是时候重新理解『风险模型』了！

图片

风险模型的反人性

QIML一直觉得，A股做量化，风险模型是一件很“反人性”的事。

你做得越认真，越不容易从回测里得到奖励；但你一旦做错，惩罚来得非常直接，而且往往发生在你最不希望它发生的时候。

你一定见过这种场景：行业分散了，风格也中性了，约束写得很漂亮，TE看起来也挺可控——一切都像教科书。可一到压力情境，组合还是一起跌，跌得异常整齐。

复盘会上大家互相看一眼，最后把锅丢给一个词：拥挤。

真正尴尬的是下一句：“那我们下次怎么避免？”

房间里往往会安静一下。因为大家都知道，拥挤不是一个标签，它更像一个触发器。触发器背后是策略同质化，是交易路径，是流动性结构，甚至是执行细节。你很难靠一句“以后注意”解决它。

于是讨论很容易走向另一个极端：开始争论哪个风险模型更准？

这个争论很自然。我们都是量化研究员，当然希望更准。

但问题也恰恰出在：“更准”

准，到底准在哪？

风险模型为什么总是吵不完？

QIML后来发现，不是大家水平差很多，而是大家用同一个词——“准”——在说三件完全不同的事。

同样一句“模型不准”，在组会里通常是三种意思：

• 有人在说：波动和相关性怎么对不上？predicted和 realized 差太多。
• 有人在说：归因怎么讲不清？行业解释不了，风格解释不了，最后都丢进 residual。
• 还有人在说：优化器怎么又抽风？约束一改权重全换，换手直接爆。

所以QIML更愿意把“准”拆开：预测准、解释准、决策准

预测准，像天气预报。解释准，像病历。决策准，像方向盘。

天气预报准不准，是一回事；病历写得清不清，是另一回事；方向盘打下去车会不会乱甩，是第三回事。

很多争论之所以吵不完，是因为有人在聊天气，有人在聊病历，还有人在聊方向盘。当然对不上。

而一旦把“准”拆开，问题就变具体了：你现在最痛的是哪一种？是波动对不上，是归因讲不清，还是优化器让组合不像人？

想清楚这个问题，再去看风险模型的演化，就清晰得多。更进一步说，这三种“准”在很多时候并不是同时往一个方向走的。一个模型可能在某段时间里把预测误差压得很低，但解释结构变差，或者一接进优化器就让组合行为变得不稳定。也正因为如此，真正成熟的风险模型很少只追求单点最优，而更像是在不同“准”之间做长期权衡。

当风险模型变成“语言”之后

很多人提到Barra，习惯把它当成一套模型。但在更大的工作流里，它其实是MSCI整体组合分析与风险管理体系的底层风险结构——模型只是入口，真正形成价值的，是围绕这套风险语言展开的一整套研究框架和应用体系。

真正让一套风险模型变得重要的，不是它算得快不快，也不是某一段时间误差小多少，而是——当足够多的人用它做归因、做风控、接优化、做沟通，它开始变成一种语言。

语言的价值，不在某一个句子多漂亮，而在于：大家说的是不是同一个世界。

早期的风险模型，更像一个结构框架：行业、风格、协方差，足够用了。但市场不是静止的。当你在生产里反复遇到这些问题——

• 有些差异长期躺在 residual 里，大家都隐约知道它存在，却讲不清；
• 有些风险事后人人会说，事前没人能管；
• 有些相关结构一到状态切换就塌——那说明问题已经不是“多一个因子”，而是这套语言开始不够用了。

从 CNE5 到 CNEX，补的不是“数量”，而是“表达能力”！

这种演进并不是简单“加因子”，而是在长期跨周期数据验证和统一研究框架下，对中国市场结构进行系统性表达能力扩展。它既延续了全球风险模型的研究逻辑，又针对本地市场特征进行深化。

State Ownership Factor（国有持股因子）不是为了增加收益预测，而是把“默认规则”写进模型。以前这部分差异常常落在 residual 里，现在至少有了名字。更重要的是，这种“有了名字”不是概念上的升级，而是归因上的升级。换句话说，很多过去“大家都知道有、但很难在统一口径下说明白”的结构性倾向，开始进入可讨论、可约束的范围。

Stock Crowding Factor（拥挤度）不是承诺避免踩踏，而是让你不再在这个维度上完全失明。以前是复盘词，现在变成监控对象。更具体地说，在一些流动性收缩、风格快速切换的阶段，表面上行业和传统风格暴露都不高的组合，仍然可能因为持仓结构高度相似而出现同步调整。把拥挤度纳入风险结构，至少能让这类“同船风险”在事前被看见，而不是只在回撤之后才在复盘里被总结出来。尤其值得注意的是，真正危险的很多时候不是“已经很拥挤”，而是“拥挤正在快速形成”——也就是拥挤度变化的斜率，比拥挤度水平本身更值得盯。

当一件事可以被写成对象，它才真正进入语言系统。

语言的第二层：承认现实不是线性的

你以为控制了一个风格，市场往往用两个风格一起动；你以为相关是稳定的，状态一切换就变形。Machine Learning捕捉非线性与交互，Adaptive Covariance Adjustment，自适应协方差——这些名字听起来技术味很重，但本质只有一个问题：当世界在变时，语言能不能跟上？如果语言只能描述“平稳世界”，一到状态切换，它就会失真。这不是一个抽象问题。

