性风险进行把控，成为了市场关注的焦点。我们将隐性风险定义为一种随着市场环境变化而在不同阶段发生变动的风险，也就是说隐性风险并不是一成不变的，其在不同的市场环境下拥有着不同的内涵。

隐性风险案例之一：公募重仓风格主导的“茅指数”行情

在 2019 年-2020 年公募重仓风格主导的行情中，以贵州茅台为代表的公募重仓股大幅上涨，茅指数（8841415.WI）在 2019 年上涨 91.40%、2020 年上涨108.74%，年度收益远高于同期主动股基的整体表现。与此同时，指数的大幅上涨推动成分股估值出现泡沫，市场风险在潜移默化中不断积聚。我们以 2020 年年报中公募主动股基持股市值最高的100 只股票作为“核心资产”，随后计算主动股基年报中持有该类“核心资产”的权重作为基金“含茅量”指标，最后考察不同“含茅量”基金在 2021 年春节前后相对偏股混合型基金指数的超额收益表现。在 2021 年春节前 20 个交易日（20210115-20210218），“核心资产”迎来最后的狂欢，主动股基相对股基指数超额收益与基金“含茅量”呈现出明显的正相关关系——“核心资产”持股权重越高，基金业绩越好，二者相关系数达到 0.46；然而在 2021 年春节后 20 个交易日（20210218-20210318），“核心资产”出现大幅回调，主动股基相对股基指数超额收益与基金“含茅量”呈现出明显的负相关关系——“核心资产”持股权重越高，基金业绩越差，二者相关系数达到-0.60。整体来看，在这一时期，若基金在“核心资产”风格上的持股权重相较主动股基的整体持股权重出现较大偏离，就会给组合带来潜在风险。

诚然，事后来看这一阶段“核心资产”的交易作为当时市场的主要矛盾已被市场熟知，但站在当下我们并不能完全意识到风险的发生。事实上，类似于“茅指数”的概念指数也是相关行情持续发酵了一段时间后才被市场总结出来的结果，万得茅概念指数的发布日期为 2020 年 9 月 21 日，而在此之前的2019 年和2020年，核心资产的行情已经持续了一年多的时间。此外，隐性风险并不是一成不变的，其可能只是阶段性地对股价走势产生影响。

综合来看，隐性风险的滞后性是其短期被市场忽视的主要原因之一，而这类风险之所以被称为隐性风险，是因为其通常无法被已知的风险所完全解释。以行业分布为例，图 19 展示了“核心资产”成分股在中信一级行业上的分布情况，可以看到其在各行业上的分布较为平均，并不存在某些行业上持股过于集中的情况。事实上，当风险事件实际发生的时候，风险才被称之为风险。而在此之前，风险更多地以类似 Alpha 的形式存在。大多数时间内，市场并非没有意识到这种隐性风险的存在，只是这类主动偏离带来的暴露给组合贡献了大量短期超额收益，这种潜在风险带来的超额收益，是大部分投资者难以拒绝的诱惑。

隐性风险案例之二：不同涨跌停板限制下的制度风险

2020 年 4 月 27 日，证监会和深交所相继发布多个创业板改革并试点注册制配套业务规则，根据《深圳证券交易所创业板股票交易特别规定》征求意见稿，深交所对创业板股票竞价交易的涨跌幅限制比例从原来的10%调整为20%。自此，A股市场中不同上市板块的股票实行不同的涨跌停板限制，其中主板股票涨跌停板为 10%，科创板和创业板股票涨跌停板为 20%，北交所股票涨跌停板为30%。近年来，A 股市场“黑天鹅”事件频发，大量股票的日内走势出现了较大的波动。我们以北证 50、科创板综、创业板综和万得主板指数（881033.WI）分别代表北交所、科创板、创业板和主板股票的整体走势，以指数日内最高价相对前一日收盘价作为日内涨幅、以指数日内最低价相对前一日收盘价作为日内跌幅。图20展示了 2024 年 10 月 8 日和 2025 年 4 月 7 日两个交易日的指数日内涨跌幅情况。

