核心观点
本报告重点讲解风险模型的“后半段”工程，解析因子协方差矩阵和特异性波动率的计算逻辑，并展示其在投资实践中的应用价值。
因子协方差矩阵
- 作用：刻画资产共同风险，帮助投资者理解市场风险传导机制。
- 计算方法：涉及EM算法、半衰加权、Newey-West调整、特征因子调整、波动率机制调整等步骤。
- 预测效果：经典风险计算框架对随机组合、宽基指数及行业组合的风险预测偏差有限，对风格特征组合的优化更显著。
特异性波动率
- 作用：刻画特质风险，避免在单股票维度放大噪声。
- 计算方法：涉及半衰加权、Newey-West调整、结构化模型、贝叶斯收缩、波动率机制调整等步骤。
- 预测效果：相较于因子协方差矩阵，特异性波动率的各处理步骤的改进相对有限。
应用案例
- 券商金股组合：
- 通过因子暴露分析和收益归因，解释了新进金股表现优于全部金股的原因，以及金股组合近年来式微的原因。
- 借助因子协方差与特异性波动率，实现了对跟踪误差的归因，并展示了如何使用哑变量另类数据构造有严格风格与行业偏离度约束的“泛指增”策略。
- 通过最小跟踪误差方法收紧了策略与基准间差异，得到了近乎持续向上的超额曲线。
- 沪深300最小方差组合：
- 构建了基于沪深300指数的最小方差组合，发现其长期呈现低beta、低流动性、中小市值等风格特征，行业配置上超配医药、银行、电力及公用事业，低配非银金融、食品饮料等权重行业。
- 在控制beta下限后，组合除beta外的其他风格暴露基本保持了原有状态，但对电力及公用事业、银行等行业的超配幅度显著降低，全区间风险调整前后收益均表现更优。
- 基于沪深300指数的指增策略：
- 构造了复合量化-基本面因子，并以800指增为例给出了指增策略设计的新方案。
- 比较了直接控制风格/行业与间接控制跟踪误差两类策略结果，发现借助股票协方差阵构造的目标跟踪误差股票组合在特定换手率水平下，既保留了原策略的固有风格属性，又能起到平滑超额收益曲线的作用。
研究结论
- 经典风险计算框架能够较为合理地捕捉真实市场风险，为事后风险拆分、事前组合优化提供了可靠输入。
- 因子协方差矩阵和特异性波动率在投资实践中具有重要的应用价值，可用于组合优化、风险控制、业绩归因等场景。
- 在构建指数增强策略时，目标跟踪误差法不失为一种折中方案，能够在风险可控的前提下，适度保留alpha因子的风格与行业轮动能力。
