伴隨著癸卯兔年到甲辰龍年的交替，A股市場(chǎng)在短期內(nèi)經(jīng)歷了劇烈波動(dòng)。隨著雪球產(chǎn)品大面積敲入，基差快速擴(kuò)大，小微盤股等板塊流動(dòng)性枯竭，量化基金行業(yè)出現(xiàn)了整體性凈值大幅回撤。這種市場(chǎng)情況無(wú)疑對(duì)量化交易的風(fēng)控能力提出了更嚴(yán)格的要求。

　　風(fēng)控模型不但能夠提供更準(zhǔn)確的股票組合優(yōu)化結(jié)果，還能及時(shí)發(fā)現(xiàn)預(yù)期外的風(fēng)險(xiǎn)敞口，從而實(shí)現(xiàn)更穩(wěn)定的收益，同時(shí)還支持事后對(duì)投資組合進(jìn)行更深入的業(yè)績(jī)歸因和風(fēng)險(xiǎn)歸因，幫助及時(shí)調(diào)整投資策略。

　　2018年 MSCI 發(fā)布的中國(guó) A 股全市場(chǎng)股票模型(The Barra China Equity Model，即 Barra CNE6 模型)就是研究風(fēng)險(xiǎn)敞口、行業(yè)配置和收益歸因等問題的重要工具之一。Barra 模型采用多層次的因子體系，能夠更好地捕捉橫截面上機(jī)構(gòu)頭寸在各種因子(包括市值等風(fēng)格因子)上的暴露，從而更精細(xì)地預(yù)測(cè)和解釋中國(guó)股票市場(chǎng)的風(fēng)險(xiǎn)。與傳統(tǒng)的時(shí)間序列回歸模型有所不同，當(dāng) Barra 模型中納入具有時(shí)序記憶的變量時(shí)，它還可以共享截面回歸和時(shí)序回歸模型的一些優(yōu)良性質(zhì)。目前，我們?cè)?DolphinDB 中完整實(shí)現(xiàn)了 Barra CNE6 中的 CNLT 長(zhǎng)期模型的全流程，從而幫助用戶更準(zhǔn)確地分析市場(chǎng)因子對(duì)投資組合的影響，進(jìn)一步優(yōu)化投資策略，以實(shí)現(xiàn)更高的投資回報(bào)。

　　下圖為實(shí)踐全流程，本文帶你速通完整實(shí)踐指南，如需獲取 Barra 完整模塊腳本，請(qǐng)戳小助手(dolphindb1)。

　　基于 DolphinDB 的因子合成

　　CNE6 共包含9個(gè)一級(jí)因子、21個(gè)二級(jí)因子、46個(gè)三級(jí)因子。我們基于因子計(jì)算模塊barraFactorsCal，對(duì)初始的三級(jí)因子進(jìn)行了計(jì)算和有效性檢驗(yàn)，并基于因子合成模塊barraFactorsMerge，使用 DolphinDB 接口合成指定的一級(jí)和二級(jí)因子。具體流程如下：

　　1.風(fēng)格因子計(jì)算：基于 getXXXX 函數(shù)計(jì)算單個(gè)三級(jí)風(fēng)格因子。

　　2.行業(yè)因子計(jì)算：基于 getIndustryFactors 函數(shù)計(jì)算行業(yè)因子。

　　3.因子預(yù)處理：首先通過 MAD 法，以及市值加權(quán)標(biāo)準(zhǔn)化，對(duì)原始三級(jí)風(fēng)格因子進(jìn)行數(shù)據(jù)清洗。再基于 getAllFactors 和 getRegTable 函數(shù)，得到用于單因子模型檢驗(yàn)的回歸因子表。

　　4.單因子模型檢驗(yàn)：基于 getFactorsValidation 函數(shù)針對(duì)回歸因子表生成每個(gè)因子對(duì)應(yīng)的 IC 、FSC 指標(biāo)。

　　5.因子合成：針對(duì)不同因子加權(quán)方法，基于getFSLevelFactor函數(shù)合成三級(jí)因子，得到用于建立 Barra 多因子模型的一級(jí)因子窄表。

　　基于 DolphinDB 構(gòu)建收益風(fēng)險(xiǎn)模型

　　合成一級(jí)因子后，我們就可以建立收益與風(fēng)險(xiǎn)模型，并從擬合優(yōu)度、偏差統(tǒng)計(jì)量以及 Q 統(tǒng)計(jì)量等角度對(duì)模型進(jìn)行評(píng)估。調(diào)用收益風(fēng)險(xiǎn)模型對(duì)應(yīng)接口函數(shù)getRetTable，即可獲得收益風(fēng)險(xiǎn)模型，并繪制得到對(duì)應(yīng)的模型評(píng)估指標(biāo)(R2、T 統(tǒng)計(jì)量、Bias 統(tǒng)計(jì)量等)。例如，通過下述代碼繪制模型的

studentized R2 月頻時(shí)序圖

　　基于 DolphinDB 的 Barra 多因子模型應(yīng)用

　　通過 Barra 多因子收益風(fēng)險(xiǎn)模型，我們可以在 DolphinDB 中輕松實(shí)現(xiàn)投資組合的風(fēng)險(xiǎn)評(píng)估和配置優(yōu)化。具體應(yīng)用案例如下：個(gè)股收益預(yù)測(cè)預(yù)測(cè)個(gè)股收益能夠幫助投資者評(píng)估投資組合的整體風(fēng)險(xiǎn)水平，并采取相應(yīng)的調(diào)整措施。對(duì)應(yīng)接口函數(shù)為getPredicOut，實(shí)現(xiàn)腳本請(qǐng)聯(lián)系小助手。

