聚焦Barra(CNE6)风险模型(下):从因子收益到股票协方差与组合风险预测。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。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。
聚焦Barra(CNE6)风险模型(下):从因子收益到股票协方差与组合风险预测。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。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。
聚焦Barra(CNE6)风险模型(下):从因子收益到股票协方差与组合风险预测。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。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。
本报告由中泰证券发布,发布于 2026 年。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了股票、Barra、CNE6、风险模型等议题。