基于DolphinDB的高性能Barra风控模型

伴随着癸卯兔年到甲辰龙年的交替，A 股市场在短期内经历了剧烈波动。随着雪球产品大面积敲入，基差快速扩大，小微盘股等板块流动性枯竭，量化基金行业出现了整体性净值大幅回撤。这种市场情况无疑对量化交易的风控能力提出了更严格的要求。

风控模型不但能够提供更准确的股票组合优化结果，还能及时发现预期外的风险敞口，从而实现更稳定的收益，同时还支持事后对 投资 组合进行更深入的业绩归因和风险归因，帮助及时调整投资策略。

2018年 MSCI 发布的中国 A 股全市场股票模型（The Barra China Equity Model，即BarraCNE6 模型）就是研究风险敞口、行业配置和收益归因等问题的重要工具之一。Barra 模型采用多层次的因子体系，能够更好地捕捉横截面上机构头寸在各种因子（包括市值等风格因子）上的暴露，从而更精细地预测和解释中国股票市场的风险。与传统的时间序列回归模型有所不同，当 Barra 模型中纳入具有时序记忆的变量时，它还可以共享截面回归和时序回归模型的一些优良性质。目前，我们在 DolphinDB 中完整实现了 Barra CNE6 中的 CNLT 长期模型的全流程，从而帮助用户更准确地分析市场因子对投资组合的影响，进一步优化投资策略，以实现更高的投资回报。

下图为实践全流程，本文带你速通完整实践指南，如需获取 Barra 完整模块脚本，请戳小助手（dolphindb1）。

基于 DolphinDB 的因子合成

CNE6 共包含9个一级因子、21个二级因子、46个三级因子。我们基于 因子计算模块 barraFactorsCal，对初始的三级因子进行了计算和有效性检验，并基于 因子合成模块 barraFactorsMerge，使用 DolphinDB 接口合成指定的一级和二级因子。具体流程如下：

1.风格因子计算： 基于getXXXX函数计算单个三级风格因子。

2.行业因子计算： 基于getIndustryFactors函数计算行业因子。

3.因子预处理： 首先通过 MAD 法，以及市值加权标准化，对原始三级风格因子进行数据清洗。再基于getAllFactors和getRegTable函数，得到用于单因子模型检验的回归因子表。

4.单因子模型检验： 基于getFactorsValidation函数针对回归因子表生成每个因子对应的 IC 、FSC 指标。

5.因子合成： 针对不同因子加权方法，基于getFSLevelFactor函数合成三级因子，得到用于建立 Barra 多因子模型的一级因子窄表。

基于 DolphinDB 构建收益风险模型

合成一级因子后，我们就可以建立收益与风险模型，并从拟合优度、偏差统计量以及 Q 统计量等角度对模型进行评估。调用 收益风险模型对应接口函数 getRetTable，即可获得收益风险模型，并绘制得到对应的模型评估指标（R2、T 统计量、Bias 统计量等）。例如，通过下述代码绘制模型的 studentized R_2，可知 12 年至 22 年模型的解释力最低为 5%，最高为 84%，平均为 37%，因此模型的解释力度较高。

studentized R2 月频时序图

基于 DolphinDB 的 Barra 多因子模型应用

通过 Barra 多因子收益风险模型，我们可以在 DolphinDB 中轻松实现投资组合的风险评估和配置优化。具体应用案例如下： 个股收益预测 预测个股收益能够帮助投资者评估投资组合的整体风险水平，并采取相应的调整措施。对应接口函数为getPredicOut，实现脚本请联系小助手。

组合权重优化

组合权重优化的目的在于将组合的风险特征完全定量化，使得投资经理可以清楚地了解组合的收益来源和风险暴露。权重优化的目标函数，优化目标多种多样，例如可以控制最小预测收益并最小组合风险、控制最小本期收益并最小组合风险、控制最大风险并最大化预测收益、控制最大风险并最大化本期收益等等。以预测收益控制最小预测收益率为例，对应接口函数getOptimizeWeights，实现脚本请联系小助手。

事前与事后资产配置评估

事后资产配置 指在实际收益数据可用之后，根据实际的历史收益数据进行的资产配置。这个过程发生在投资决策之后，基于实际观察到的历史收益数据对资产进行重新配置。因此根据市值或者是等权法评估已有指数的 Bias，可以计算出指定组合的偏差统计量和 Q 统计量，以对事后资产配置进行评估。我们基于getFacSpecialBias函数 ，计算事后资产配置的 Bias 统计量，以评估事后资产配置。

事前资产配置 指在实际收益数据可用之前，根据模型的预测和假设进行的资产配置。这个过程发生在投资决策之前，基于模型的预测结果和投资者的目标、约束条件等进行资产配置。

根据已经由优化目标得到组合权重或是给定的组合权重，可以计算出指定组合的偏差统计量和 Q 统计量，观察指定资产配置组合权重的合理性或是评估优化权重的好坏。我们可以基于getPortfolioAccuracy接口以评估事前资产配置组合。

至此，基于 DolphinDB 实现 Barra 多因子模型 CNLT 的全流程跑通。若需 获取 Barra 完整模块脚本 （因子计算模块 barraFactorsCal、因子合成模块 barraFactorsMerge、多因子模型模块 barraFactorsModel），或者 想要拓展 Barra 模型，以满足个性化需求， 请联系小助手（dolphindb1）。同时， 债券领域的多因子风险和归因模型如 Campisi、Brinson 等，我们也正在开发过程中， 敬请期待！

最后，在本次的 Barra 因子开发合作项目中，我们还要向盈米基金蜂鸟投研 科技 团队表达最诚挚的感谢。盈米基金的前瞻性思维和深厚的行业经验，为我们提供了宝贵的指导与支持。同时，其对风险管理的独到见解，为此次项目的成功推进奠定了坚实基础。本次合作成功凝聚了双方团队的共同努力，为量化 金融 领域的因子开发与探索树立了新的标杆，并为投资者提供更可靠、精准的决策支持。