随着Guimao Rabbit年与Jiachen和Dragon年之间的交替，A-Share Market在短期内经历了巨大的波动。随着大规模传入的雪球产品的迅速扩大，小型和微股票等部门的流动性已经耗尽，定量基金行业在整体净值方面都有很大的回调。毫无疑问，这种市场状况对定量交易的风险控制能力提出了更严格的要求。

风险控制模型不仅可以提供更准确的库存投资组合优化结果，而且还可以及时发现意外的风险曝光，从而获得更稳定的回报。此后，它还支持投资组合的更深入的绩效归因和风险归因，有助于及时调整投资策略。

MSCI于2018年发布的Barra China Equity模型（Barra CNE6）

模型）是研究诸如风险敞口，行业分配和利润归因等问题的重要工具之一。巴拉

该模型采用了多层因素系统，可以更好地捕获机构位置在各种因素上的暴露（包括样式因素，例如市场价值），因此更精确地预测和解释了中国股票市场的风险。与传统时间序列回归模型不同，当

当Barra模型中包括带有正时内存的变量时，它还可以共享横截面回归和时序回归模型的一些优秀属性。目前，我们已经在Dolphindb中完全实施了Barra

CNLT长期模型在CNE6中的完整过程有助于用户更准确地分析市场因素对投资组合的影响，并进一步优化投资策略以实现更高的投资回报。

下图是整个练习过程。本文将带您获得速度通行证的完整练习指南。如果您需要获取完整的Barra模块脚本，请单击助手（Dolphindb1）。

基于DolphindB的CNE6的因子合成

它包含9个主要因素，21个次要因素和46个三级因素。我们使用因子计算模块barafactorscal来计算和有效性测试最初的三级因素，并基于因子合成模块barafactorsmerge来使用

海豚界面合成了指定的主要和次要因素。具体过程如下：

1。样式因子计算：基于getxxxx函数计算单个三级样式因子。

2。行业因素计算：根据GetIndustryfactor的功能计算行业因素。

3。因素预处理：首先，通过疯狂方法和市场价值加权标准化进行了原始三级样式因子的数据清洁。基于getallFactors和

可获取功能以获取用于单因素模型测试的回归因子表。

4。单因素模型测试：基于GetFactorsValidation函数，与每个因子相对应的回归因子表的IC和FSC指标。

5。因子综合：对于不同的因子加权方法，根据GETFSLEVELDACTOR函数合成三级因子，并获得了主要因素的狭窄表，以建立Barra多因素模型。

在基于DolphindB构建回报风险模型以综合第一级因素之后，我们可以建立回报和风险模型，并根据拟合，偏差统计和Q的良好性。

从统计和其他角度的角度评估模型。调用回报风险模型的相应接口函数可获取以获取返回风险模型并绘制相应的模型评估指标（R2，T统计，偏差

统计等）。例如，该模型由以下代码绘制

研究R2月度计时图表

Barra多因素模型基于DolphindB使用Barra多因素回报风险模型，我们可以使用Dolphindb

易于实现投资组合的风险评估和分配优化。特定的申请案例如下：个人股票收益预测个人股票收益可以帮助投资者评估投资组合的总体风险水平并采取相应的调整措施。相应的接口函数是getPredicout。请联系助手实施脚本。

组合重量优化的组合权重优化的目的是完全量化投资组合的风险特征，以便投资经理可以清楚地了解投资组合的回报和风险敞口。 The objective function of weight optimization has a variety of optimization goals, such as controlling the minimum predicted return and the minimum combination risk, controlling the minimum current period return and the minimum combination risk, controlling the maximum risk and maximizing the predicted return, controlling the maximum risk and maximizing the current period return, etc. Taking the predicted return control minimum predicted return as an example, the corresponding interface function getOptimizeWeights.请联系助手实施脚本。

资产前和后分配资产分配后分配后分配是指在可用实际收入数据后基于实际历史收入数据的资产分配。此过程发生在投资决策之后，并且根据实际观察到的历史收入数据对资产进行重新配置。因此，根据市场价值或同等权重方法评估现有索引

可以计算出偏差，偏差统计和Q统计数据，以评估事后资产分配。我们根据getfacspecialbias函数计算后分配的偏差

评估事后资产分配的统计数据。

预先分配是指根据模型的预测和假设的资产分配，然后才能获得实际收入数据。此过程发生在投资决策之前，并根据模型的预测结果和投资者的目标，约束等进行资产分配。

基于从优化目标获得的组合重量或给定的组合权重，可以计算指定组合的偏差统计和Q。

统计数据，观察指定资产分配投资组合重量的合理性或评估优化权重的质量。我们可以使用GetPortFolioccuracy接口来评估预资料配置组合。

此时，Barra多因素模型CNLT的整个过程是基于DolphindB实现的。如果您需要获取Barra完整模块脚本（因子计算模块）

barafactorscal，因子合成模块barafactorsmerge，多因素模型barrafactorsmodel，或者想要扩展barra

要满足个性化需求，请联系助手（Dolphindb1）。同时，邦德和布林森等邦德场中的多因素风险和归因模型

等等，我们也处于开发过程中，所以请继续关注！

最后，在这个巴拉

在“因素开发合作”项目中，我们还要向Yingmi Fund Hummingbird Investment Research技术团队表示最真诚的感谢。 Yingmi基金的前瞻性思维和深刻的行业经验为我们提供了宝贵的指导和支持。同时，其对风险管理的独特见解为成功促进该项目奠定了坚实的基础。这种合作成功地收集了两个团队的共同努力，为因素发展和探索定量融资领域树立了新的基准，并为投资者提供了更可靠，更准确的决策支持。