摘要
这篇文章讨论的是：在宏观波动重新主导市场的环境里，传统仅依赖历史数据的系统化风险模型是否足够？
Man Group 给出的答案是：不够，但仍然重要。 更好的做法，是把：
- 黑盒：基于历史市场数据、自动发现风险的统计模型
- 玻璃盒：由研究者基于前瞻判断、主动定义的风险因子
组合起来，形成一个更完整的风险建模框架。
文章的核心观点是：
当市场结构在变、宏观风险在变、地缘政治在变时，仅靠回看历史的模型容易漏掉新型风险；但如果完全靠主观判断，也容易失去系统性。最优解不是二选一，而是把两者结合。
文章要解决的问题
过去十多年，央行干预压低了宏观波动，很多自下而上的系统化选股模型更容易从公司层面的基本面中挖掘 Alpha。
但近年的情况变了：
- 通胀回升
- 能源价格冲击
- 地缘政治冲突加剧
- 中国监管变化
- 宏观因子重新大幅影响股票收益
于是问题变成：
当股票收益越来越多由宏观因素驱动时，系统化投资者如何识别、度量并控制这些风险？
核心概念
什么是“黑盒”风险建模？
这里的“黑盒”不是贬义，而是指：
- 不预先人工规定风险因子；
- 直接从历史市场数据中做统计学习；
- 让模型自己识别当前市场里最重要的共振风险。
文章里对应的是：
统计因子风险模型（SFRM, Statistical Factor Risk Model）
它识别的是“盲因子”：
- 这些因子不是先验定义好的；
- 而是模型从市场回报结构里自动抽取出来的；
- 本质上是一组能解释当前市场主要波动来源的投资组合结构。
黑盒方法的优点
- 对新出现的市场共振更敏感
- 不依赖研究员事先猜中风险类型
- 能让“市场自己讲故事”
- 更适合动态、适应性强的市场
黑盒方法的局限
- 仍然是从已发生的数据中学习
- 对“尚未充分显现”的新风险不够敏感
- 可能只能部分捕捉某类风险，而非完整识别
什么是“玻璃盒”风险建模？
“玻璃盒”强调的是：
- 模型结构更透明；
- 风险来源由研究者主动定义；
- 带有人类判断与前瞻性假设。
也就是说，当研究者已经明确意识到某种新风险存在时，可以主动构造一个因子，把它补进系统里。
例如：
- 能源价格冲击
- 中国离岸上市风险
- 某类政策监管风险
- 某类地缘政治暴露
玻璃盒方法的优点
- 能捕捉模型尚未充分学习到的新风险
- 更适合表达前瞻判断
- 可以针对特定风险做定制化建模
玻璃盒方法的局限
- 依赖研究员的认知框架
- 容易漏掉没想到的风险
- 主观性更强，可能带入偏见
文章的核心主张：SFRM+
作者提出的框架可以概括为：
SFRM+ = 黑盒统计风险模型 + 人工定义的补充风险因子
这个“+”的意义在于：
- 保留统计模型对市场变化的自动响应能力；
- 同时允许研究员把重要但尚未被完整识别的风险显式加入模型；
- 最终得到更全面、更稳健、更可定制的风险管理框架。
换句话说：
黑盒负责“发现市场正在发生什么”，玻璃盒负责“补上我们已经知道、但模型未必来得及完全学会的风险”。
案例一：能源价格风险
2022 年，通胀飙升、俄乌战争爆发，能源价格成为驱动股票收益的重要宏观变量。
SFRM 自动识别出一个“盲因子”：
- 对能源相关股票做多；
- 对几乎所有其他股票做空；
- 这个结构本质上就是能源价格风险的股票市场映射。
这说明：
- 黑盒模型可以不依赖先验标签，直接从收益结构中识别宏观风险；
- 当能源价格成为主导因子时，模型能够较快反应。
这个案例说明了什么
- 宏观风险可以在股票横截面中留下清晰结构痕迹；
- 统计模型能把这些结构提炼为可管理的风险因子；
- 风险模型不必完全依赖传统行业/风格定义。
案例二：中国离岸上市风险
文章给出的第二个例子更能说明“黑盒 + 玻璃盒”结合的必要性。
背景是：
- 中国监管变化
- 中美地缘政治紧张
- 离岸上市中国公司的估值与风险定价发生显著变化
黑盒模型识别到了什么
SFRM 识别出一个盲因子：
- 明显做空中国离岸互联网平台公司；
- 对中国在岸上市公司及其他全球股票则更接近中性。
