3. 收益归因：Brinson模型详解、资产配置效应、个股选择效应、交互效应
做统计套利策略，最怕什么？
怕赚了钱不知道为啥赚，亏了钱不知道为啥亏。
我早年带团队做量化时，有个策略回测曲线漂亮得不行，实盘一跑就拉胯。后来一查，发现收益全是靠押注某个行业赌来的，根本不是我们想要的市场中性收益。从那以后，我就把收益归因分析写进了策略上线的「必做清单」。
今天聊的Brinson模型，就是解决这个问题的经典工具。它能把你的超额收益拆成三块：资产配置效应、个股选择效应、以及交互效应。
3.1 Brinson模型的核心思想
说白了，Brinson模型就是拿你的组合跟一个基准去比。基准可以是沪深300，也可以是某个行业指数，甚至是你自己定义的一个等权组合。
超额收益 = 组合收益 - 基准收益
这个超额收益，Brinson把它拆成三部分：
- 资产配置效应：你超配或低配了哪些板块/行业带来的收益
- 个股选择效应：在同一个板块内，你选的股票比基准好还是差
- 交互效应：配置和选股之间的交叉影响
嗯，这里要注意：交互效应很多人会忽略，但它其实挺重要的。我见过不少策略，配置效应和选股效应都是正的，但交互效应是负的，结果总超额收益被吃掉一大块。
3.2 数学公式与计算逻辑
先定义几个符号：
wi：组合在行业i上的权重bi：基准在行业i上的权重Ri：组合在行业i内的收益率Bi：基准在行业i内的收益率
那么：
资产配置效应 = Σ (wᵢ - bᵢ) × Bᵢ
个股选择效应 = Σ bᵢ × (Rᵢ - Bᵢ)
交互效应 = Σ (wᵢ - bᵢ) × (Rᵢ - Bᵢ)你想想看，这个公式其实很直观：
- 配置效应：你比基准多配了某个行业，这个行业基准本身涨得好，你就赚了配置的钱
- 选股效应：在某个行业里，你选的股票比基准指数涨得好，你就赚了选股的钱
- 交互效应：你超配的行业里，你的选股能力又特别强，两者叠加产生额外收益
我个人习惯把交互效应单独拎出来看。如果交互效应很大，说明你的配置和选股策略有协同性；如果交互效应是负的，那就要小心了——可能你超配的行业里选股反而很差，或者低配的行业里选股很好，两边都在亏。
3.3 一个完整的计算示例
假设我们有一个简单的两行业组合：科技和消费。基准是等权配置（各50%）。
| 行业 | 组合权重 | 基准权重 | 组合收益 | 基准收益 |
|---|---|---|---|---|
| 科技 | 70% | 50% | 8% | 5% |
| 消费 | 30% | 50% | 3% | 4% |
计算过程：
配置效应 = (0.7-0.5)×5% + (0.3-0.5)×4% = 0.2×5% + (-0.2)×4% = 1% - 0.8% = 0.2%
选股效应 = 0.5×(8%-5%) + 0.5×(3%-4%) = 0.5×3% + 0.5×(-1%) = 1.5% - 0.5% = 1.0%
交互效应 = (0.7-0.5)×(8%-5%) + (0.3-0.5)×(3%-4%) = 0.2×3% + (-0.2)×(-1%) = 0.6% + 0.2% = 0.8%
总超额收益 = 0.2% + 1.0% + 0.8% = 2.0%你看，这个例子中选股效应贡献最大（1.0%），说明我们在科技和消费两个行业里选的股票整体比基准好。交互效应也有0.8%，说明我们超配的科技行业里选股能力更强，低配的消费行业里选股虽然差但权重小，反而产生了正向交互。
关键洞察：交互效应为正，说明配置和选股是「1+1 > 2」的关系。如果交互效应为负，说明你的配置和选股在「打架」。
3.4 在统计套利中的应用
统计套利策略通常做的是行业中性或市场中性。这时候Brinson分析就特别有意思了。
我曾经做过一个行业中性统计套利策略，理论上配置效应应该接近0。但跑完Brinson一看，配置效应居然有0.5%的正贡献。一查才发现，是因为某些行业的配对交易机会更多，系统自动在这些行业里多开了仓位，产生了隐性的行业暴露。
这就是Brinson的价值——它能帮你发现策略里「你以为没有但实际存在」的风险敞口。
实操建议：
- 按日/周频率计算Brinson分解，观察效应随时间的变化趋势
- 如果配置效应持续为正，说明策略有行业择时能力，可以考虑主动暴露
- 如果选股效应持续为负，赶紧检查选股逻辑是不是出了问题
3.5 交互效应的深层解读
很多人把交互效应当成「残差」来处理，觉得它不重要。其实不然。
交互效应的正负，反映了你的策略在不同维度上的协同程度。举个例子：
- 正交互效应：你在看好的行业里选股能力更强，或者在看衰的行业里选股更差——这其实是好事，说明你的判断力在关键领域更准
- 负交互效应：你在看好的行业里选股反而差，或者在看衰的行业里选股反而好——这就尴尬了，说明你的配置和选股逻辑存在矛盾
避坑指南：我曾经遇到一个策略，配置效应和选股效应都是正的，但交互效应是-2%。总超额收益只有0.5%。如果不拆开看，还以为策略没问题。实际上，策略在超配的行业里选股很差，全靠其他行业的选股能力在硬撑。这种结构很脆弱，一旦市场风格切换，很容易崩盘。
3.6 Brinson模型的局限性
任何模型都有局限，Brinson也不例外：
- 线性假设：它假设配置效应和选股效应是线性可加的，但现实中两者可能有非线性交互
- 基准依赖：不同的基准会得出不同的归因结果，基准选择很关键
- 多期归因问题：跨期归因时，权重和收益都在变，简单的加总会产生误差
我个人习惯用Brinson做初步诊断，然后结合其他方法（比如因子归因、风险归因）做交叉验证。没有哪个模型是万能的，但多个模型一起看，总能拼出个大概。
3.7 知识体系总览
下面这张图，把Brinson模型的核心逻辑串起来了：
这张图把Brinson模型的三个效应和它们的公式、含义、应用场景都串起来了。你可以把它当成一个快速参考框架，每次做归因分析时对照着看。
好了，Brinson模型就聊到这儿。说白了，它就是一把手术刀，帮你把策略收益的「内脏」剖开来看清楚。下次你的策略赚钱了，别光顾着高兴，先跑一遍Brinson，看看钱到底是从哪儿来的。
公众号:蓝海资料掘金营，微信deep3321