收益分解基础：Brinson模型原理、单期与多期归因、超额收益的分解逻辑
做量化策略的朋友，一定绕不开一个问题：我的超额收益到底从哪来的？
是选股选得好？还是行业押对了？还是纯粹运气好？
嗯，Brinson模型就是用来回答这个问题的。它最早是给公募基金做业绩归因用的，后来被我们这帮做量化的拿来分析策略。说白了，它能把你的超额收益拆成两块：配置贡献和选股贡献。
Brinson模型的核心思想
我个人习惯把Brinson模型理解成一个“比较器”。你拿你的策略组合，跟一个基准组合去比。基准组合可以是沪深300，也可以是某个行业指数，随你定。
超额收益 = 策略收益 - 基准收益
这个超额收益，Brinson把它拆成三部分：
- 配置效应（Allocation Effect）：你超配或低配某个行业/板块带来的收益
- 选股效应（Selection Effect）：你在某个行业内选股能力带来的收益
- 交叉效应（Interaction Effect）：配置和选股共同作用的部分
我在项目中遇到过不少新手，一上来就盯着超额收益看，却不知道它到底是怎么构成的。结果调参数调了半天，发现超额收益全是靠运气赌出来的。
核心公式（单期）：
超额收益 = Σ (wp,i - wb,i) × (Rb,i - Rb) + Σ wb,i × (Rp,i - Rb,i) + Σ (wp,i - wb,i) × (Rp,i - Rb,i)
其中：wp,i = 策略在行业i的权重，wb,i = 基准在行业i的权重，Rp,i = 策略在行业i的收益，Rb,i = 基准在行业i的收益
单期归因：一次性的分解
单期归因最简单。你拿一个月的数据，算一下配置效应、选股效应、交叉效应，加起来就是超额收益。
举个例子：
| 行业 | 策略权重 | 基准权重 | 策略收益 | 基准收益 |
|---|---|---|---|---|
| 科技 | 40% | 30% | 5% | 3% |
| 消费 | 30% | 40% | 2% | 4% |
| 医药 | 30% | 30% | 6% | 5% |
基准总收益 = 30%×3% + 40%×4% + 30%×5% = 3.9%
策略总收益 = 40%×5% + 30%×2% + 30%×6% = 4.4%
超额收益 = 0.5%
配置效应 = (40%-30%)×(3%-3.9%) + (30%-40%)×(4%-3.9%) + (30%-30%)×(5%-3.9%) = -0.09% - 0.01% + 0 = -0.1%
选股效应 = 30%×(5%-3%) + 40%×(2%-4%) + 30%×(6%-5%) = 0.6% - 0.8% + 0.3% = 0.1%
交叉效应 = (40%-30%)×(5%-3%) + (30%-40%)×(2%-4%) + (30%-30%)×(6%-5%) = 0.2% + 0.2% + 0 = 0.4%
你看，配置效应是负的，说明我行业配置其实拖了后腿。选股效应是正的，说明我在行业内选股还行。交叉效应最大，说明配置和选股共同作用带来了不少收益。
避坑指南：我曾经犯过一个错误——单期归因时直接用策略权重乘以策略收益，然后减去基准权重乘以基准收益。这样算出来的超额收益是对的，但拆解出来的配置效应和选股效应却是错的。因为Brinson模型要求用基准收益作为“中性”基准，而不是策略收益。
多期归因：时间维度的挑战
单期归因好理解，但到了多期就麻烦了。你想想看，一个月一个月的超额收益，能不能直接加起来？
答案是：不能。因为复利效应会让简单的加法失效。
举个例子：第一个月超额收益2%，第二个月超额收益3%，但两个月总的超额收益不是5%。因为第二个月的收益是在第一个月的基础上算的。
多期归因有两种主流方法：
- 算术归因（Arithmetic Attribution）：把每期的超额收益简单相加。优点是直观，缺点是不精确。
- 几何归因（Geometric Attribution）：考虑复利效应，把超额收益连乘。优点是精确，缺点是不直观。
我个人习惯用几何归因。虽然计算复杂一点，但结果更靠谱。尤其是做长期策略回测时，算术归因的误差会越滚越大。
几何归因公式：
总超额收益 = (1 + Rp,1) × (1 + Rp,2) × ... × (1 + Rp,T) - (1 + Rb,1) × (1 + Rb,2) × ... × (1 + Rb,T)
然后通过“对数链接法”或“指数链接法”把每期的配置效应和选股效应链接起来。
超额收益的分解逻辑：从Brinson到机器学习
Brinson模型给了我们一个框架，但实际做量化策略时，你会发现超额收益的来源远不止配置和选股。
比如，你的策略可能用了动量因子、价值因子、波动率因子。这些因子带来的收益，Brinson模型是拆不出来的。因为它只考虑了行业维度的配置和选股。
所以，后来我们做量化归因时，会把Brinson模型扩展一下：
- 因子归因：把超额收益拆成各个因子（动量、价值、规模等）的贡献
- 风格归因：把超额收益拆成风格因子（大盘/小盘、成长/价值）的贡献
- 交易归因：把超额收益拆成交易成本、滑点、冲击成本等
说白了，Brinson模型是基础，但真正实战时，你得根据策略的特点来定制归因框架。
注意：不要过度归因。我曾经见过一个团队，把超额收益拆成了20多个维度，结果每个维度的贡献都很小，根本看不出重点。归因的目的是找到主要矛盾，而不是把所有细节都列出来。
知识体系结构图
下面这张图，是我自己总结的Brinson模型知识体系。你可以把它当成一个思维导图来看：
嗯，这张图把Brinson模型的核心脉络都串起来了。你从单期归因入手，理解配置、选股、交叉三个效应。然后扩展到多期，搞清楚算术和几何的区别。最后再延伸到因子、风格、交易归因，这就是一个完整的量化策略归因体系。
实战建议：我建议你从单期归因开始练手。拿一个简单的策略，比如行业轮动策略，用Brinson模型跑一遍。看看你的超额收益到底来自配置还是选股。如果配置效应占大头，说明你的策略本质上是赌行业方向；如果选股效应占大头，说明你的选股逻辑是有效的。
好了，Brinson模型的基础就讲到这里。记住，归因分析不是为了好看，而是为了让你知道策略到底在赚什么钱。下次你的策略跑赢了基准，别急着庆祝，先问问自己：是配置做对了，还是选股选对了？