2、收益归因基础：Brinson模型原理、资产配置效应、品种选择效应、交互效应
做量化策略的人，最怕什么？
怕赚钱了不知道为啥赚，亏钱了不知道为啥亏。
我早年做CTA策略的时候，有一年收益特别漂亮，年化干到了40%+。老板让我写归因报告，我憋了半天写不出来——因为我自己也没搞明白到底是选品种选得好，还是仓位配得准。后来补了Brinson模型这课，才算是把账算清楚了。
今天咱们就聊聊这个经典的收益归因框架。说白了，Brinson模型就是帮你把策略的超额收益，拆成三个部分：资产配置效应、品种选择效应、以及交互效应。
2.1 Brinson模型的核心思想
Brinson模型最早是给股票组合用的，但放在大宗商品里一样好使。它的逻辑很简单：
- 你有一个基准（比如南华商品指数）
- 你有一个实际组合（你的策略持仓）
- 两者收益的差值，就是超额收益
这个超额收益，可以拆成三块：
- 资产配置效应：你超配或低配了某个板块/品种带来的收益
- 品种选择效应：你在同一板块里选对了或选错了具体品种
- 交互效应：配置和选择共同作用的结果
核心公式：
超额收益 = 资产配置效应 + 品种选择效应 + 交互效应
嗯，这里要注意：交互效应有时候会被合并到前两个里面去，但我个人习惯把它单独拎出来——因为在实际交易中，它往往能揭示一些有意思的东西。
2.2 资产配置效应
什么叫资产配置效应？
你想想看，如果你在2023年超配了原油，低配了农产品，而原油当年涨了20%，农产品跌了5%，那你的配置决策就给你带来了正收益。这就是资产配置效应。
计算公式：
资产配置效应 = Σ (组合权重_i - 基准权重_i) × (基准收益率_i - 基准总收益率)其中：
- 组合权重_i：你在第i个板块上的实际配置比例
- 基准权重_i：基准指数中第i个板块的权重
- 基准收益率_i：第i个板块的基准收益率
- 基准总收益率：整个基准的总收益率
我在项目中遇到过这样的情况：某个板块权重配得很准，但板块内部品种选得稀烂。这时候资产配置效应是正的，但品种选择效应是负的。如果你只看总收益，根本看不出问题出在哪。
避坑指南：
我曾经犯过一个错误——把板块分类搞得太细。比如把有色金属拆成铜、铝、锌、镍、锡五个子板块。结果每个子板块的权重都很小，算出来的配置效应几乎为零，失去了分析意义。后来我改成按「有色、黑色、能化、农产品、贵金属」五大类来分，效果就好多了。
建议：板块分类控制在5-8个，太细了没意义，太粗了看不清。
2.3 品种选择效应
品种选择效应，衡量的是你在同一个板块内部，选品种的能力。
举个例子：同样是做有色金属，你选了铜，没选铝。如果铜涨了10%，铝只涨了2%，那你的选择就对了。这个收益差，就是品种选择效应。
计算公式：
品种选择效应 = Σ 基准权重_i × (组合收益率_i - 基准收益率_i)其中：
- 基准权重_i：第i个板块在基准中的权重
- 组合收益率_i：你在第i个板块上的实际收益率
- 基准收益率_i：第i个板块的基准收益率
说白了，品种选择效应就是假设你的配置比例跟基准一样，但你在每个板块里选的品种比基准好多少。
我个人的经验是：品种选择效应往往比配置效应更难做。因为配置你可以看宏观、看库存、看供需，但选品种很多时候要看盘口、看流动性、看基差结构。这些细节，量化模型不太容易捕捉。
2.4 交互效应
交互效应，是Brinson模型里最容易被忽略、但最有意思的部分。
它衡量的是：当你同时做配置决策和品种选择时，两者之间产生的协同或抵消效果。
计算公式：
交互效应 = Σ (组合权重_i - 基准权重_i) × (组合收益率_i - 基准收益率_i)为什么会这样？
你想想看：如果你超配了一个板块，同时在这个板块里选对了品种，那你的收益就是「配置+选择+交互」三份。反过来，如果你超配了一个板块，但选错了品种，那交互效应就是负的，会吃掉一部分配置收益。
注意：
交互效应可正可负。我见过一些策略，配置效应和选择效应都是正的，但交互效应是负的，导致总超额收益被打了折扣。这种情况往往是因为：你超配的板块里，品种选择做得不够好；或者你选对品种的板块，配置比例太低了。
所以，别只看总收益，三个效应都要拆开看。
2.5 一个完整的计算示例