如下图所示，当动量暴露低到一定程度时，股票的真实表现并不会简单沿着线性关系继续变差，而是会出现明显偏离；同时，不同风格之间的交互本身也会带来额外信息。换句话说，非线性不是为了炫技，而是在承认一件很朴素的事实：真实市场里，很多风险和收益关系本来就不是直线。

图表来自：MSCI

图表来自：MSCI

语言的第三层：你到底在描述哪个市场

行业口径看似只是分类问题，但口径一变，你描述的市场结构就变了。回归样本是谁？估计 universe 怎么选？行业结构是否贴近真实交易结构？语言的第一步，从来不是因子，而是“谁在说话”。

一个不成熟的风险语言，最大的特征是什么？Residual 越来越大，归因越来越心虚。当越来越多的东西落进 specific risk，不一定是模型错，而可能是表达能力不够。语言词汇量不够。

这件事之所以值得警惕，不只是因为归因变得难看，而是因为一旦越来越多的风险被留在“解释不了”的部分，后面的约束、监控和复盘都会一起失去抓手。换句话说，residual 变大，往往是整套风险语言开始失效的信号。

把结构性因子拉出来，把拥挤对象化，让相关结构更贴近真实市场，residual 不会消失，但会变得更“纯”。这才是成熟。

如果用三种“准”回看这条演化线，会很清晰：

• 预测准在处理状态变化时的稳定性
• 解释准在减少长期讲不清的部分
• 决策准在让优化器少抽风

升级的目的，不是赢 0.01，而是减少一种更昂贵的成本——关键时候讲不清、对不齐、压不住。

当风险模型成为行业语言，它要服务的，不是一条回测曲线，而是一整套工作流。在很多机构里，这套语言本身就是一种共享基础设施：归因、优化、监控、复盘，乃至不同团队之间的协作，都建立在同一套风险结构之上。

风险模型在团队里真正干三件事

把风险模型放回一线团队，它最常见的角色，其实就三件事：把风险讲明白，让组合行为可控，让风险提前露头。

但这三件事并不是三套独立工具，而是建立在同一套风险结构上的同一个闭环：归因用它，优化器用它，监控系统也用它，团队之间协作时说的还是它。

• 把风险讲明白。归因能说清，复盘能对上，大家说的是同一个口径；
• 让组合行为可控。接进优化器以后，解要稳，换手别炸，约束能落地；
• 让风险提前露头。监控、预算、阈值预警，尤其是拥挤和状态切换，别等到事后才发现。

这三件事，就是一个闭环：能解释 → 能约束 → 能监控。

现实里，大家做的事情，本质上是用不同方式，把这套语言落地。

1、自己实现，是先跑起来，再慢慢修。哪里痛修哪里：极端行情不稳就补稳健处理，优化器抽风就围绕解稳定和换手去改，归因讲不清就想办法减少 residual。优点是可控，缺点也很现实——你维护的不是代码，而是一套口径。版本、复现、一致性，成本会越来越重。

2、第三方仿 Barra，是把对象配齐，把地基外包。暴露、协方差、归因接口都有，好处是省事、上手快、验证成本低。但底层口径在外部，规模变大之后，追溯和一致性会成为新问题。

3、MSCI Barra 本体更像长期语言底座。它未必在短窗口赢得最多掌声，但强调的是可追溯、可复现、跨团队对齐。当规模变大、产品线变复杂，这种“说的是同一个世界”的价值会越来越明显。它不会替你消灭风险，但能让你在关键时刻，不至于讲不清。

表面在谈模型，实质在谈——这套风险语言，能不能让工作流闭环。这也是为什么行业里大家虽然都在做 Barra-like 的框架，但真正拉开差距的，往往不是“有没有行业+风格+协方差”这套壳，而是这套语言在压力情境下是否稳定、在组织里是否可追溯，以及它能不能长期支撑一致的归因和约束体系。这也是为什么很多团队前期看起来差别不大，真正到产品线变复杂、资金规模变大、协作链路变长的时候，差距才开始显性：前面拼的是框架，后面拼的是维护这套语言的能力。

AI时代，风险模型反而更重要

AI 让做因子变得更容易。特征更多，迭代更快，同质化也更强。很多人以为这会让风险模型变得不重要。现实可能恰恰相反。当策略越来越像，交易越来越拥挤，你更需要一套稳定的风险语言，把那些“你以为分散了但其实同船”的东西提前暴露出来。

AI 没有替你解决风险，它只是把风险换了一种更隐蔽、更结构化的形式。相关性在压力情境下更容易抬起来，残差更容易变成垃圾桶，优化器更容易在高维约束下行为失真。风险模型之所以反人性，是因为它很少给你即时奖励，却会在关键时刻暴露你有没有认真对待它。

AI 时代不会改变这一点，只会放大这一点。所以下次再听到“哪个更准”的讨论，不妨换成三个更有用的问题：

1、你说的准，是预测准、解释准，还是决策准？

2、你最怕它在哪种情境下失效？

3、它在你的工作流里，承担的是解释、约束，还是监控？

当这三个问题被问清楚，很多争论自然会安静下来。你不再是在找一个“听说更准”的模型，而是在为自己的团队，建立一套真正能代表行业标准且长期使用的风险语言。