什麼時候應該建立自己的股權風險模型？

商業風險模型（例如，Barra、Axioma、Barclays、Northfield）已經發展到非常複雜的水平。然而，所有這些模型都試圖解決非常廣泛的問題。例如，基本投資組合中風險歸因的最佳風險模型可能與優化量化策略的下行風險估計或在純相對價值遊戲中對沖不需要的風險敞口的最佳風險模型有很大不同。

假設一個人已經訂閱了一個體面的風險模型提供商，那麼成本就不是問題了。 建立自己的股權風險模型最適合哪些應用？ 定制風險模型的主要好處是什麼？什麼時候值得花時間和精力來複製日益複雜的數據清理/分析和統計方法來獲得這些好處？

好問題。我們希望第三方風險提供者擁有專業知識（穩健的回歸技術、因素研究、數據清理等）。我們可能會授予他們這些優勢，但仍然會發現產品設計中的弱點。

讓我們從風險模型的不同用途以及為解決該案例而最大化的過程或指標開始。我們將看到的是，解決特定目標會削弱我們實現其他目標的能力。

1. 投資組合建構=例如，如果您想建構最小變異數投資組合，那麼這裡的關鍵是開發一個可逆且穩定的共變異數矩陣（因子收益）。因此，我們可以使用開發條件良好的清潔共變異數矩陣的程序。這與#3 衝突
2. 為套期保值的目的估計 beta = 在這裡，您關心的是您希望套期保值的證券尚未實現的回報，以及您將用於套期保值的籃子的尚未實現的回報。因此，如果您想創建一個市場中性約束，那麼您需要使用時間序列回歸中的 beta，以便每個特定 beta 的估計誤差可以分散。您還可能希望使用諸如漸近 PCA 之類的統計因子方法來最大限度地提高準確性（以犧牲解釋為代價）。
3. 績效報告（風險和收益分解）= 這裡有一些同期回歸規範（即回歸左側和右側的時間指數相同）。您擔心的是因子暴露的可解釋性以犧牲準確性為代價。
4. 估計邊際因子回報 = 使用橫截面回歸來解釋在控制所有其他因素後累積到一個因子的回報。該技術非常流行，用於解釋收益的橫截面或衡量各種因素的風險溢價。然而，存在一個重大的變數誤差問題。與時間序列回歸不同，這種證券的估計 beta 中的錯誤無法分散，因此將此模型應用於其他案例是有風險的。這與#2 衝突。
5. 風險預測 = 這裡有一個預測規範（左側時間指數是 $ t+1 $ , 右側時間指數為 $ t $ ）。這與#3 衝突。
6. 有些人使用風險模型進行系統性的因子賭注。如果您使用與其他人相同的風險框架，則可能很難形成不同的認知。
7. 預測波動性。在較短的範圍內，隨機波動率模型是合適的，而在較長的範圍內，因子模型更有意義。

任何在這些目標之一方面表現出色的風險模型都會在其他一些領域存在嚴重缺陷。

您可以有多個風險模型（事實上，Axioma 有一個用於基本面的易於解釋的模型，另一個基於統計方法的準確性），但這可能會讓客戶感到困惑。

引用自：https://quant.stackexchange.com/questions/2000