4. 行业归因分析：行业分类标准、行业配置效应、行业选择效应
行业归因分析，说白了就是回答一个问题：我的组合跑赢基准，到底是因为选对了赛道，还是因为选对了赛道里的好公司？
我刚开始做归因时，总觉得这步有点玄学。后来踩过几次坑才明白——行业归因是连接宏观判断和微观选股的桥梁。你想想看，如果连收益来源都分不清，你怎么优化策略？
4.1 行业分类标准：你的地图决定了你能走多远
做行业归因，第一步是选地图。行业分类标准就是这张地图。
我个人习惯用两种主流标准：
- GICS（全球行业分类标准）：11个一级行业，24个二级行业。适合做全球配置。
- 申万行业分类：28个一级行业，104个二级行业。更适合A股市场。
嗯，这里要注意：分类粒度直接影响归因结果。我曾在项目中遇到过一个问题——用申万一级行业做归因，发现某个行业的配置效应特别大。后来换成二级行业一看，原来是大金融里的银行和保险表现完全不同。一级行业把两个方向相反的效应给抵消了。
避坑指南：我曾经因为分类标准不一致，导致归因结果和基准对不上。后来养成了习惯——组合和基准必须用同一套分类标准，且分类时点要一致。公司会变更主营业务，分类也会调整。
4.2 行业配置效应：你赌对赛道了吗？
行业配置效应衡量的是：你超配或低配某个行业，相比基准带来的超额收益。
公式其实不复杂：
行业配置效应 = (组合行业权重 - 基准行业权重) × (基准行业收益率 - 基准总收益率)举个例子：
| 行业 | 组合权重 | 基准权重 | 基准行业收益 | 基准总收益 | 配置效应 |
|---|---|---|---|---|---|
| 科技 | 30% | 20% | 15% | 8% | (30%-20%)×(15%-8%)=0.7% |
| 消费 | 25% | 30% | 5% | 8% | (25%-30%)×(5%-8%)=0.15% |
| 能源 | 10% | 15% | -2% | 8% | (10%-15%)×(-2%-8%)=0.5% |
你看，科技行业超配了10%，而且这个行业本身跑赢了基准，所以配置效应是正的。能源行业低配了5%，而且它跑输了基准，低配反而成了好事。
为什么会这样？配置效应的本质是择时能力。你判断某个行业会跑赢，就多配；判断会跑输，就少配。如果判断对了，配置效应就是正的。
4.3 行业选择效应：你在赛道里选对股票了吗？
行业选择效应衡量的是：在同一个行业里，你选的股票比行业平均好多少。
公式：
行业选择效应 = 基准行业权重 × (组合行业收益率 - 基准行业收益率)还是用上面的例子：
| 行业 | 组合行业收益 | 基准行业收益 | 基准权重 | 选择效应 |
|---|---|---|---|---|
| 科技 | 18% | 15% | 20% | 20%×(18%-15%)=0.6% |
| 消费 | 8% | 5% | 30% | 30%×(8%-5%)=0.9% |
| 能源 | -1% | -2% | 15% | 15%×(-1%+2%)=0.15% |
科技行业里，你选的股票比行业平均多赚了3%。消费行业里，你选的股票比行业平均多赚了3%。这就是选股能力的体现。
核心要点：配置效应看的是「择时」，选择效应看的是「选股」。两者加起来，就是行业层面的超额收益。
4.4 实战中的坑与技巧
我在项目中遇到过几个常见问题，分享给你：
- 交叉效应：配置和选择不是完全独立的。你超配了科技行业，又在科技行业里选了牛股，这两部分效应会互相影响。我建议用Brinson模型做分解时，把交叉效应单独列出来。
- 行业轮动策略：如果你做的是行业轮动，配置效应就是你的核心收益来源。这时候要重点关注行业分类的时效性。
- 多期归因：单期归因容易受噪音干扰。我习惯用滚动12个月的累计效应来判断，趋势比单点更重要。
小技巧：做行业归因时，记得把基准的行业权重和收益率对齐到同一个时间点。我曾经因为用了不同日期的数据，算出来的效应差了0.5%，排查了半天才发现是数据对齐的问题。
4.5 知识体系框架
下面这张图帮你理清行业归因的核心逻辑：
这张图的核心逻辑很简单：先选地图（分类标准），再分两条路走——配置效应看择时，选择效应看选股，最后汇总成行业层面的超额收益。
我个人习惯在做完行业归因后，再结合个股归因做交叉验证。如果行业选择效应很大，但个股层面找不到对应的牛股，那就要怀疑是不是数据有问题了。
一句话总结：行业归因帮你分清「运气」和「能力」。配置效应是择时的运气，选择效应是选股的能力。两者都正，说明你既选对了赛道，又选对了赛道里的好公司。
公众号:蓝海数据掘金营，微信deep3321