量化交易：因子风险暴露

本文介绍了如何计算因子风险暴露的内容。

判断风险暴露的建模是否合理

通常，此分析是基于历史数据，而对历史风险暴露的估计可能会影响未来的风险暴露。 因此，计算因子风险暴露是不够的。 必须对风险暴露保持信心，并明白对风险暴露的建模是否合理。

运用多因子模型计算因子风险暴露，可以运用多因子模型分析一个组合中风险和收益的来源，多因子模型对收益的分解如下：

通过对历史收益率进行建模，可以分析出收益中有多少是来自因子收益率，有多少来自资产特质波动（epsilon）。 我们也可以研究投资组合所面临的风险来源，即投资组合的因子暴露。

在风险分析中，我们经常对主动回报（相对于基准的回报）和主动风险（主动回报的标准差，也称为跟踪误差或跟踪风险）进行建模。

例如，我们可计算到一个因子对主动风险的边际贡献——FMCAR。 对于因子j，表示为：

b_j表示组合对因子j的风险暴露,b_i表示组合对因子i的风险暴露,K表示一共K个因子。FMCAR_j这项指标这告诉我们，假设其他条件不变，暴露在因子j下我们增加了多少风险。

策略案例

附件：运用Fama-French三因子模型演示因子风险暴露

# 导入要用到的模块
import numpy as np
import statsmodels.api as sm
import scipy.stats as stats
from statsmodels import regression
import matplotlib.pyplot as plt
import pandas as pd

获取总市值、总市值排序、市净率、市净率排序、日收益率

start_date = '2016-01-01'
end_date = '2017-05-10'
raw_data = D.features(D.instruments(),start_date,end_date,fields=     
                      ['market_cap_0','rank_market_cap_0','pb_lf_0','rank_pb_lf_0','dai