多因子风险模型在投资组合管理，风险控制，绩效归因及量化投资等领域具有广泛应用。本文聚焦Barra CNE6风险模型体系及其长期模型CNLT与交易模型CNTR，系统梳理模型的整体框架以及市场，行业和风格因子的构建方法，并对各类因子的定义，经济含义及底层指标进行详细介绍，为后续风险因子收益估计及实证分析奠定基础。
　　针对不同投资期限构建CNLT与CNTR风险因子体系：
　　风格因子是Barra CNE6风险模型的核心组成部分，用于刻画规模、价值、成长性、波动性等股票特征所带来的系统性收益与风险差异。长期风险模型CNLT包含16个稳定风格因子；交易风险模型CNTR则在此基础上进一步引入Analyst Sentiment、Industry Momentum、Seasonality和Short-Term Reversal 4个快速风格因子，形成“16+4”的风格因子体系。本文对20个风格因子的定义、底层指标与计算方式进行梳理，并通过统一的因子暴露处理流程获得股票层面的风险因子暴露。
　　对原始因子暴露进行统一预处理，提高因子之间的可比性及模型估计稳定性：
　　不同的因子底层指标在数据频率、量纲及分布形态上存在较大差异，直接用于模型估计容易受到极端值、缺失值及量纲差异的影响。因此，在计算原始底层指标后，依次进行数据时点对齐、异常值处理、缺失值填补及标准化，并进一步将多个底层指标合成为最终风格因子暴露，从而提高不同股票及不同因子之间的可比性。
　　与此同时，部分风格因子之间存在较强的信息重叠，需要通过正交化降低共线性。其中，Mid Capitalization对Size进行正交化，Long-Term Reversal对Momentum进行正交化，Residual Volatility对Beta和Size进行正交化；CNTR新增的4个快速风格因子则分别对长期模型中的全部因子进行正交化，使各风格因子尽可能刻画相对独立的风险来源。
　　通过带约束的加权最小二乘回归估计风格因子收益率，并对风格因子进行综合分析：
　　在获得股票因子暴露后，通过横截面回归分解股票收益，并采用平方根市值加权的最小二乘方法估计各风格因子的收益率。回归中对行业因子收益加入必要约束，以解决市场因子与行业虚拟变量之间的完全共线性问题，并保证因子收益估计具有合理的经济含义。
　　从因子统计特征、分组收益及暴露稳定性三个方面考察风格因子的实际表现：
　　本文结合因子收益率、t值、IC、ICIR、IC胜率及十分组超额收益，对16个稳定风格因子和4个快速风格因子的统计特征及截面收益区分能力进行统一分析；同时，通过比较相隔1、5、20和60个交易日的因子暴露稳定性，考察稳定与快速因子的跨期变化特征。结果显示，稳定风格因子的暴露整体保持较高的跨期一致性，而快速风格因子的稳定性随时间明显下降，较好地支持了CNLT与CNTR针对不同投资期限进行差异化因子设计的思路。
　　风险提示：历史统计规律存在失效风险；财务、行情及分析师预期等数据可能存在缺失、滞后或测算误差；因子构建、样本区间及参数设定的变化可能对实证结果产生影响。本文相关结果主要用于风险模型研究与方法分析，不构成投资建议。