【中泰研究丨晨会聚焦】金工吴先兴：Barra（CNE6）长期与交易风险模型（上）

【金工】吴先兴：Barra（CNE6）风险模型（下）

今日重点

►【金工】吴先兴：Barra（CNE6）长期与交易风险模型（上）

吴先兴｜中泰金工首席

多因子风险模型在投资组合管理，风险控制，绩效归因及量化投资等领域具有广泛应用。本文聚焦Barra CNE6风险模型体系及其长期模型CNLT与交易模型 CNTR，系统梳理模型的整体框架以及市场，行业和风格因子的构建方法，并对各类因子的定义，经济含义及底层指标进行详细介绍，为后续风险因子收益估计及实证分析奠定基础。

针对不同投资期限构建CNLT与CNTR风险因子体系：

风格因子是 Barra CNE6风险模型的核心组成部分，用于刻画规模、价值、成长性、波动性等股票特征所带来的系统性收益与风险差异。长期风险模型CNLT包含16个稳定风格因子；交易风险模型CNTR则在此基础上进一步引入 Analyst Sentiment、Industry Momentum、Seasonality 和 Short-Term Reversal 4个快速风格因子，形成“16+4”的风格因子体系。本文对20个风格因子的定义、底层指标与计算方式进行梳理，并通过统一的因子暴露处理流程获得股票层面的风险因子暴露。

对原始因子暴露进行统一预处理，提高因子之间的可比性及模型估计稳定性：

不同的因子底层指标在数据频率、量纲及分布形态上存在较大差异，直接用于模型估计容易受到极端值、缺失值及量纲差异的影响。因此，在计算原始底层指标后，依次进行数据时点对齐、异常值处理、缺失值填补及标准化，并进一步将多个底层指标合成为最终风格因子暴露，从而提高不同股票及不同因子之间的可比性。

与此同时，部分风格因子之间存在较强的信息重叠，需要通过正交化降低共线性。其中，Mid Capitalization对Size进行正交化，Long-Term Reversal对Momentum进行正交化，Residual Volatility对Beta和Size进行正交化；CNTR新增的4个快速风格因子则分别对长期模型中的全部因子进行正交化，使各风格因子尽可能刻画相对独立的风险来源。

通过带约束的加权最小二乘回归估计风格因子收益率，并对风格因子进行综合分析：

在获得股票因子暴露后，通过横截面回归分解股票收益，并采用平方根市值加权的最小二乘方法估计各风格因子的收益率。回归中对行业因子收益加入必要约束，以解决市场因子与行业虚拟变量之间的完全共线性问题，并保证因子收益估计具有合理的经济含义。

从因子统计特征、分组收益及暴露稳定性三个方面考察风格因子的实际表现：

本文结合因子收益率、t值、IC、ICIR、IC胜率及十分组超额收益，对16个稳定风格因子和4个快速风格因子的统计特征及截面收益区分能力进行统一分析；同时，通过比较相隔1、5、20 和 60个交易日的因子暴露稳定性，考察稳定与快速因子的跨期变化特征。结果显示，稳定风格因子的暴露整体保持较高的跨期一致性，而快速风格因子的稳定性随时间明显下降，较好地支持了CNLT与CNTR针对不同投资期限进行差异化因子设计的思路。

风险提示：历史统计规律存在失效风险；财务、行情及分析师预期等数据可能存在缺失、滞后或测算误差；因子构建、样本区间及参数设定的变化可能对实证结果产生影响。本文相关结果主要用于风险模型研究与方法分析，不构成投资建议。

摘要选自中泰证券研究所研究报告：《Barra（CNE6）长期与交易风险模型（上）》

发布时间：2026年9月15日

►【金工】吴先兴：Barra（CNE6）风险模型（下）

吴先兴｜中泰金工首席

多因子风险模型通过共同风险因子与股票特质收益的分解，将高维股票协方差矩阵的估计转化为因子风险与特质风险的分别估计。本文承接上篇对 Barra CNE6 因子暴露与因子收益的构建结果，进一步围绕风险矩阵的形成与修正展开：从日频因子收益和特质收益出发，分别估计因子协方差矩阵与股票特质风险，并针对时间序列自相关、有限样本偏差、异常数据及市场波动状态变化进行多步调整，最终得到股票协方差矩阵，并检验其对组合风险的预测能力。

将股票风险拆解为因子风险与特质风险，构建风险矩阵估计框架：

在多因子收益分解的基础上，股票之间的共同波动由市场、行业及风格因子驱动，无法被共同因子解释的部分则形成股票特质风险。本文据此将股票协方差矩阵拆分为因子协方差矩阵与特质风险矩阵两部分进行估计，在降低高维协方差直接估计难度的同时，为股票及组合层面的风险度量提供统一基础。

对因子协方差矩阵进行多步修正，提高风险估计的稳健性：

首先利用日频因子收益率进行时间序列加权，使近期信息在风险估计中获得更高权重；随后采用Newey-West方法修正因子收益的序列相关影响，并通过特征值调整缓解有限样本下特征组合风险被系统性低估的问题；最后引入波动率调整，根据市场波动状态对因子波动率进行动态放缩，形成最终的因子协方差矩阵。

从个股残差出发估计特质风险，并结合横截面信息改善极端与不稳定估计：

本文以上篇横截面回归得到的特质收益为基础，对个股特质波动率进行时序加权与自相关修正；对于历史数据不足、异常收益较多或估计可靠性较低的股票，进一步利用结构化模型引入风险因子暴露信息，并通过贝叶斯收缩将极端特质波动率向同类股票的横截面中心适度收缩；最后结合波动率调整，提高特质风险对市场环境变化的响应能力。

构建股票协方差矩阵，并从组合层面检验风险预测效果：

将最终因子协方差矩阵、股票因子暴露与特质风险矩阵重新组合，得到股票收益协方差矩阵，并以全A股市值加权组合检验模型预测能力。样本期内，预测波动率与实现波动率整体走势较为一致，对市场风险水平的上升与回落具有较好的跟踪能力，两者相关系数达到0.68，表明本文构建的Barra CNE6风险矩阵能够较好刻画A股市场风险的动态变化。

风险提示：历史统计规律存在失效风险；行情及因子数据可能存在缺失、异常或测算误差；窗口、半衰期、滞后阶数及收缩参数等模型设定的变化可能对风险预测结果产生影响。本文相关结果主要用于风险模型研究与方法分析，不构成投资建议。

摘要选自中泰证券研究所研究报告：《Barra（CNE6）风险模型（下）》

发布时间：2026年9月15日