咱们拿一个简化的大宗商品组合来算一遍。假设基准是某个商品指数，包含三个板块：
| 板块 | 基准权重 | 组合权重 | 基准收益率 | 组合收益率 |
|---|---|---|---|---|
| 能源 | 40% | 50% | 8% | 10% |
| 金属 | 35% | 30% | 5% | 4% |
| 农产品 | 25% | 20% | -2% | 1% |
基准总收益率 = 40%×8% + 35%×5% + 25%×(-2%) = 4.45%
计算资产配置效应：
能源：(50% - 40%) × (8% - 4.45%) = 10% × 3.55% = 0.355%
金属：(30% - 35%) × (5% - 4.45%) = -5% × 0.55% = -0.0275%
农产品：(20% - 25%) × (-2% - 4.45%) = -5% × (-6.45%) = 0.3225%
合计：0.355% - 0.0275% + 0.3225% = 0.65%计算品种选择效应：
能源：40% × (10% - 8%) = 40% × 2% = 0.8%
金属：35% × (4% - 5%) = 35% × (-1%) = -0.35%
农产品：25% × (1% - (-2%)) = 25% × 3% = 0.75%
合计：0.8% - 0.35% + 0.75% = 1.2%计算交互效应：
能源：(50% - 40%) × (10% - 8%) = 10% × 2% = 0.2%
金属：(30% - 35%) × (4% - 5%) = -5% × (-1%) = 0.05%
农产品：(20% - 25%) × (1% - (-2%)) = -5% × 3% = -0.15%
合计：0.2% + 0.05% - 0.15% = 0.1%总超额收益：
组合总收益率 = 50%×10% + 30%×4% + 20%×1% = 6.4%
超额收益 = 6.4% - 4.45% = 1.95%
验证：0.65% + 1.2% + 0.1% = 1.95% ✓解读：
这个策略的超额收益主要来自品种选择效应（1.2%），说明选品种的能力不错。资产配置效应贡献了0.65%，也还行。交互效应只有0.1%，说明配置和选择之间没有明显的协同或抵消。
但如果你只看总超额收益1.95%，你根本不知道哪个环节做得好。这就是Brinson模型的价值所在。
2.6 Brinson模型的局限与改进
Brinson模型好用，但也不是万能的。我用了这么多年，总结出几个坑：
- 线性假设：模型假设各效应是线性可加的，但实际市场中，配置和选择之间往往有非线性关系。比如你超配一个板块，可能会影响该板块的流动性，进而影响你的选品种能力。
- 基准选择：基准选得不对，归因结果就全歪了。我见过有人拿南华商品指数做基准，但自己的策略只做有色金属，那归因结果基本没有意义。
- 频率问题：Brinson模型通常按月或按季做归因。频率太高（比如每天），噪声太大；频率太低（比如每年），又看不清过程。
针对这些问题，我个人习惯的做法是：
- 用多期Brinson模型，把各期的效应累加起来，避免单期噪声
- 同时做风险因子归因（比如Fama-French框架），跟Brinson模型互为补充
- 基准选等权指数而不是市值加权指数——因为大宗商品里，市值加权容易被几个大品种带偏
一个小技巧：
如果你用Python做归因，可以用pybrinson这个库，或者自己写个函数。我一般用pandas的groupby操作，按板块分组，然后逐项计算三个效应。代码量不大，但逻辑要理清楚。
2.7 知识体系总览
下面这张图，把Brinson模型的整个逻辑串起来了。你可以把它当成一个思维导图来看：
这张图把Brinson模型的三个效应、核心公式、以及应用场景都串起来了。你可以把它截图保存，以后做归因分析的时候拿出来对照着看。
好了，Brinson模型的基本原理就聊到这儿。说白了，它就是一把手术刀，帮你把策略收益解剖开，看看哪块肌肉在发力，哪块在偷懒。下次你的策略赚钱了，别光顾着高兴，先跑一遍Brinson归因，搞清楚钱是怎么来的——这样你才能知道，下次该往哪个方向使劲。