第1章：单期Brinson归因——从理论到代码

各位同学，咱们今天聊点实在的。

做指数增强基金，最核心的问题是什么？说白了就两个：我到底赚了谁的钱？是押对了行业？还是选对了股票？

Brinson归因就是干这个的。它把超额收益拆成三块：配置效应、选股效应、交互效应。今天咱们先搞定单期版本——也就是一天、一周或一个月的数据，怎么算，怎么看。

1.1 Brinson归因的核心逻辑

先别急着看公式。我带你走一遍直觉。

假设你是一个基金经理。基准指数里，银行板块权重20%，你配了30%。结果银行涨了5%，基准涨了3%。

• 配置效应：你多配了银行，赌对了方向。赚的就是超配部分带来的收益。
• 选股效应：同样在银行里，你选的股票比基准里的银行股涨得好。这部分是选股能力。
• 交互效应：你既超配了银行，又选了好股票。这两件事同时发生，产生的额外收益。

嗯，这里要注意：交互效应在单期里其实挺常见的。很多人把它忽略掉，或者合并到选股里。我个人习惯是单独列出来，因为它在某些市场环境下能揭示很有意思的信息。

1.2 数学公式：别怕，就三行

咱们用最标准的Brinson模型。记：

• w_p_i：组合在行业i的权重
• w_b_i：基准在行业i的权重
• r_p_i：组合在行业i的收益率
• r_b_i：基准在行业i的收益率

那么：

配置效应 = Σ (w_p_i - w_b_i) × (r_b_i - r_b)
选股效应 = Σ w_b_i × (r_p_i - r_b_i)
交互效应 = Σ (w_p_i - w_b_i) × (r_p_i - r_b_i)

其中 r_b 是基准总收益率。

你可能会问：为什么配置效应里要减掉基准总收益？

因为你要看的是相对表现。你超配银行，如果银行只是跟着大盘走，那不算你厉害。只有银行跑赢了大盘，你的超配才有价值。

1.3 Python实现：手把手写代码

好，理论讲完了。咱们直接上代码。我用的是最朴素的写法，方便你理解每一步在干什么。

import pandas as pd
import numpy as np

def brinson_single_period(portfolio_weights, benchmark_weights,
                          portfolio_returns, benchmark_returns):
    """
    单期Brinson归因
    参数都是Series，index为行业/板块名称
    """
    # 基准总收益率
    r_b = (benchmark_weights * benchmark_returns).sum()

    # 配置效应
    allocation = (portfolio_weights - benchmark_weights) * \
                 (benchmark_returns - r_b)

    # 选股效应
    selection = benchmark_weights * \
                (portfolio_returns - benchmark_returns)

    # 交互效应
    interaction = (portfolio_weights - benchmark_weights) * \
                  (portfolio_returns - benchmark_returns)

    # 汇总
    result = pd.DataFrame({
        '配置效应': allocation,
        '选股效应': selection,
        '交互效应': interaction,
        '合计': allocation + selection + interaction
    })
    result.loc['总计'] = result.sum()

    return result

这段代码我用了很多次。有一次在项目中，我发现交互效应特别大，正负都有。后来一查，原来是某个行业权重调整的时点跟股票调仓没对齐。嗯，这种坑我踩过，所以提醒你：数据的时间对齐非常重要。

1.4 结果解读：别只看数字

假设我们跑出来这样一张表：

行业	配置效应	选股效应	交互效应	合计
银行	0.12%	0.05%	0.02%	0.19%
科技	-0.08%	0.15%	-0.03%	0.04%
消费	0.03%	-0.02%	0.01%	0.02%
总计	0.07%	0.18%	0.00%	0.25%

怎么读？

• 配置效应0.07%：说明行业配置整体上贡献了正收益。但你看科技是负的，说明超配科技其实拖了后腿。
• 选股效应0.18%：这是大头。说明基金经理选股能力不错，尤其在科技板块，选股贡献了0.15%。
• 交互效应0.00%：几乎为零。说明配置和选股之间没有明显的协同或抵消。

你想想看，如果交互效应很大，比如-0.10%，那意味着什么？意味着你虽然选了好股票，但因为你配的权重不对，反而把收益抵消了一部分。这种情况我见过，通常是基金经理在调仓时，权重调整滞后于选股决策。

1.5 一张图看懂单期Brinson

下面这张SVG图，把整个流程串起来了。从输入到输出，每一步都清晰。

这张图我建议你保存下来。每次做归因前，对着图检查一遍输入数据，能省很多debug的时间。

1.6 避坑指南

最后，分享几个我踩过的坑：

• 权重没归一化：组合权重和基准权重各自加起来必须等于1（或100%）。差一点都会导致归因结果偏差。
• 收益没对齐：组合收益和基准收益必须是同一时间区间的。我曾经遇到过用日收益对周权重的情况，结果交互效应大得离谱。
• 行业分类不一致：组合和基准用的行业分类标准必须一样。一个用申万一级，一个用GICS，那算出来的东西没法看。

好了，单期Brinson归因就这些。代码不长，逻辑也不复杂。但它是整个业绩归因体系的基石。把这个搞透，后面的多期、多因子、风险归因，你上手会快很多。

下一章，咱们聊聊多期Brinson——怎么把每天的归因结果累加起来，又不丢失信息。

---

公众号:蓝海数据掘金营，微信deep3321