指数增强超额收益拆解实战

📚 共计 30 章节

超额收益的起源

什么是指数增强？为什么会有超额收益？数学定义与核心公式。

超额收益的三大来源

择时能力、选股能力、交易执行能力。三者如何区分？

Brinson归因模型

Brinson模型的数学原理、资产配置效应与选股效应。

行业配置效应拆解

如何计算行业配置带来的超额收益？行业权重偏离的影响。

个股选择效应拆解

如何计算个股选择带来的超额收益？个股alpha的贡献。

什么是交互效应？为什么它不能被忽略？计算与解读。

多期Brinson归因

单期归因的局限性，多期归因的连环替代法与几何归因法。

Barra风险模型归因

从因子角度拆解超额收益，因子暴露与因子收益的贡献。

风格因子拆解

市值、估值、动量、波动率等风格因子对超额收益的贡献。

行业因子拆解

行业因子暴露与行业因子收益，如何判断行业配置是否有效。

特定风险（残差收益）

什么是特定风险？它如何影响超额收益的稳定性？

择时能力归因

如何衡量择时能力？T-M模型与H-M模型。

选股能力归因

如何衡量选股能力？信息比率（IR）与选股能力的关系。

交易成本归因

冲击成本、佣金、印花税对超额收益的侵蚀。如何量化？

打新收益归因

A股打新对指数增强产品的贡献，打新收益的拆解方法。

分红与股息归因

指数成分股分红对超额收益的影响，股息再投资效应。

再平衡归因

指数调仓带来的被动交易，再平衡对超额收益的影响。

再平衡调仓

现金管理归因

仓位不满仓带来的现金拖累，现金管理对超额收益的影响。

衍生品对冲归因

使用股指期货对冲时的基差影响，升贴水对超额收益的贡献。

因子择时归因

动态调整因子暴露带来的超额收益，因子择时的有效性检验。

因子择时动态

机器学习归因

使用机器学习模型（如XGBoost）拆解非线性因子贡献。

归因结果的置信区间

如何计算超额收益拆解结果的统计显著性？标准误与置信区间。

统计显著性

归因报告的标准化

业界通用的归因报告模板（GIPS标准），如何呈现给投资者。

归因系统的架构设计

从数据清洗到归因计算到可视化展示的完整系统设计。

归因系统的Python实现 · Brinson

使用Python（pandas、numpy）实现Brinson归因。

归因系统的Python实现 · Barra

使用Python实现Barra因子归因。

归因系统的Python实现 · 择时

使用Python实现择时能力归因（T-M/H-M模型）。

归因系统的Python实现 · 成本与打新

使用Python实现交易成本归因与打新收益归因。

归因结果的回测验证

如何用历史数据验证归因模型的准确性？过拟合与欠拟合问题。

归因系统的实战案例

以沪深300指数增强产品为例，完整拆解过去一年的超额收益来源。