可以看到，由于不同板块股票存在不同的涨跌停板限制，各指数在极端市场行情下的表现也出现明显分化。其中，在极端上涨和极端下跌行情下，北证50指数的变化幅度均超过 20%，科创板综和创业板综的变化幅度在10%-20%之间，万得主板指数的变化幅度在 10%以内，这一结论与各板块的涨跌停板限制相符。

从投资组合的角度来看，组合在不同板块上的持仓分散度也会导致潜在的风险。我们根据 2024 年半年报和年报主动股基在主板、创业板、科创板及北交所的持股权重，筛选出在单个板块上两期持股权重平均值超过90%的基金。图21展示了这些代表性基金在 2024 年 10 月 8 日和 2025 年4 月7 日两个交易日的收益率情况，可以看到： 2024 年 10 月 8 日，北证持股较高基金涨幅中位数18.33%、科创板持股较高基金涨幅中位数 15.82%、创业板持股较高基金涨幅中位数14.06%、主板持股较高基金涨幅中位数 2.21%； 2025 年 4 月 7 日，北证持股较高基金跌幅中位数13.47%、科创板持股较高基金跌幅中位数 11.34%、创业板持股较高基金跌幅中位数11.83%、主板持股较高基金跌幅中位数 6.45%。 对于跨板块指数增强产品而言，如果指增基金相对基准指数在部分板块上存在超配或低配，那么在极端行情下，也可能造成基金产品和基准指数收益上的偏离，这种隐性风险就是一种潜在的制度风险。 综合以上分析可知，不同于已知的显性风险，隐性风险在某些市场阶段可能对组合风险有着较大的贡献，且在不同的市场行情下会以不同的形式出现。如何动态地识别出这种隐性风险，也是组合风险控制中值得重点关注的重要内容。

全流程组合风险控制：事前预防、事中控制、事后处理

到目前为止，我们对组合风险控制的必要性和重要性进行了阐述，并对A股市场中常见的风险因素展开了讨论。本部分，我们针对指数增强组合的风险控制全流程进行详细介绍，主要包括事前预防、事中控制和事后处理三个环节。 在事前预防阶段，我们针对显性风险和隐性风险双管齐下，提出基于启发式风格划分的认知风险控制模型和基于个股收益聚类的隐性风险控制模型； 在事中控制阶段，我们针对风格因子的波动率聚集现象，提出对近期波动率较高、波动率明显放大的风格因子进行严格控制的动态风格因子控制模型；在事后处理阶段，我们根据过去一段时间组合相对基准指数的跟踪误差调整个股偏离，提出目标跟踪误差下的自适应个股偏离模型。从后文可以看到，通过这种事前预防、事中控制、事后处理的全流程风险管理方式，组合的波动和回撤能够得到明显降低，但长期年化收益并未受到显著的影响。

事前预防之一：基于启发式风格划分的认知风险控制模型

在传统的风险模型中，我们通常从个体的主观逻辑出发，采用定量指标对已知的显性风险进行刻画。例如，采用总市值因子刻画大小盘风格，采用估值因子刻画价值风格，采用业绩增速因子刻画成长风格等。然而，真正的风险更多来源于市场投资者群体对于某种风格的共识，这种共识可能与个体的认知存在差异。此时，若投资者可能误以为自己对该风险进行了控制，认知风险就此发生了。无论是在 Fama-French 的因子模型，还是在 Barra 的风险模型中，成长和价值都是最为主流的代表性风格。长期来看，A 股市场中成长和价值风格存在明显的轮动现象，当某种风格表现占优时，另一种风格表现相对较弱。然而，近年来随着市场波动的加剧，部分时间段成长因子和价值因子出现集体性的失效，传统的因子打分模式能否完全捕捉到组合在成长和价值上的风险引起了我们的思考。

事前预防之二：基于个股收益聚类的隐性风险识别模型

前面提到，显性因子框架要求投资者预先对风险因子有清晰的认识，然而随着市场环境变化，影响资产收益的风险因素不断涌现，不同时间影响资产的风险因素也不尽相同，传统的显性风险模型很难满足组合管理的全部需求。本部分，我们提出一种基于个股收益聚类的隐性风险识别方法。

