A-Barra风控模型说明书

关于Barra近年来，特定回报投资管理行业不断地在调整以适应来自理论创新、技术进步和市场波动日新月异的变化。鉴于此，金融机构和投资管理人需要最先进和最得力的分析工具。风险管理的先行者Barra作为全球投资决策支持工具和创新风险管理技术提供商,提供灵活,高效的量化产品和服务应对行业变化.Barra产品集先进的技术和高效的分析,研究,建模以及数据为一体,为全球客户提供全方位的风险管理解决方案.Barra使用精确的数据构建计量金融模型.相应地,以这些模型为基石,Barra设计了覆盖收益预测,风险分析,组合构建,交易成本分析以及历史绩效归因等功能的软件产品以帮助用户改善组合绩效.Barra拥有超过80位分布在世界各地的研究员,产品覆盖全球大多数可交易证券.Barra旗下的风险管理研究机构在世界范围内名列前茅.引言Barra风控模型是全面而严苛的模型估计过程的集合产品.本说明书讨论Barra对组合风险的建模方法.产品相关章节AegisI,IIBarraOne所有BIMetextfilesI,II,IV,VCosmosI,III,IV,VEquitytextfilesI,IITotalRisk所有第I部分.风险理论第1章.使用多因子模型来预测风险讨论了多因子模型在风险分析上的应用第II部分.股票资产的风险第2章.预测股票资产风险回顾了股票资产风险模型的历史,同时描绘了Barra股票资产风险模型及其因子的概貌.第3章.Barra股票资产风险模型详细介绍了构建和维护Barra股票资产风险模型的过程.第III部分.债券资产的风险第4章.预测债券资产的风险回顾了债券资产风险模型的历史,同时描绘了Barra债券资产风险模型及其因子的概貌.第5章.利率风险模型描述了普通名义债券和通胀保护债券利率的期限结构计算过程第6章.利差风险模型解释了各种模型如何解释不同市场的利差风险,并讨论了其中三种的估计过程.第7章.特殊风险模型描述了构建启发式特殊风险模型的过程,并详述了用来度量发行和发行人特殊风险的模型,该模型基于转移矩阵的应用.第IV部分.汇率风险第8章.汇率风险模型介绍了构建和维护Barra汇率风险模型的过程.第V部分.综合风险第9章.综合风险模型讨论了Barra综合模型(BIM),该模型面向多资产,可以用来预测全球股票,债券和货币的资产和组合配置层次上的风险,也细述了该模型背后的创新方法.最后,术语表和索引可用于概念定义查询和专题搜索.更多参考文献有大量的论文和其他资源在研究和介绍Barra模型和它们的应用.要了解更多在本说明书中覆盖的论题,可以参考以下文献以及我们的对外出版书目,您可以从Barra公司和网站获得此类资源:书籍AndrewRuddandHenryK.Clasing,ModernPortfolioTheory:ThePrinciplesofInvestmentManagement,Orinda,CA,AndrewRudd,1988.RichardC.GrinoldandRonaldN.Kahn,ActivePortfolioManagement:AQuantitativeApproachforProducingSuperiorReturnsandControllingRisk,SecondEdition,McGraw-HillProfessionalPublishing,Columbus,OH,1999.第I部分.风险理论该部分解释风险预测理论背后的概念.1.使用多因子模型来预测风险风险,定义为证券或者投资组合收益的总体分散或者波动程度,对风险的分析是超常投资回报的关键因素.风险分析目标是合理度量获取相对收益而承担的风险而非最小化风险.经年累月,风险分析的理论已经发展成为越来越精细的体系.凭借更多风险和收益的高阶概念,投资组合理论业已展现其不断增长的复杂程度.其中一项用于分析组合风险的有力的工具即是多因子模型(MFM).