当 Barra 成为共识，如何跳出模型的困局？

作者：随机森林之外

题图：随机森林之外微信公众号

设想这样一个组合：它对市值、流动性、波动率等主流风险因子实现了中性化，通过了Barra模型的严格检验。持仓里是一批经过筛选的股票，alpha预期足够厚，风险暴露足够干净。

然后在一次极端行情中，那些本应对冲掉的因子同时朝着不利方向运动。多空两头受损，组合回撤超出了任何历史测试的预期。

这并不是说模型计算出了错误。它提出了一个值得思考的问题：当一个风险模型被全行业普遍采用，成为市场参与者共同依赖的基础设施时，它是否可能从保护工具，演变为某种意义上的共振放大器？

2024年2月，这个问题的答案以某种方式写在了不少指增产品的净值曲线上。

共识：因子认知的传统框架

在讨论那个月发生了什么之前，我们不妨先梳理行业对因子的主流认知。

因子的角色并非固定不变。一个因子在其生命周期的早期，往往以alpha因子的形态存在：它能够稳定地预测收益，知晓它的人局限于少数研究者。随着它被学术界发表、被业界采用，它逐渐演变为市场公认的风险因子。市值因子和估值因子都经历过这样的演化。

从统计特征上区分，alpha因子与风险因子有清晰的差异。alpha因子的收益率在时间序列上方向稳定，可预期性较强。风险因子的收益率方向飘忽，难以预测，但它能有效解释横截面上不同股票收益率的差异。

这套认知构成了行业理解因子的基础框架。

博弈：个体理性与集体非理性

因子收益率的独立性，是传统框架的一条隐含假设，也是一条正在失效的假设。在Barra模型成为全行业“标配”之前，观察者的影响尚可忽略。而如今，这个假设已不再成立。

Barra模型不再仅仅是一个描述市场的工具。它已经成为全行业的共同知识。大家都知道同行在用这套模型定义风险、构建组合，也都知道“别人知道别人在用”。当所有人的行为都建立在对同一套模型的依赖之上时，参与者之间产生了强耦合。

1. 纳什均衡

用一个简化的博弈模型可以说明这种困境。假设市场上只有两家机构，都使用Barra模型管理风险。每个机构有两个选择：对某个因子进行中性化，或者不中性化。收益矩阵如下：

• 如果两家都不中性化，因子正常波动，各获得收益5。
• 如果一家中性化而另一家不，中性化的一方规避了因子风险，获得收益6；未中性化的一方承担了未被对冲的风险，获得收益3。
• 如果两家都中性化，因子因集体操作而产生共振，在极端行情下双双受损，各获得收益1。

（2x2 收益矩阵 Payoff Matrix）

从个体理性出发，无论对手怎么选，选择“中性化”总是更优。于是两家都选择中性化，最终陷入收益为1的结局。这就是纳什均衡。

这个模型抽象地揭示了个体理性与集体非理性的悖论。但在真实市场中，从“集体行动”到“集体受损”之间，还隔着更具体、更残酷的环节——市场微观结构和交易制度。

2. 微观结构：共振如何真实发生

把博弈模型放到真实市场里推演，大致会经历四个阶段。2024年2月的市场事件，可以被看作上述博弈结构在真实市场中的一个极端演绎。从公开信息和事后复盘来看，其传导路径具有典型性。

第一阶段：信号的趋同。在事件发生前的较长时间里，市场上相当一部分指增产品的Barra报告显示出类似的特征：市值因子暴露偏低，非市值因子贡献显著。这种趋同并非偶然。当Barra模型成为全行业共同依赖的风险管理工具时，基于同一套框架筛选出的股票池、构建的组合，自然会呈现出相似的风险暴露特征。更重要的是，由于行业人员流动频繁、第三方咨询机构的普及、以及对“最佳实践”的模仿，各家机构在风控参数设置上往往收敛到相近的范围，比如对市值因子的容忍度、对波动率的预警阈值等。

第二阶段：流动性的蒸发。市场调整初期，最先触发抛售的往往不是模型本身，而是负债端。不同类型产品的触发机制存在差异：部分渠道代销的产品可能因净值回撤引发散户赎回；带有绝对收益目标的产品（如部分私募、DMA）可能因触及预警线而被动减仓；最后才是嵌入Barra风控模块的交易算法，在波动率或因子暴露触及阈值后发出减仓指令。这些触发时点和阈值虽不完全一致，但在连续下跌的市场环境中，它们在时间上形成了叠加。