这说明模型确实察觉到了“离岸上市相关风险”。
但问题在于
作者强调：
再好的统计模型，也未必能 100% 捕捉这类风险。
因为它仍然是回看式的：
- 依赖已实现回报；
- 只能从过去的市场行为中学习；
- 对新近出现或尚未完全展开的风险，可能识别不完整。
玻璃盒如何补强
作者用一个人工定义的时间序列来表示“中国离岸上市风险”：
- 纳斯达克金龙指数：代表在美上市中国公司
- 沪深300指数：代表中国在岸大盘股
- 两者收益差：用来隔离“离岸上市特有风险”
这样构造的因子，能更直接表达：
- 不是“中国整体风险”
- 而是“中国离岸上市这一特殊结构的风险”
加入 SFRM+ 之后，这类风险的识别会更清晰、更可控。
这个案例说明了什么
- 黑盒能发现风险，但未必定义得足够精确；
- 玻璃盒能把研究者已经理解的风险结构更明确地表达出来；
- 两者结合后，组合风险测量和控制会更有针对性。
结果：SFRM+ 比单纯 SFRM 更完整
文章最后展示的是：
- 单纯 SFRM 可以识别部分风险；
- 加入“+”之后，模型对额外宏观风险的度量更全面；
- 投资组合管理者可以做出更明智的风险/收益权衡。
也就是说：
SFRM+ 的价值不在于否定黑盒，而在于承认黑盒的边界，并用结构化的人类判断去补全它。
核心结论
1. 风险不是静态的
市场在变，宏观驱动在变，风险结构也在变。 因此，固定的预设因子体系很容易过时。
2. 纯黑盒不够，纯主观也不够
- 纯黑盒：适应性强，但滞后、回看式
- 纯玻璃盒：前瞻性强，但主观、容易遗漏
3. 更好的方案是“系统性 + 前瞻性”结合
把统计学习和研究者监督结合起来，可以同时获得：
- 动态响应能力
- 风险解释能力
- 定制化控制能力
4. 宏观环境越复杂，风险建模越重要
当股票定价越来越受通胀、能源、监管、地缘政治影响时，系统化选股若不升级风险框架，就更容易把宏观暴露误当作 Alpha。
适合记住的要点
一句话理解全文
- 黑盒发现风险，玻璃盒定义风险，SFRM+ 结合两者管理风险。
黑盒适合什么
- 从历史收益结构中自动识别新共振
- 发现研究员事先没定义的风险
玻璃盒适合什么
- 表达前瞻判断
- 补充新近出现、但模型尚未完整吸收的风险
为什么这篇文章重要
它提醒你：
- 量化风险模型不是一次建完就结束；
- 风险管理本身也需要持续创新；
- “模型是否透明”和“模型是否有效”不应被简单对立。
金句 / 可摘录
市场是动态的、适应性的和不断演变的——因此，风险也是如此。
任何类型的风险模型，无论有多好，都有向回看的局限性。
我们认为，通过系统方法（黑盒）和人类参与（玻璃盒）进行创造性的风险建模，对于驾驭复杂和不断变化的宏观环境至关重要。
我的理解
这篇文章最值得记住的，不是某个具体案例，而是它背后的方法论：
1. 风险管理不是“模型越自动越好”
很多人会误以为：
- 只要模型足够复杂、数据足够多，机器就能自动识别一切风险。
这篇文章提醒你：
- 风险模型永远有边界；
- 尤其在 regime shift（市场结构切换）时，单靠历史学习不够。
2. 人类判断不是模型的对立面，而是补充层
真正强的框架，不是“机器替代人”，而是：
- 机器负责从复杂数据里发现结构；
- 人负责把制度变化、政策冲击、地缘风险这些前瞻信息显式编码进去。
3. 量化投资里，风险建模本身也是 Alpha 的来源
如果一个管理人能更早、更完整地识别真实风险：
- 就能更好区分 Alpha 与 Beta；
- 更好控制意外暴露；
- 更稳健地保留真正想要的收益来源。
原始信息
- 中文来源：知乎专栏
- 原文来源：Man Institute / Man Group
- 原文标题：Black Box + Glass Box: Using Creative Systematic Risk Modelling to Navigate an Uncertain Macro Environment
- 时间：2023 年 5 月