关于您在 JoinQuant 平台上对“归因分析 -> 因子分析 -> 风险分析”的疑问，解答如下：
1. 使用的风险模型是 CNE5 还是 CNE6？
JoinQuant 平台使用的是 类 Barra CNE5 风险模型。根据官方文档说明，其横截面线性回归的截距项包含：10个风格因子、11个行业因子(jq_l1) 和 1个国家因子。这 10 个风格因子（市值、非线性市值、杠杆、账面市值比、成长、动量、盈利能力、贝塔、残差波动率、流动性）与 MSCI Barra CNE5 模型的标准十大风格因子结构完全一致。
2. 风险因子“暴露度”的计算逻辑
您的理解基本是正确的。在 JoinQuant 的风险分析中，投资组合的风险因子暴露度计算逻辑如下：
- 单日组合暴露度：在回测期的每一天，投资组合对某个风险因子的暴露度，等于组合内各只股票的权重（Weight）与该股票在该因子上的暴露度（Factor Loading）的加权求和。即
Exp_portfolio = sum(Weight_i * FactorLoading_i)。
- 基准暴露度：文档中明确指出，“基准风险因子暴露度为沪深300指数股票池中股票风险暴露的市值加权平均”。
- 暴露度差值（主动暴露）：页面上展示的“风险因子暴露差值”代表了策略组合的风险敞口暴露，即
组合风险暴露 - 基准(HS300)风险暴露。如果差值接近0，说明策略组合对该风险因子是风险中性的。
- 区间均值：图表中展示的通常是整个回测区间内上述每日暴露度（或暴露度差值）的时间序列均值。
3. 研究环境中的归因分析与风险分析函数
在 JoinQuant 的研究环境中，虽然没有直接提供一键生成 Web 端完整归因图表的单一函数，但您可以通过 jqfactor 库和 get_backtest 接口自行提取和计算这些时间序列数据：
获取回测的整体风险指标：
您可以使用 get_backtest 获取回测对象，然后调用相关方法：
from jqdata import *
gt = get_backtest('您的回测ID')
risk_dict = gt.get_risk() # 获取总的风险指标
period_risks = gt.get_period_risks() # 获取分月计算的风险指标
获取因子回报率时间序列 (Factor Returns Time Series)：
您可以使用 jqfactor 库中的 analyze_factor 进行单因子分析，并提取因子的每日收益率：
from jqfactor import analyze_factor, get_factor_values
# 1. 获取风险因子（例如市值因子 size）的因子值
factor_data = get_factor_values(securities=您的股票池, factors=['size'], start_date='2023-01-01', end_date='2023-12-31')['size']
# 2. 进行因子分析
far = analyze_factor(factor=factor_data, weight_method='mktcap', industry='jq_l1')
# 3. 计算因子收益率（Factor Returns）
# calc_factor_returns 返回按因子值加权组合的每日收益
factor_returns = far.calc_factor_returns(demeaned=True, group_adjust=False)
获取投资组合在风险因子上的回报率 (Portfolio Factor PnL)：
要计算投资组合在特定风险因子上的收益贡献，您需要结合组合的每日持仓权重和因子的每日收益率：
- 使用
gt.get_positions() 获取回测每天的持仓明细，计算出每天每只股票的实际权重。
- 使用
get_factor_values 获取对应风险因子的每日 Factor Loading。
- 计算每日组合的因子暴露度：
Daily_Exposure = sum(Weight_i * FactorLoading_i)。
- 组合在该因子上的每日收益贡献 =
Daily_Exposure * 因子当日收益率 (Factor Return)。
- 对上述每日收益贡献求累加（Cumulative Sum），即可得到类似 Web 端截图中的 Cumulative Portfolio Factor Returns 曲线。