当抛售指令集中下达时，订单簿的深度迅速流失。做市商扩大价差或撤单，流动性急剧收缩。此时，即使仍有买方认可当前价格，也可能因缺乏对手盘而无法成交。

第三阶段：制度的放大，涨跌停与强平。当微盘股大面积跌停时，情况进一步复杂。涨跌停制度在正常市场中起到稳定器的作用，但在流动性枯竭的环境中，它可能产生另一层效果：多头端想卖卖不出去，导致第二天的抛压进一步累积；同时，按跌停价估值的基金面临持续的净值压力。空头端，那些通过股指期货对冲的产品需要卖出期货来对冲现货下跌，使得IC、IM贴水急剧扩大。做空市值因子的那一头不仅没盈利，反而因贴水扩大而产生亏损，形成“多空两头受损”的局面。

强平机制进一步放大了这种效应。当部分产品因持续下跌触发强平时，强平的执行价往往是跌停板。这意味着被强平的仓位完全失去了后续反弹的参与权，这又进一步强化了市场的悲观预期。强平指令的执行，也在持续消耗着本就稀缺的流动性。

第四阶段：反馈环的闭合。这种因流动性枯竭和交易制度导致的极端价格变动，被模型捕捉为“波动率因子飙升”或“流动性因子枯竭”，从而触发更多基于Barra模型的止损指令。一个自我强化的负向螺旋就此形成。

（极端行情的传导路径）

上述传导路径在不同产品线、不同资金属性的实际遭遇可能存在差异。但其核心机制：信号趋同触发抛售、流动性蒸发与制度放大相互强化，最终形成自我实现的反馈闭环，是导致极端行情的重要因素。

在这个链条中，Barra模型通过嵌入算法和风控规则，成为这个正反馈循环中的关键节拍器。个体理性（中性化以规避风险）在微观结构和交易制度的裹挟下，导向了集体非理性（多空双杀）。

同源：Alpha与风险因子的重叠

现在我们面临一个选择：alpha模型里该不该放那些Barra模型明确定义的风险因子，比如市值、流动性？它们既出现在风控清单里，又似乎具备预测能力。

两者之所以重叠，根源在于同源性。从计量经济学的视角看，这一重叠有其必然性。考虑一个标准的截面回归：

Barra模型所做的，正是将那些已经普及、已经成为“共同知识”的因子正式纳入其风险清单。所以，看到同一组因子出现在两个列表中，是正常的，甚至是必然的。在2024年2月的那轮下跌中，曾经贡献超额的小微盘因子，在一周之内完成了从alpha到风险的蜕变。

（从Alpha因子到共同知识的演化）

那么该不该使用它们？传统的回答是：取决于你能否“掌控”这个因子。但在Barra时代，“掌控”的含义需要重新定义。你很难真正掌控一个被全市场盯着的因子。它何时会从alpha切换为风险因子，不取决于它自身的经济含义，而取决于市场参与者对“别人也会用Barra对冲”这一预期的集体反应。当你无法预测别人何时会集体行动时，你从未真正掌控它。

也就是说，当我们手握一份因子清单，或许可以换一个角度去审视它：真正值得警惕的，不是那些统计上表现不佳的因子，而是那些已经成为全行业“共同知识”的因子。它们更像是潜在的共振器，而非alpha的来源。

破局：两条路径

如果已经被Barra收录的因子不再是alpha的来源，那么与其在已知的博弈矩阵里寻找最优解，不如尝试跳出这个矩阵。

一条路：寻找尚未被模型定义的维度

比如，借助大模型处理非结构化数据。从财报电话会、供应链网络、舆情信息中提炼新特征，提供了一种可能性。这些维度尚未成为全行业的共同知识，因此它们的信号受博弈结构的影响较小。

数据采购、清洗、存储、模型训练和算力消耗，每一项都可能构成前期的较大投入。而在高维非结构化数据中挖掘信号，天然面临“在噪声中找规律”的风险。至于那些有效的非共识因子，其窗口期往往有限。一旦策略开始盈利，资金涌入就会加速它成为“新共识”。当数据供应商将其做成标准化功能推送给所有用户时，它就再次成为“共同知识”博弈的一部分。

实践中，我们与其追求“找到一个永恒的alpha”，不如建立一套跟踪因子生命周期的机制：持续监控因子的资金拥挤度和收益衰减速度，在它即将成为“共同知识”前逐步减仓，或者为它寻找新的变体。2024年2月之后，一些机构开始用“公募持仓占比”“量化资金占比”等指标辅助判断拥挤度。这不是完美的解决方案，但至少是在清醒地管理衰减风险。

另一条路：用二阶思维识别短期错误定价

一阶思维是“Barra模型说这个因子有风险，我要中性化它”。二阶思维是“我知道Barra模型说这个因子有风险，我也知道其他机构会根据这个信号操作。那么，当集体抛售发生时，是否存在过度反应带来的机会？”