所谓风险，即是指部分股票在短时间内走出相同的趋势，且该部分股票对组合的收益产生较大贡献，同时组合在该部分股票上的配置权重与基准偏离较大。事实上，无论是基于行业还是风格因子划分的方法，其本质上都是从主观逻辑出发，试图对一些短期股价走势趋同的股票进行聚类。那么，能否直接从个股的走势出发，对股票的收益进行聚类呢？本部分，我们引入社区发现算法——Louvain算法，从股票收益率的角度对个股进行聚类。 Louvain 算法是一种基于模块度（modularity）计算的社区识别算法，其以最大化模块度为目标对顶点进行聚类迭代。该算法由比利时Louvain 大学的Vincent D.Blondel 等人于 2008 年提出，因其能以较高的效率计算出令人满意的社区识别结果，而成为近年来最多被提及和使用的社区识别算法。基于Louvain的社区发现算法，无需预设类别数量，只需要输入样本之间的关联度，算法就可以根据最大化模块度的方式寻找最优的聚类数量。本文，我们采用python-louvain包来实现该算法。

事中控制：动态风格因子控制模型

基于启发式风格划分的认知风险控制和基于个股收益率聚类的隐性风险识别，都致力于在事前对可能组合造成风险的因素进行控制。然而，市场风格风云突变，要求事前对所有风险进行严格管理几乎是不可能的。因此，当组合波动产生的时候，如何对组合风险进行事中控制也十分关键。 在传统的指增模型中，我们通常对风格因子进行“后验式”控制，即固定地控制组合在某些风格（如市值、Beta）上的风险暴露。然而，我们认为不同时间点影响组合风险的因素并不完全相同，若仅对部分风格进行严格控制，则在某些市场环境下可能会遗漏市场的潜在风险；倘若对所有风格进行严格控制，则可能对组合收益产生较大的影响。基于此，我们希望找到一种动态的风格因子控制方式，在不明显影响组合收益的同时对一些大级别的风险进行捕捉。

在金融数据中，波动率的聚集效应（Volatility Clustering）是一种普遍存在的现象，这主要体现在一定时间内，资产价格的波动幅度具有持续性，当期价格波动较高的资产往往伴随着下一时段较大幅度的波动，因此波动率往往具有一定程度的可预测性。为了探究风格因子波动率是否具有聚集效应，我们根据风格因子滚动3个月日度收益波动率分为 3 组，随后考察不同组别因子未来1 个月的波动率情况。

基于风格因子的波动率聚集效应，我们提出一种动态风格因子控制模型，根据风格因子过去一段时间日度收益的波动率，对波动率排名靠前或者波动率明显放大的风格进行严格控制。具体来讲，若风格因子波动率满足如下两个条件之一，则将组合在风格因子上的偏离设置为 0： 波动率高：滚动 3 个月波动率处于所有因子的前3 名；波动率放大：滚动 3 个月波动率大于其滚动 3 个月均值加1 倍标准差。由前述分析可知，由于波动率聚集效应的存在，我们可以在不同的时间点对波动率排名靠前的风格进行控制，能够把握市场的主要矛盾，将当前影响组合波动的主要因素控制住。

事后处理：目标跟踪误差下的自适应个股偏离模型

无论是在事前预防还是事中控制环节，我们都尽可能地为防范组合风险做出多项努力。然而，当市场波动快速放大时，以上组合风险控制手段仍然可能出现失效。此时，若能够针对事后进行及时处理，也能够在一定程度上对组合风险进行防范。本部分从事后处理出发，提出一种目标跟踪误差下的自适应个股偏离模型。我们观察到，在构建指数增强策略时，个股偏离幅度通常与组合跟踪误差呈现出明显的正相关关系。然而，不同市场状态下的市场波动存在区别，因此对任何时期设置相同的个股偏离幅度可能并不合理。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）