多因子风险模型通过共同风险因子与股票特质收益的分解，将高维股票协方差矩阵的估计转化为因子风险与特质风险的分别估计。本文承接上篇对Barra CNE6因子暴露与因子收益的构建结果，进一步围绕风险矩阵的形成与修正展开：从日频因子收益和特质收益出发，分别估计因子协方差矩阵与股票特质风险，并针对时间序列自相关、有限样本偏差、异常数据及市场波动状态变化进行多步调整，最终得到股票协方差矩阵，并检验其对组合风险的预测能力。
　　将股票风险拆解为因子风险与特质风险，构建风险矩阵估计框架：
　　在多因子收益分解的基础上，股票之间的共同波动由市场、行业及风格因子驱动，无法被共同因子解释的部分则形成股票特质风险。本文据此将股票协方差矩阵拆分为因子协方差矩阵与特质风险矩阵两部分进行估计，在降低高维协方差直接估计难度的同时，为股票及组合层面的风险度量提供统一基础。
　　对因子协方差矩阵进行多步修正，提高风险估计的稳健性：
　　首先利用日频因子收益率进行时间序列加权，使近期信息在风险估计中获得更高权重；随后采用Newey-West方法修正因子收益的序列相关影响，并通过特征值调整缓解有限样本下特征组合风险被系统性低估的问题；最后引入波动率调整，根据市场波动状态对因子波动率进行动态放缩，形成最终的因子协方差矩阵。
　　从个股残差出发估计特质风险，并结合横截面信息改善极端与不稳定估计：
　　本文以上篇横截面回归得到的特质收益为基础，对个股特质波动率进行时序加权与自相关修正；对于历史数据不足、异常收益较多或估计可靠性较低的股票，进一步利用结构化模型引入风险因子暴露信息，并通过贝叶斯收缩将极端特质波动率向同类股票的横截面中心适度收缩；最后结合波动率调整，提高特质风险对市场环境变化的响应能力。
　　构建股票协方差矩阵，并从组合层面检验风险预测效果：
　　将最终因子协方差矩阵、股票因子暴露与特质风险矩阵重新组合，得到股票收益协方差矩阵，并以全A股市值加权组合检验模型预测能力。样本期内，预测波动率与实现波动率整体走势较为一致，对市场风险水平的上升与回落具有较好的跟踪能力，两者相关系数达到0.68，表明本文构建的Barra CNE6风险矩阵能够较好刻画A股市场风险的动态变化。
　　风险提示：历史统计规律存在失效风险；行情及因子数据可能存在缺失、异常或测算误差；窗口、半衰期、滞后阶数及收缩参数等模型设定的变化可能对风险预测结果产生影响。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。