第2章 Brinson模型基础

第2章：Brinson模型基础

2.1 从业绩归因说起

做量化投资，最怕什么？

怕赚了钱不知道为啥赚，亏了钱不知道为啥亏。

我刚开始管实盘的时候，就吃过这个亏。有一年收益不错，我以为是选股厉害，结果一拆解——好家伙，纯粹是市场涨了，我的配置跟指数差不多，选股还拖了后腿。嗯，那感觉就像你以为是自己在跑，其实是站在电梯上。

所以，业绩归因这件事，说白了就是帮你搞清楚：超额收益到底从哪来的？

Brinson模型，就是干这个的。它把超额收益拆成三块：

配置效应——你押对了板块吗？
选股效应——你在板块里挑对了票吗？
交互效应——两者一起作用的结果

你想想看，如果连这都分不清，你怎么优化策略？

2.2 Brinson模型的数学原理

先看一个最简单的场景。

假设市场只有两个行业：科技和消费。你有一个组合，还有一个基准指数。我们想知道，组合的超额收益是怎么来的。

定义几个符号：

w_p,i：组合在行业i上的权重
w_b,i：基准在行业i上的权重
r_p,i：组合在行业i内的收益率
r_b,i：基准在行业i内的收益率

组合的总收益：

R_p = Σ w_p,i * r_p,i

基准的总收益：

R_b = Σ w_b,i * r_b,i

超额收益就是：

R_p - R_b = Σ (w_p,i * r_p,i - w_b,i * r_b,i)

这个式子看起来简单，但怎么拆？

Brinson的聪明之处在于——加一项，再减一项。

超额收益 = Σ (w_p,i - w_b,i) * r_b,i   // 配置效应
         + Σ w_b,i * (r_p,i - r_b,i)   // 选股效应
         + Σ (w_p,i - w_b,i) * (r_p,i - r_b,i)  // 交互效应

为什么会这样？

我习惯这么理解：

配置效应：你比基准多配了某个行业，如果这个行业基准收益好，你就赚了。这里用的是基准的行业收益，因为选股还没发生作用。
选股效应：在同一个行业里，你选的票比基准的票表现好。这里用的是基准的权重，因为配置还没变。
交互效应：你既多配了某个行业，又在这个行业里选对了票。两者叠加的效果。

核心公式（记住这个）：

超额收益 = 配置效应 + 选股效应 + 交互效应

2.3 一个具体的例子

光说公式太抽象。我们拿个真实数据跑一遍。

假设基准和组合的数据如下：

行业	基准权重	组合权重	基准收益	组合收益
科技	40%	60%	10%	15%
消费	60%	40%	5%	8%

先算基准总收益：

R_b = 0.4 * 10% + 0.6 * 5% = 4% + 3% = 7%

组合总收益：

R_p = 0.6 * 15% + 0.4 * 8% = 9% + 3.2% = 12.2%

超额收益 = 12.2% - 7% = 5.2%

现在拆解：

配置效应：

科技：(60% - 40%) * 10% = 2%
消费：(40% - 60%) * 5% = -1%
合计：2% - 1% = 1%

选股效应：

科技：40% * (15% - 10%) = 2%
消费：60% * (8% - 5%) = 1.8%
合计：2% + 1.8% = 3.8%

交互效应：

科技：(60% - 40%) * (15% - 10%) = 1%
消费：(40% - 60%) * (8% - 5%) = -0.6%
合计：1% - 0.6% = 0.4%

验证一下：1% + 3.8% + 0.4% = 5.2%。完美。

我的经验：交互效应往往被忽略。但在我做过的归因分析中，交互效应有时候能占到超额收益的10%-20%。尤其是当你在某个行业同时做超配和精选时，这个效应会很明显。别小看它。

2.4 交互效应到底要不要单独列出来？

这个问题，业内其实有争议。

有些模型把交互效应合并到配置效应里，有些合并到选股效应里。我个人习惯是单独列出来。原因很简单——

交互效应反映的是「配置和选股的协同作用」。如果你把交互效应合并了，你就看不出来到底是配置做得好，还是选股做得好，还是两者都好。

举个例子：

假设你超配了科技，同时科技里的选股也特别好。这时候交互效应是正的。如果你把它合并到配置效应里，配置效应会虚高。你可能会误以为「我配置能力很强」，但其实有一半功劳来自选股。

避坑指南：我曾经遇到过一个策略，超额收益很高，配置效应和选股效应都一般，但交互效应特别大。一开始我以为策略很牛，后来发现——是因为它在某个行业里同时做了极端超配和极端精选，风险非常集中。这种协同效应，其实是一把双刃剑。市场风格一变，交互效应可能瞬间变负。

2.5 知识体系框架图

下面这张图，帮你把本章的核心逻辑串起来：

2.6 几个容易踩的坑

讲完原理，说点实战中容易出问题的地方。

数据频率问题

Brinson模型对数据频率很敏感。如果你用日频数据做归因，交互效应可能会被放大。我建议至少用周频或月频。频率太高，噪声太多，归因结果反而不稳定。
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。我习惯用申万一级行业，因为覆盖全、更新快。但如果你做跨市场归因，GICS更合适。选定了就别轻易换，否则前后结果没法比。
交互效应的正负号

交互效应可以是正的，也可以是负的。如果你超配了一个行业，但在这个行业里选股很差，交互效应就是负的。这时候，配置效应和选股效应可能都是正的，但交互效应把超额收益吃掉了。嗯，这种情况我见过不少。

一句话总结：

Brinson模型的核心，就是把超额收益拆成三块——配置、选股、交互。每一块都有明确的数学含义和实际意义。搞懂了它，你就能回答那个灵魂拷问：我的超额收益，到底从哪来的？

公众号：蓝海数据掘金营，微信：deep3321

📚 课程目录