还是以2024年2月为例，当微盘股流动性枯竭、贴水扩大到极致时，确实有部分资金尝试逆势建仓。但这条路径的残酷之处，不仅在于左侧买入需要承受继续下跌的压力，更在于几个容易被忽视的约束。

1. 第一个约束是流动性的吸收能力。在流动性枯竭的环境中，“认为价格过度偏离”和“能够买入”是两回事。当卖盘稀缺时，即使你判断正确，也可能因无法成交而错失机会。你的买入指令本身就在消耗稀缺的流动性。如果判断失误，你可能成为别人出货的对手方。
2. 第二个约束是资金属性的耐受度。逆势建仓本身就是一种风险暴露。在极端行情下，这种暴露可能直接触发机构内部的VaR限额或最大回撤红线。不少尝试左侧交易的策略，并非死于判断错误，而是死于风控部门的强制叫停。黎明之前，仓位已经没了。因此，真正能跑通的逆向策略，往往需要提前与风控部门沟通，为这类操作设定独立的、与主策略隔离的风险预算。
3. 第三个约束是时间维度的不确定性。 “过度反应”何时被纠正，是无法预测的。它可能发生在几分钟后，也可能发生在几周后。对于带有杠杆或面临赎回压力的资金而言，这种时间上的不确定，可能比方向上的不确定更致命。实践中摸索出的方法是：不试图“精准抄底”，而是结合资金流数据、流动性指标的极端偏离度、以及基本面变化的实时监控，定义一套规则化的介入条件。当偏离度触及历史极端水平时，分批建仓；当偏离度进一步扩大时，按规则加仓；当偏离度修复时，按规则退出。这套规则本质上已经变成了另一种形式的量化策略，它的信号不是来自因子本身，而是来自市场对因子的集体反应。即便如此，它仍需要面对流动性吸收和资金属性耐受度的考验。

这两条路径并不相互排斥。它们共同指向一个方向：在共同知识主导的市场中，寻找认知和行为上的不对称性。

风险管理：来自2024年的几点思考

其实，2024年2月的经验为风险管理也留下了一些值得思考的点。

1. 压力测试的视角可以拓宽。基于历史数据的压力测试，很难捕捉“全行业基于同一套模型同步行动”的极端情况。一种可能的补充是，引入基于“行为一致性”的情景假设。如果市场普遍意识到某个因子拥挤，如果大量机构的风控模型在同一时间窗口发出信号，市场的流动性会如何演变？这种测试无法精确量化，但它至少提供了另一种思考维度。
2. 负债端与资产端的匹配值得重新审视。当策略的流动性特征（如小微盘的低换手）与资金的流动性特征（如高杠杆产品的短期负债、渠道产品的高频赎回）出现错配时，模型的精准反而可能成为次要问题。那轮下跌中，受影响较大的往往是杠杆使用较高的产品，而非alpha能力最弱的产品。这不是说杠杆不能用，而是说杠杆的使用需要与策略的流动性特征相匹配。
3. 多元化的理解可以更深一层。传统意义上的多元化，关注的是因子或资产之间的相关性。但当全行业共用同一套模型定义风险、用同一套逻辑构建组合时，这种相关性结构可能不再稳定。它在集体行动的时刻会趋近于1。真正的分散，或许需要延伸到更底层：不同行为模式（趋势跟踪与逆向）、不同资金属性（长期配置与短期交易）之间的分散。这些维度的分散，在极端环境下的保护作用，可能超过因子层面的不相关。

重估：当模型成为规则

Barra模型是一个优秀的工具。但当它成为基础设施后，它从一个中性的测量工具，变成了能够主动塑造市场行为的博弈规则。

这并不是说Barra模型错了。而是说，当一个工具成为“共同知识”后，它改变了被它测量的对象，正如物理学中的观察者效应。在这个规则下，如果缺乏对其局限性的认知，参与者可能并非在做资产配置，而是在参与一场关于风险因子的集体赌博。

现代投资组合理论之父马科维茨曾告诫：

“多元化是投资中唯一的免费午餐。”

他更深的洞见在于：多元化的有效性，取决于对资产间相关性结构的准确判断。当全行业共用同一套模型来定义和中性化风险时，这种相关性结构就不再仅仅由经济规律决定，而更多地由所有人的集体行为共同塑造。此时，模型本身成为了相关性的一部分。

如果说马科维茨教会我们的是如何分散风险，那么当所有人都用同一套方法分散风险时，分散本身的意义便值得重新审视。哪些风险来自市场本身，哪些风险来自市场对模型的集体依赖，这两者的界限，只能由每个参与者在自己的实践中慢慢分辨。

当所有人都盯着同一个舞池时，真正的舞者或许已经去了隔壁。