什么是多因子模型?多因子模型描述组合内部各资产之间收益的相关性.MFM的基本假设是相似的资产表现出较一致的收益特征.这样的相似度体现在一些可量化的属性上,譬如市场信息(价格变化和交易量等),基本面数据(如行业和市值规模)或者是其他的风险曝露(如利率变化和流动性).MFM甄选共同因子,这些因子是不同证券共享的特征归类,在此基础上考察证券收益对这些因子的敏感系数.证券市场的多因子模型大致分为三类:宏观经济模型,基本面模型以及统计模型.宏观经济因子模型依据可观测的经济指标,例如通胀和利率的变化,来度量对宏观变量对证券收益的广泛影响.基本面因子模型则考察与组合收益相关的可观测到的证券属性,诸如分红率,账面市值比以及行业类别.统计因子模型则从证券收益协方差矩阵的因子分析中导出因子.Barra股票模型使用基本面因子模型,因其解释能力超过宏观经济因子模型和统计因子模型1.Barra固定收益模型则综合基本面与宏观经济因子模型.优质债券的收益很大程度上可以由宏观经济因子如无风险或低风险利率(即国债利率或者互换曲线)的变化来解释.而其他的债券类型则除宏观经济因子外还要考虑基于行业和信用评级的基本面因子.多因子模型如何发挥作用?Barra从历史观测到的资产模式中得到MFM.困难之处在于定位这些模式并以投资者能够理解的因子来识别之.我们需要明确和计算资产对这些因子的依赖程度.因此,横截面回归被引入来决定考察期内各个因子对资产收益的贡献.而这些因子贡献的时间序列和方差-协方差矩阵以及特定风险模型共同构成了共同因子风险模型.投资者依赖风险预测来挑选标的和构建投资组合.他们搜集来自MFM分析的信息,综合风险偏好和其他资产信息,最终做出投资决策.多因子模型的优势使用做因子模型来分析证券和投资组合有诸多益处,包括:MFM提供更为详尽的风险归因,进而,相对单因子模型等方法更为完整的风险曝露分析.MFM引入经济解释于其中,使得其结论不受限于纯粹的历史数据分析.MFM适用于使用容忍数据异常值的方法来构建MFM自适应以反映不断变化的资产属性,这种变化可能来自于整体经济环境和个体特性的变迁MFM分离出各个因子的影响,从而为投资决策提供更为局部的分析.1GregoryConnor,“TheThreeTypesofFactorModels:AComparisonofTheirExplanatoryPower,”FinancialAnalystsJournal,May/June1995.MFM对投资者来说是仿真的,可驾驭以及易懂的.当然,MFM有它的局限性,如它预测大部分而非全部的组合风险.此外,它只预测风险,而不及收益,投资者必须自行挑选投资策略.多因子模型的一个示例组合风险的精确描述依赖于组合内证券收益协方差矩阵的准确估计.估计此协方差矩阵的一个相对简单的方法是利用组合内所有证券的收益率序列来计算两两之间的协方差.但是,该方法有两大缺陷:计算3,000支标的的协方差矩阵需要观测至少3,000个时点,如果使用月度或者一周作为收益率计算周期,很可能没有这么多的历史数据可用.易受估计误差的影响:在某一时间段内,两标的如Weyerhaeuser和Ford可能表现出非常高的相关性,甚至高过GM和Ford.可是我们的直观告诉我们GM和Ford的相关性应该更高,因为他们的业务是重合的,而此时计算的协方差矩阵并不能体现这一直观.然而该直观却引导我们采用另一种方法估计协方差矩阵.我们之所以认为GM和Ford理应比Weyerhaeuser和Ford相关性更高是因为GM和Ford在同一个行业内.由此出发,我们有理由认为拥有相似属性的证券,比如公司业务线重合,应该有更为一致的收益表现.例如,Weyerhaeuser,Ford和GM公司拥有一个共同影响其证券价格走势的成分,他们都受到足以影响整个证券市场的新闻带来的冲击,这样的冲击效果可能在每一只股票的收益中以股票整体市场对其的贡献的形式体现2,也可能在每一只债券的收益中以利率曲线移动对它的影响的形式体现.