超额收益的三大来源：择时能力、选股能力、交易执行能力
做指数增强，说白了就是跟指数赛跑。你跑得比它快，多出来的那部分就是超额收益。但问题来了——这多出来的收益到底从哪来的？
我见过不少刚入行的朋友，一看到净值跑赢了沪深300就兴奋得不行。但冷静下来想想，你真的搞清楚超额收益的来源了吗？
我个人习惯把超额收益拆成三块：择时能力、选股能力、交易执行能力。这三者看似简单，但实际区分起来，坑不少。
核心观点：超额收益 = 择时贡献 + 选股贡献 + 交易执行贡献。三者互不重叠，但现实中往往纠缠在一起。
一、择时能力：你猜对了市场的节奏吗？
择时能力，说白了就是你对市场涨跌的判断。你觉得下周要涨，就加仓；觉得要跌，就减仓。如果猜对了，这部分收益就归功于择时。
但这里有个问题——择时是零和博弈。你想想看，市场里有人加仓就有人减仓，有人赚就有人亏。长期来看，能靠择时稳定赚钱的人，凤毛麟角。
我在项目中遇到过一位基金经理，他特别喜欢做仓位择时。有一年他成功躲过了两次大跌，超额收益做得非常漂亮。但第二年，他连续三次踏空，超额收益全吐回去了。嗯，这就是择时的两面性。
我的建议：如果你不是做宏观对冲的，别把太多精力放在择时上。指数增强的核心是选股，择时只是锦上添花。
量化上怎么度量择时能力？我习惯用TM模型（Treynor-Mazuy）或HM模型（Henriksson-Merton）。简单说，就是看你的组合收益和市场收益之间是否存在非线性关系。如果市场涨的时候你涨得更多，市场跌的时候你跌得更少，那说明你有择时能力。
# 简单的择时能力检验（TM模型）
import statsmodels.api as sm
# Rp: 组合超额收益, Rm: 市场超额收益
# 回归方程: Rp = alpha + beta * Rm + gamma * Rm^2 + epsilon
X = sm.add_constant(np.column_stack([Rm, Rm**2]))
model = sm.OLS(Rp, X).fit()
# 如果gamma显著为正，说明有择时能力
print(f"择时系数 gamma = {model.params[2]:.4f}, p-value = {model.pvalues[2]:.4f}")
二、选股能力：这才是你的真本事
选股能力，是指你在给定仓位水平下，挑选出比指数成分股表现更好的股票。说白了，就是你的股票池比指数强。
我个人认为，选股能力是指数增强最核心的竞争力。为什么？因为择时很难持续，交易执行只能优化边际，但选股能力可以形成长期壁垒。
举个例子。沪深300里有300只股票，你从中挑出100只，构建一个组合。如果这100只股票的平均收益比沪深300高1%，那这1%就是你的选股贡献。
但要注意——选股能力要和择时能力严格区分。怎么区分？我常用的方法是Brinson归因。
| 归因维度 | 择时贡献 | 选股贡献 |
|---|---|---|
| 定义 | 行业/板块配置偏离带来的超额 | 行业内个股选择带来的超额 |
| 度量方式 | (组合行业权重 - 基准行业权重) × 基准行业收益 | 组合行业权重 × (组合行业收益 - 基准行业收益) |
| 典型特征 | 波动大，持续性差 | 波动相对小，可持续性强 |
我曾经帮一家私募做业绩归因，发现他们某年超额收益高达15%。但一拆开看，其中12%来自重仓了白酒板块（择时），只有3%来自选股。第二年白酒板块回调，超额收益直接变负。这就是典型的「伪选股能力」——你以为自己会选股，其实只是赌对了行业。
避坑指南：我曾经见过一个策略，回测时超额收益漂亮得不行。但一做Brinson归因，发现90%的超额来自小市值因子暴露。这不是选股能力，这是风格择时。市场风格一转，超额就没了。
三、交易执行能力：细节决定成败
交易执行能力，很多人容易忽略。但说实话，在量化领域，交易执行往往是拉开差距的关键。
你想想看，你的选股模型再牛，如果下单时滑点太大、冲击成本太高，超额收益就被吃掉了。我见过一个团队，他们的选股模型年化超额能做到8%，但实际跑下来只有4%。为什么？因为交易执行太粗糙了。
交易执行能力主要体现在三个方面：
- 冲击成本控制：大单买入时，如何避免把价格推高？
- 延迟成本控制：信号出来到成交之间，价格变了多少？
- 算法交易优化：用TWAP、VWAP还是IS算法？
我个人习惯用实现差价（Implementation Shortfall）来度量交易执行能力。简单说，就是「理想成交价」和「实际成交价」之间的差距。这个差距越小，说明你的交易执行能力越强。
# 实现差价计算示例
def implementation_shortfall(decision_price, execution_prices, shares, side='buy'):
"""
decision_price: 决策时的价格
execution_prices: 各笔成交价格列表
shares: 各笔成交股数列表
side: 'buy' 或 'sell'
"""
total_shares = sum(shares)
avg_exec_price = sum(p * s for p, s in zip(execution_prices, shares)) / total_shares
if side == 'buy':
shortfall = (avg_exec_price - decision_price) / decision_price
else:
shortfall = (decision_price - avg_exec_price) / decision_price
return shortfall * 10000 # 返回BP（基点）
我的经验：对于高频策略，交易执行能力可能贡献30%以上的超额收益。但对于低频策略（比如月频调仓），交易执行的影响相对较小，但也不能忽视。
三者如何区分？一个实战案例
说了这么多理论，咱们来个实战案例。假设你管理一个沪深300增强基金，某月超额收益为2%。怎么拆？
- 第一步：做Brinson归因
- 择时贡献：0.5%（因为你超配了当月表现好的银行板块）
- 选股贡献：1.2%（因为你在银行板块内选的股票比板块平均多涨了）
- 交叉项：0.1%（择时和选股的交互作用）
- 第二步：扣除交易成本
- 交易执行贡献：-0.3%（因为调仓时产生了冲击成本和滑点）
- 第三步：汇总
- 净超额收益 = 0.5% + 1.2% + 0.1% - 0.3% = 1.5%
- 还有0.5%去哪了？嗯，可能是模型误差或未被归因到的部分
你看，这样一拆，你就知道自己的超额收益到底靠不靠谱。如果大部分来自选股，那恭喜你，你的策略有可持续性。如果大部分来自择时，那你得小心了——市场不会永远站在你这边。
总结一下：择时能力看的是「赌方向」，选股能力看的是「挑好货」，交易执行能力看的是「买卖技巧」。三者缺一不可，但权重不同。我个人建议，把80%的精力放在选股上，15%放在交易执行上，5%放在择时上。这样长期来看，超额收益最稳定。
好了，这一章的内容就到这里。记住，超额收益不是玄学，它是可以被拆解、被度量的。下次你再看到某个策略的超额收益，不妨问问自己：这到底是择时的功劳，还是选股的本事，还是交易执行的优化？