3、Brinson归因模型：数学原理与实战拆解
Brinson归因模型，说白了就是回答一个问题：我的超额收益到底从哪来的？
是押对了行业？还是选对了股票？
我个人习惯把这个模型叫做「超额收益的X光机」。它能穿透组合的净值曲线，把收益拆成两块：资产配置效应和选股效应。今天我们就把它彻底讲透。
3.1 数学原理：一个公式就够了
先看核心公式。假设我们有基准组合和实际组合，两者的收益差就是超额收益：
超额收益 = R_p - R_b其中：
R_p= 实际组合收益率R_b= 基准组合收益率
Brinson把超额收益拆成三项：
R_p - R_b = ∑(w_pi - w_bi) × R_bi [资产配置效应]
+ ∑w_bi × (R_pi - R_bi) [选股效应]
+ ∑(w_pi - w_bi) × (R_pi - R_bi) [交互效应]符号说明：
w_pi= 组合在行业i的权重w_bi= 基准在行业i的权重R_pi= 组合在行业i的收益率R_bi= 基准在行业i的收益率
嗯，这里要注意：交互效应在很多教材里被合并到选股效应中。我个人习惯把它单独拎出来，因为在实际项目中，交互效应往往能揭示一些有趣的现象。
3.2 资产配置效应：你赌对了方向吗？
资产配置效应衡量的是：你超配/低配某个行业，这个行业本身涨得好不好？
公式拆解：
资产配置效应 = ∑(w_pi - w_bi) × R_bi逻辑很简单：
- 如果你超配了某个行业（
w_pi - w_bi > 0），而这个行业基准收益为正（R_bi > 0），那么恭喜你，配置效应为正。 - 反之，如果你低配了某个行业，而这个行业跌了，那也是正贡献。
核心要点：资产配置效应只关心「你配了多少」和「基准收益如何」，不关心你在这个行业里选了哪些股票。
我在项目中遇到过这样的情况：某年消费板块大涨，基准收益20%。我超配了消费5个点，光这一项就贡献了1%的超额收益。但选股效应是负的——因为我选的消费股跑输了消费指数。这就是典型的「配置赢了，选股输了」。
3.3 选股效应：你的α能力如何？
选股效应衡量的是：在同一个行业里，你选的股票比行业指数强多少？
选股效应 = ∑w_bi × (R_pi - R_bi)注意这里用的是基准权重w_bi，而不是实际权重。为什么？
因为我们要剥离配置的影响。你想想看，如果某个行业你配了50%，但基准只配了10%，那这个行业选股收益再高，也有配置的功劳。用基准权重，相当于说：「假设你按基准比例配了这个行业，你选的股票能跑赢多少？」
避坑指南：我曾经犯过一个错误——直接用实际权重算选股效应。结果发现选股效应和配置效应高度相关，根本拆不清楚。后来改用基准权重，问题迎刃而解。
3.4 交互效应：被忽视的「交叉火力」
交互效应是很多人忽略的一块：
交互效应 = ∑(w_pi - w_bi) × (R_pi - R_bi)它衡量的是：你超配的行业里，选股能力是否也强？
举个例子：
- 你超配了科技行业（+5%），同时在科技行业里选股跑赢了基准（+3%）
- 交互效应 = 5% × 3% = 0.15%
这个效应通常比较小，但在某些极端情况下会很大。我记得有一次做归因分析，发现交互效应占了超额收益的30%。仔细一看，原来是某行业我们超配了10个点，同时选股跑赢了8个点——双重暴击。
3.5 实战案例：一个完整的Brinson归因
假设我们有一个简单的两行业组合：
| 行业 | 组合权重 | 基准权重 | 组合收益 | 基准收益 |
|---|---|---|---|---|
| 消费 | 60% | 50% | 8% | 5% |
| 科技 | 40% | 50% | 12% | 10% |
计算过程：
组合收益 = 60%×8% + 40%×12% = 9.6%
基准收益 = 50%×5% + 50%×10% = 7.5%
超额收益 = 9.6% - 7.5% = 2.1%
资产配置效应：
消费: (60%-50%)×5% = 0.5%
科技: (40%-50%)×10% = -1.0%
合计: -0.5%
选股效应：
消费: 50%×(8%-5%) = 1.5%
科技: 50%×(12%-10%) = 1.0%
合计: 2.5%
交互效应：
消费: (60%-50%)×(8%-5%) = 0.3%
科技: (40%-50%)×(12%-10%) = -0.2%
合计: 0.1%
验证：-0.5% + 2.5% + 0.1% = 2.1% ✓结果解读：
- 选股效应贡献了2.5%，说明选股能力很强
- 配置效应是负的（-0.5%），因为低配了表现更好的科技行业
- 交互效应很小（0.1%），可以忽略
注意：这个例子中配置效应为负，但总超额收益为正。说明选股能力完全覆盖了配置失误。在实际管理中，如果配置效应持续为负，就要反思行业轮动策略是否有问题。
3.6 知识体系框架图
下面我用一张SVG图来总结Brinson归因的核心逻辑：
3.7 实战中的几个坑
最后分享几个我踩过的坑：
- 数据频率问题：Brinson模型对数据频率很敏感。日频归因和月频归因结果可能差异很大。我个人习惯用日频数据做归因，然后按月汇总。
- 行业分类标准：不同的行业分类（申万、中信、GICS）会导致归因结果不同。我曾经在两个分类标准下得到完全相反的结论——一个显示配置效应为正，另一个显示为负。后来我统一用申万一级行业，保持一致性。
- 交互效应的处理：有些机构把交互效应合并到选股效应中。我个人建议单独列出来，因为交互效应能反映「配置和选股是否协同」。如果交互效应持续为负，说明你超配的行业选股反而差，这是个危险信号。
- 多期归因的累加：多期Brinson归因不能简单累加，因为权重会变。需要用「链式归因」或「对数归因」方法。这个我们后面会专门讲。
一句话总结：Brinson归因不是万能的，但它能帮你把超额收益拆得明明白白。配置效应告诉你「赌没赌对方向」，选股效应告诉你「选没选对股票」，交互效应告诉你「两者是否形成合力」。
嗯，今天就到这里。记住，归因分析不是为了好看的数字，而是为了找到问题、优化策略。下次我们聊聊更进阶的「多期Brinson归因」和「风险调整后的归因」。
公众号:蓝海数据掘金营，微信deep3321