01
指数增强基金概述
什么是指数增强基金？与纯被动、主动基金核心区别，国内发展现状与规模。
概念基础
02
业绩归因基础框架
Brinson模型简介：资产配置、个股选择、交互效应。超额收益拆解。
Brinson框架
03
数据准备与清洗
获取净值、基准指数数据，处理缺失值、复权净值、收益率对齐。
数据预处理
04
单期Brinson归因
计算单期配置/选股/交互效应，Python代码实现与结果解读。
单期Python
05
多期Brinson归因
几何链接vs算术链接，Carino/Menchero/Grap平滑算法原理与实现。
多期平滑
06
行业配置效应详解
行业超配/低配贡献，申万一级、中信行业标准选择与影响。
行业配置
07
个股选择效应详解
行业内选股贡献计算，剔除行业配置后的纯选股能力评估。
选股Alpha
08
交互效应解析
交互效应含义、何时变大、如何处理配置与选股的协同作用。
交互协同
09
风格因子归因（一）
Fama-French三因子：市场、规模、价值因子暴露计算。
三因子风格
10
风格因子归因（二）
Carhart四因子、Fama-French五因子：动量、盈利、投资因子。
多因子动量
11
行业因子归因
行业视为因子，计算暴露与贡献，对比Brinson行业归因。
行业因子对比
12
风险因子归因
Barra模型简介，波动率、流动性、成长等风格因子暴露。
Barra风险
13
因子归因的Python实现
statsmodels/linearmodels时间序列回归，因子载荷与贡献计算。
回归Python
14
持仓法归因（一）
基于全部持仓的精确归因，数据获取(Wind/聚宽/Tushare)，权重匹配。
持仓精确
15
持仓法归因（二）
持仓法Brinson实现，处理季报低频与净值日频矛盾。
低频插值
16
净值法归因（一）
仅用净值序列回归分析，优缺点：数据易得但精度有限。
净值回归
17
净值法归因（二）
多因子归因模型，因子选择与滚动窗口期设置。
滚动多因子
18
归因结果的稳定性检验
Bootstrap显著性检验，滚动归因观察时序变化。
Bootstrap稳定性
19
归因可视化（一）
Matplotlib/Seaborn：超额收益分解柱状图、行业热力图。
Matplotlib热图
20
归因可视化（二）
Plotly交互式仪表盘：因子暴露时序、累计超额面积图。
Plotly交互
21
归因报告自动化
Python生成PDF/HTML报告，ReportLab、WeasyPrint库。
报告自动化
22
不同市场环境下的归因特征
牛市/熊市/震荡市归因差异，根据环境调整模型参数。
市场周期
23
打新收益归因
从超额收益剥离打新收益，计算方法与注意事项。
打新剥离
24
股指期货对冲归因
对冲基金归因，基差收益与展期收益分解。
期货基差
25
多资产指数增强归因
跨资产(股票+债券+商品)双重归因：配置与底层选择。
多资产双重
26
归因模型的局限性
Brinson假设缺陷、多重共线性、向投资者解释不确定性。
局限讨论
27
实战案例一：沪深300增强
从数据到报告全流程，沪深300指数增强基金归因分析。
沪深300实战
28
实战案例二：中证500增强
中小盘风格归因特点与难点，中证500增强实战。
中证500中小盘
29
实战案例三：行业主题增强
消费/医药/科技主题增强，行业集中度对归因影响。
行业主题集中度
30
课程总结与进阶方向
回顾核心方法，机器学习(SHAP)前景，推荐资源与工具。
总结ML