收益分解：把总收益拆开看明白
做量化交易的朋友，肯定都遇到过这种情况：策略跑完回测，看着总收益率挺高，心里却发虚——这收益到底是怎么来的？是运气好撞上了大盘上涨，还是真有选股本事？
我个人习惯，拿到回测结果第一件事，就是做收益分解。说白了，就是把总收益拆成几块：Alpha收益、Beta收益、择时收益、选股收益。这样你才能知道，你的策略到底靠什么赚钱。
核心观点： 不拆解收益，你永远不知道自己的策略是「真本事」还是「风口上的猪」。
收益分解的基本框架
先看一个简单的公式：
总收益 = Beta收益 + Alpha收益 + 择时收益 + 选股收益 + 残差嗯，这里要注意，不同的人对「择时」和「选股」的定义略有差异。我一般这样理解：
- Beta收益： 市场涨你也涨，市场跌你也跌。这部分收益跟你选什么股票关系不大，纯粹是「搭便车」。
- Alpha收益： 超越市场的部分。你选的股票比大盘涨得多，或者跌得少，这就是Alpha。
- 择时收益： 你判断对了市场的方向。比如你预测大盘要涨，就加仓；预测要跌，就减仓。这部分收益来自「什么时候买」。
- 选股收益： 你选对了具体的股票。比如同样看好消费板块，你选了茅台，别人选了某不知名白酒，结果茅台涨得更好。这部分收益来自「买什么」。
你想想看，如果一个策略的收益主要来自Beta，那其实你直接买指数基金就行了，何必费劲搞量化？
用SVG图看清收益分解逻辑
下面这张图，是我自己画的一个收益分解流程图。每次做归因分析时，我都会对照着看一遍：
这张图我每次做归因分析都会看一遍。它帮我理清了一个思路：总收益不是一块铁板，而是可以一层层拆开的。
如何计算这四类收益？
理论讲完了，咱们来点实际的。怎么算？
我一般用回归法。假设你的策略收益率是 R_p，市场收益率是 R_m，无风险利率是 R_f。那么：
R_p - R_f = α + β * (R_m - R_f) + ε这里的 β 就是你的策略对市场的敏感度。β 越大，说明你的策略跟市场走得越近。
然后，我们可以进一步把 Alpha 拆成择时和选股。怎么做？
我个人习惯用 Treynor-Mazuy 模型：
R_p - R_f = α + β1 * (R_m - R_f) + β2 * (R_m - R_f)^2 + ε这里的 β2 就是择时能力。如果 β2 显著为正，说明你在市场上涨时加仓了，下跌时减仓了——择时有效。
剩下的 α 就是纯粹的选股收益了。
小技巧： 我在项目中遇到过，直接用日频数据做回归，β2 往往不显著。后来我改成周频数据，效果就好多了。为什么？因为择时信号通常需要几天才能体现出来，日频数据噪声太大。
一个实际案例
来看一个我去年跑过的策略。回测结果如下：
| 收益来源 | 年化收益率 | 占比 |
|---|---|---|
| 总收益 | 18.5% | 100% |
| Beta收益 | 8.2% | 44.3% |
| Alpha收益 | 10.3% | 55.7% |
| 其中：择时收益 | 2.1% | 11.4% |
| 其中：选股收益 | 8.2% | 44.3% |
看到这个结果，我当时的第一反应是：嗯，选股能力还行，择时能力一般。44.3%的收益来自选股，说明我的因子筛选和股票打分模型是有效的。但择时只贡献了11.4%，说明我对市场方向的判断还不够准。
避坑指南： 我曾经犯过一个错误——看到总收益高就以为策略牛逼。结果一拆解，发现80%的收益来自Beta。说白了，就是那段时间大盘涨得好，我的策略只是跟上了大盘。后来我调整了策略，加入了更多Alpha因子，才真正跑出了超额收益。
收益分解的实操步骤
如果你用的是Python，代码大概长这样：
import statsmodels.api as sm
import pandas as pd
import numpy as np
# 假设 df 包含三列：strategy_return, market_return, risk_free
df['excess_return'] = df['strategy_return'] - df['risk_free']
df['market_excess'] = df['market_return'] - df['risk_free']
# 第一步：计算Beta和Alpha
X = sm.add_constant(df['market_excess'])
model = sm.OLS(df['excess_return'], X).fit()
alpha = model.params['const']
beta = model.params['market_excess']
# 第二步：计算择时能力（加入平方项）
df['market_excess_sq'] = df['market_excess'] ** 2
X2 = sm.add_constant(df[['market_excess', 'market_excess_sq']])
model2 = sm.OLS(df['excess_return'], X2).fit()
timing_coef = model2.params['market_excess_sq']
# 择时收益 = timing_coef * 市场超额收益的方差
timing_return = timing_coef * np.var(df['market_excess'])
# 选股收益 = Alpha - 择时收益
stock_selection_return = alpha - timing_return
print(f"Beta收益: {beta * df['market_excess'].mean():.4f}")
print(f"Alpha收益: {alpha:.4f}")
print(f"择时收益: {timing_return:.4f}")
print(f"选股收益: {stock_selection_return:.4f}")这段代码我用了很多次。每次跑完回测，我都会跑一遍这个分解，看看策略的「含金量」到底有多少。
收益分解的意义
你想想看，如果你不做收益分解，你可能会犯两个错误：
- 过度自信： 以为自己的选股能力很强，其实只是搭上了市场的顺风车。
- 盲目优化： 明明择时能力很差，却拼命优化择时信号，浪费时间和精力。
我个人习惯，每季度做一次收益分解。如果发现某个策略的Alpha收益连续下降，我就会去检查因子是否失效了，或者市场风格是否发生了变化。
一句话总结： 收益分解不是炫技，而是帮你认清策略本质的工具。Beta收益是「天时」，Alpha收益是「人和」。择时是「踩点」，选股是「识货」。四者缺一不可，但权重不同，决定了策略的可持续性。
好了，这一章的内容就到这里。记住，下次拿到回测结果，先别急着高兴或沮丧，拆开看看，你的收益到底从哪来。