市场成分在这三只股票收益率中的重要程度取决于每一只股票对股票市场或者利率曲线变动的敏感度.此外,我们预计GM和Ford将受汽车行业的事件影响,而Weyerhaeuser则是林业和造纸行业.这类消息对个股的影响则可以由汽车行业或者林业和造纸行业内股票平均收益来刻画.同时,也存在只影响个股的事件,例如GM汽车刹车系统的瑕疵使得需要对汽车召回并更换刹车系统,这样的事件很有可能对GM的股票和债券带来负面冲击,但对Weyerhaeuser和Ford的证券价格则影响甚微.换句话说,GM证券收益的波动性是多个因素所致.其中GM股票价格的波动是整体股票市场的波动,汽车行业股票的波动以及GM公司特有的因素共同作用的结果.类似地,GM发行的债券价格的波动则归因于利率曲线的移动,汽车行业变动,债券评级的升降以及任何GM公司特有的变化.以上的讨论同样适用于Ford公司的证券,而市场和行业因素对二者的作用是一致的,因此我们有理由相信GM和Ford公司证券收益很大程度上会趋于一致.另一方面,Weyerhaeuser和GM,或者Weyerhaeuser和Ford其证券收益趋于一致的可能性就小一些,因她们两两之间共享同一个证券市场而已.然而,我们也不排除因为汽车行业与造纸行业某些千丝万缕的联系导致他们之间的相关性会暴涨.上述对波动或者风险化整为零的分析方法启发我们将之用于分析更多品种的资产.从存在驱动证券价格共同运动的因素这一朴素观念出发,我们在寻求估计证券收益协方差矩阵的道路上已经迈出了很大的一步.现在我们需要的是影响证券收益这些共同因素的协方差矩阵,单只证券的特定方差以及对影响其波动性的共同因素的敏感度估计.因为一般情况下共同的风险因素数量比证券数量少很多,所以我们只需要估计一个维数小得多的协方差矩阵,从而对历史数据的长度需求要大规模缩小.再者,相似的证券倾向于在类似的风险共同因素上表现出更大的敏感度,因此他们比非相似的证券显示出更高的相关性:如此估计的相关性,GM和Ford将总大过Ford和Weyerhaeuser.这种将证券收益分解成共同因子和特定因子的方法,本质上,即是多因子模型数学模型组合的风险和收益可以沿着两个维度进行分解:其一是在市场上普遍存在的因子,另一个则是组合中各个证券特定的属性.多因子模型为揭示组合的风险和收益的来源提供了强有力的工具.单因子模型在单因子模型中,我们用如下方程描述超额收益:2这里的股票整体市场可以是所有美国股票的加权平均收益率共同因子回报𝑟𝑖=𝑥𝑖𝑓+𝑢𝑖....................................................................................................................................................................EQ1其中𝑟𝑖=证券𝑖相对无风险利率的超额收益率𝑥𝑖=证券𝑖相对因子的敏感度3𝑓=因子回报𝑢𝑖=证券𝑖与因子无关或称特定的收益我们假设因子收益率(𝑓)和特定回报(𝑢)不相关,且组合内各标的之间的残差项𝑢互不相关.多因子模型MFM在单因子模型的基础上引入并刻画了多个因子之间的相互关系,包含多个因子的方程如下:𝑟𝑗=𝑥1𝑓1+𝑥2𝑓2+𝑥3𝑓3+𝑥4𝑓4+⋯+𝑥𝐾𝑓𝐾+𝑢𝑗····································································EQ2资产的收益率被分解成由各个因子回报组成的共同因子回报部分以及该证券独有的与共同因子无关的特定回报部分.此外,每一个因子对被分解收益率的贡献是该资产在此因子上的风险曝露或者称之为权重系数与该因子收益率的乘积.多因子模型将资产的超额收益率总结为:𝑟𝑖=∑𝑥𝑖𝑘𝑓𝑘𝐾𝑘=1+𝑢𝑖·······