　　組合權(quán)重優(yōu)化

　　組合權(quán)重優(yōu)化的目的在于將組合的風(fēng)險(xiǎn)特征完全定量化，使得投資經(jīng)理可以清楚地了解組合的收益來(lái)源和風(fēng)險(xiǎn)暴露。權(quán)重優(yōu)化的目標(biāo)函數(shù)，優(yōu)化目標(biāo)多種多樣，例如可以控制最小預(yù)測(cè)收益并最小組合風(fēng)險(xiǎn)、控制最小本期收益并最小組合風(fēng)險(xiǎn)、控制最大風(fēng)險(xiǎn)并最大化預(yù)測(cè)收益、控制最大風(fēng)險(xiǎn)并最大化本期收益等等。以預(yù)測(cè)收益控制最小預(yù)測(cè)收益率為例，對(duì)應(yīng)接口函數(shù)getOptimizeWeights，實(shí)現(xiàn)腳本請(qǐng)聯(lián)系小助手。

　　事前與事后資產(chǎn)配置評(píng)估

　　事后資產(chǎn)配置指在實(shí)際收益數(shù)據(jù)可用之后，根據(jù)實(shí)際的歷史收益數(shù)據(jù)進(jìn)行的資產(chǎn)配置。這個(gè)過程發(fā)生在投資決策之后，基于實(shí)際觀察到的歷史收益數(shù)據(jù)對(duì)資產(chǎn)進(jìn)行重新配置。因此根據(jù)市值或者是等權(quán)法評(píng)估已有指數(shù)的 Bias，可以計(jì)算出指定組合的偏差統(tǒng)計(jì)量和 Q 統(tǒng)計(jì)量，以對(duì)事后資產(chǎn)配置進(jìn)行評(píng)估。我們基于getFacSpecialBias函數(shù) ，計(jì)算事后資產(chǎn)配置的 Bias 統(tǒng)計(jì)量，以評(píng)估事后資產(chǎn)配置。

　　事前資產(chǎn)配置指在實(shí)際收益數(shù)據(jù)可用之前，根據(jù)模型的預(yù)測(cè)和假設(shè)進(jìn)行的資產(chǎn)配置。這個(gè)過程發(fā)生在投資決策之前，基于模型的預(yù)測(cè)結(jié)果和投資者的目標(biāo)、約束條件等進(jìn)行資產(chǎn)配置。

　　根據(jù)已經(jīng)由優(yōu)化目標(biāo)得到組合權(quán)重或是給定的組合權(quán)重，可以計(jì)算出指定組合的偏差統(tǒng)計(jì)量和 Q 統(tǒng)計(jì)量，觀察指定資產(chǎn)配置組合權(quán)重的合理性或是評(píng)估優(yōu)化權(quán)重的好壞。我們可以基于getPortfolioAccuracy接口以評(píng)估事前資產(chǎn)配置組合。

　　至此，基于 DolphinDB 實(shí)現(xiàn) Barra 多因子模型 CNLT 的全流程跑通。若需獲取 Barra 完整模塊腳本(因子計(jì)算模塊 barraFactorsCal、因子合成模塊 barraFactorsMerge、多因子模型模塊 barraFactorsModel)，或者想要拓展 Barra 模型，以滿足個(gè)性化需求，請(qǐng)聯(lián)系小助手(dolphindb1)。同時(shí)，債券領(lǐng)域的多因子風(fēng)險(xiǎn)和歸因模型如 Campisi、Brinson 等，我們也正在開發(fā)過程中，敬請(qǐng)期待!

　　最后，在本次的 Barra 因子開發(fā)合作項(xiàng)目中，我們還要向盈米基金蜂鳥投研科技團(tuán)隊(duì)表達(dá)最誠(chéng)摯的感謝。盈米基金的前瞻性思維和深厚的行業(yè)經(jīng)驗(yàn)，為我們提供了寶貴的指導(dǎo)與支持。同時(shí)，其對(duì)風(fēng)險(xiǎn)管理的獨(dú)到見解，為此次項(xiàng)目的成功推進(jìn)奠定了堅(jiān)實(shí)基礎(chǔ)。本次合作成功凝聚了雙方團(tuán)隊(duì)的共同努力，為量化金融領(lǐng)域的因子開發(fā)與探索樹立了新的標(biāo)桿，并為投資者提供更可靠、精準(zhǔn)的決策支持。