无需历史数据的风险模型：CD-DFM如何用基本面预测协方差矩阵？

大多数协方差矩阵的构建完全依赖于历史收益率，因此对于上市时间短、历史数据有限的股票，建模往往非常棘手。

Alexandre Alouadi 与 Charles-Albert Lehalle 在 2026 年 7 月的论文《The Fundamental Structure of Risk: From Characteristics to Covariance》中提出了一种全新的思路：仅使用基本面信息来构建风险结构。模型的输入仅包括规模、价值、杠杆率、行业等指标，这些数据几乎逐日保持不变，且与收益率的平均相关性绝对值低至 0.009。

可以把它视为 Barra 特征因子思想的进阶版，而最大的不同在于：特征到协方差的映射是通过非线性方式 端到端学习 获得的，目标直指未来的风险。

这个模型被命名为 CD-DFM（Characteristic-Driven Dynamic Factor Model，特征驱动动态因子模型）。

技术骨架（极简版）

• 特征编码器：对连续特征施加仿射变换得到 token，分类特征则通过 embedding 表示，再经浅层 MLP 输出潜在表示
  
• 两个线性头：一个输出软隶属度 $Z_t$（落在单纯形上），另一个输出有符号载荷 $\beta_t$
• 因子构造：第一个因子强制为等权市场因子，其余因子均设计为现金中性的多空组合
• 协方差结构：采用低秩 + 对角的形式
  
• 端到端训练：损失函数由 Stein 前向协方差损失和收益重构损失组成

整个流程中，收益率只在构造因子及损失计算时才被使用，绝不进入编码器，这正是“零历史价格数据”的核心逻辑。

关键发现

• ✅ 在所有基准模型组合中，CD-DFM 的协方差校准效果最优，明显优于基于收益率的收缩估计和主成分分析（PCA）方法。
• ✅ 提取出的因子与真实经济主题高度契合，行业板块能够“自然涌现”，无需人工标注行业分类。
• ✅ 对新上市股票可以实现 ”零样本”（zero-shot）接入：不需要任何历史行情，也无需重新训练，即可直接纳入风险模型。

一个值得深思的启示是：过去我们费尽心力从收益率中“恢复”出的风险结构，其实早已隐藏在资产负债表里 💡。

相关资源已开源：GitHub 代码仓库
论文链接：https://arxiv.org/abs/2607.24410

想了解更多量化金融与机器学习交叉的前沿研究？欢迎来 云栈社区 与众多开发者一同探讨、碰撞灵感。