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 Barra CNE6 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

推荐阅读：叶紫