一、宏观因子归因分析概述

1.1 什么是宏观因子归因

宏观因子归因，说白了就是回答一个问题：“我的投资收益，到底是谁贡献的？”

我刚开始做量化的时候，也以为只要选对股票就能赚钱。后来发现，很多时候你赚的钱，根本不是选股能力强，而是市场本身在涨。比如2020年，你随便买点科技股，收益可能都不错。但这是你的本事吗？不，是流动性宽松这个宏观因子在起作用。

宏观因子归因，就是把投资组合的收益拆解到几个核心的宏观驱动因素上。常见的宏观因子包括：

• 经济增长因子（GDP增速、工业增加值）
• 通货膨胀因子（CPI、PPI）
• 利率因子（国债收益率、政策利率）
• 信用因子（信用利差、违约率）
• 汇率因子（美元指数、人民币汇率）
• 流动性因子（M2、社融增速）

嗯，这里要注意：宏观因子不是随便选的。我个人的习惯是，先做一轮主成分分析（PCA），看看哪些因子能解释大部分资产收益的波动。选错了因子，归因结果就是一堆噪音。

组合收益 = β₁ × 经济增长因子 + β₂ × 利率因子 + β₃ × 通胀因子 + ... + α（选股/择时能力）

1.2 为什么需要归因分析

你想想看，如果你是一个基金经理，年终汇报的时候老板问你：“今年赚了15%，你是怎么做到的？”

你总不能说“我就是运气好，买啥涨啥”吧？

归因分析的价值就在这里——它让你能用数据说话。我见过太多基金经理，业绩好的时候觉得自己是股神，业绩差的时候怪市场不好。但归因分析能告诉你：

• 你的收益里，有多少是市场β给的？
• 你的主动管理α，到底是正的还是负的？
• 你的风险暴露，是不是超出了你的能力圈？

我曾经帮一家保险资管做归因分析，发现他们一个固收+产品的收益，80%来自久期暴露（利率下行），只有20%来自信用精选。但他们的宣传材料里，一直在强调“信用研究能力”。嗯，这其实是个很大的误导。

1.3 核心应用场景

场景一：资产配置

做资产配置的人，最怕的就是“配置了个寂寞”。你配了股票、债券、商品，但它们的涨跌其实都受同一个宏观因子驱动——比如通胀预期。那你的分散化就是假的。

宏观因子归因能帮你识别：

• 你的组合到底暴露在哪些宏观风险上？
• 这些暴露是不是你想要的？
• 如何通过调整因子暴露来优化配置？

我个人的习惯是，每季度做一次因子暴露分析。如果发现某个因子的暴露超出了目标区间，就做再平衡。说白了，就是用因子视角代替资产视角。

场景二：风险管理

风险管理不是看VaR，而是看“什么情况下你会亏大钱”。

宏观因子归因可以告诉你：

• 如果利率突然上升100bp，你的组合会亏多少？
• 如果经济衰退，你的组合扛得住吗？
• 你的尾部风险，主要来自哪个因子？

我记得有一次，一个客户说他们的组合很稳健，因为配了很多国债。但我一做归因分析，发现他们其实暴露了很大的汇率风险——因为国债是美元计价的，而他们的负债是人民币。这就是典型的“因子错配”。

场景三：业绩评价

评价一个基金经理，不能只看收益率。你得问：他的收益是来自能力还是运气？

宏观因子归因能帮你拆解：

• β收益：市场/因子给的，跟能力无关
• α收益：主动管理带来的，才是真本事
• 择时收益：对因子方向判断的贡献
• 选股收益：在因子内部选择的超额收益

我曾经用这个方法评价过两个基金经理。A经理年化收益12%，B经理年化收益10%。看起来A更厉害。但归因分析发现，A的收益里9%来自利率下行（β），只有3%是α；而B的收益里只有4%来自β，6%是α。你说谁更牛？

所以，归因分析是业绩评价的“照妖镜”，能照出谁在裸泳。

1.4 宏观因子归因的知识体系

下面这张图，是我自己梳理的宏观因子归因的整体框架。你可以把它当作一张地图，后面每一章都会对应其中的一个模块。

这张图展示了宏观因子归因的完整链路：从因子定义出发，经过方法论处理，落到三大应用场景，再到具体技术实现，最后输出可落地的报告。后面每一章，我们都会深入其中一个模块。

公众号:蓝海资料掘金营，微信deep3321