权益配置因子研究系列07：基于BarraCNE6的A股风险模型实践，股票协方差矩阵估计篇.docx

目录

TOC\o1-3\h\z\u多因子风险模型简介 3

传统股票收益率样本协方差预测模型具有局限性 3

多因子风险模型框架简介 3

因子协方差矩阵的估计 5

根据因子收益率时序计算因子加权协方差矩阵 6

采用Newey-West方法对协方差矩阵进行调整 6

使用特征值风险调整法调整因子协方差矩阵相关性 7

根据波动率预测偏误调整因子波动率 11

股票特质性风险的估计 12

通过结构化模型计算股票特质性风险 13

采用Newey-West方法估计特质风险 13

结构化模型构造特质风险 13

通过贝叶斯收缩方法调整股票特质风险 16

根据波动率预测偏误调整股票特质波动率 17

股票协方差矩阵估计的应用举例 18

投资组合风险预测 18

投资组合事后风险归因 19

投资组合风险归因 20

超额收益风险归因 21

投资组合构建上的应用 22

最小方差组合 22

指数增强组合 24

5. 总结 27

参考文献 28

风险提示 29

8. 附录 29

最优投资组合 29

偏差统计量 29

国家因子为何对中性策略无风险贡献 30

国泰君安金融工程团队专注于量化选股、行业轮动、资产配置、量化择时等研究。在之前的因子研究系列报告中研究了超预期因子、分钟高频因子在不同股票池的选股效果，介绍了中证500、1000和2000指数增强策略的构建，复盘了A股风格轮动和因子表现。本文是基于BarraCNE6模型的A股风险模型实践的下篇，主要介绍和实现股票协方差矩阵的估计方法。

多因子风险模型简介

传统股票收益率样本协方差预测模型具有局限性

1952年，Markowitz提出了著名的“均值-方差模型”（Mean-VarianceOptimizationModel，MVO），创建了现代资产组合理论，将资产配置带入到量化配置时代。Markowitz提出采用收益率方差的方式刻画风险，为投资者从量化角度认知风险提供了渠道。但是，在实际投资过程中，对于资产收益率协方差矩阵的预测并非易事，在求解协方差矩阵时，投资者们往往将输入的收益率作为精确的量，但在样本数目有限的情形下

（尤其是股票数目较大，需要估计的参数较多时），协方差矩阵较为病态，此时预测投资组合的波动率预测的样本外表现往往不够稳定。Shepard

（2009）分析了最优投资组合（最优投资组合的定义如附录所示）的波动率的偏差幅度。在假设正态性和平稳性下，最优投资组合波动率的真实值??????????和预测值??????????存在如下的一个公式：

??????????≈

??????????

??

1???

1?

(1)

这里的N表示的是资产的数目，T表示的是观测值的数量。不难看出当观测值数目较少时，预测值会明显低估真实波动。

其次，由于真实收益率的时变性，投资者往往会采用近期的收益率序列估计股票方差矩阵，这进一步放大了收益率方差矩阵预测的误差。为了解决这种资产数目带来的投资组合波动率估计困难问题，学界和业界通过使用多因子模型，将股票风险归因到风险因子上，通过分别估计因子风险和股票特质风险，实现对股票的风险预测（股票协方差矩阵估计）。

在2024年5月19日发布的《基于BarraCNE6的A股风险模型实践：风险因子篇——权益配置因子研究系列06》中，参考Barra的CNE6模型，国泰君安金融工程团队已经完成了对A股风险因子体系的构建。本文将基于前期构建的风险因子提下，实现对股票协方差矩阵的估计。

多因子风险模型框架简介

Barra的多因子风险模型是目前业界最知名的多因子风险模型，广泛应用于投资组合分析领域。该模型由美国学者BarrRosenberg在1985年创办的Barra公司推出，后2004年Barra公司被MSCI所收购，并继续进

行迭代改进。第一代的Barra多因子模型USE1专注于美国权益市场，于1975年发布，后续陆续发布了改进的版本，经典版本为2011年发布的USE4模型。2005年，MSCI推出了专注于中国权益市场的CHE2模型，其后于2012年推出的改进版本CNE5模型受到国内机构投资者的广泛使用。2018年MSCI推出了针对中国市场最新的CNE6模型，对因子框架进行了进一步细分和扩充。

Barra多因子风险模型认为股票的收益受到一系列共同因子的驱动，股票的收益由共同因子的驱动收益和特质收益组成。因此，可以将股票组合的风险预测转化为因子风险预测和股票特质风险预测分别估计，从而达到降低维度、提高准