第4章 Campisi模型基础

4、Campisi模型基础：债券归因的独特逻辑、久期归因、利差归因、择时归因

聊到债券归因，很多人第一反应就是「算久期、算凸性」。嗯，这没错，但不够。

股票归因可以靠Barra模型，拆行业、拆风格因子。债券呢？债券的收益来源跟股票完全不一样。你想想看，债券的收益大头其实来自票息和利率变动，而不是什么「成长因子」或「价值因子」。

Campisi模型，就是专门为债券量身定做的归因框架。我个人习惯把它叫做「债券归因的教科书式解法」。今天我们就把它拆开揉碎了讲清楚。

  核心观点：Campisi模型将债券超额收益拆解为久期归因、利差归因和择时归因三部分。它解决了「债券收益到底从哪来」这个根本问题。

4.1 债券归因的独特逻辑

股票归因和债券归因，底层逻辑完全不同。

股票收益主要来自价格变动，而价格变动又来自公司基本面、市场情绪、行业轮动这些。债券呢？债券有明确的票息，有到期日，有信用评级。它的收益来源更「结构化」。

Campisi模型抓住了这个本质。它把债券的超额收益拆成三块：

久期归因：你赌对了利率方向吗？
利差归因：你选对了信用债吗？
择时归因：你踩对了买卖时点吗？

说白了，Campisi模型就是问三个问题：「利率变了吗？」「信用利差变了吗？」「你操作对了吗？」

我的经验：刚开始做债券归因时，我总想把股票那套因子模型直接搬过来用。结果发现完全不对路。债券的因子结构更简单，但数据质量要求更高——尤其是信用利差数据，一不小心就「脏」了。

4.2 久期归因：利率变动的「放大器」

久期归因，是Campisi模型里最基础、也最直观的一块。

它的逻辑很简单：如果基准利率变了，你的组合因为久期配置不同，会比基准多赚或少赚多少？

公式长这样：

久期归因 = (组合久期 - 基准久期) × (-基准利率变动)

举个例子：

组合久期 5.0，基准久期 4.0
基准利率下降 0.5%
久期归因 = (5.0 - 4.0) × (-(-0.5%)) = 1.0 × 0.5% = 0.5%

这意味着，因为你的组合比基准「更长久期」，在利率下行时，你多赚了0.5%。

注意：久期归因假设利率曲线是平行移动的。现实中利率曲线经常「扭曲」——短端涨、长端跌。这时候久期归因就不够用了，需要引入关键利率久期或凸性调整。

我曾经踩过一个坑：2019年某次归因分析，久期归因显示组合跑赢基准0.3%，但实际超额收益是负的。后来发现，问题出在凸性上——利率波动太大，久期近似失效了。从那以后，我每次做久期归因都会顺手算一下凸性贡献。

4.3 利差归因：信用债的「超额密码」

利差归因，说白了就是回答一个问题：你选的信用债，到底有没有给你带来超额收益？

利差归因可以进一步拆成两块：

信用利差变动归因：整个信用债市场利差变了，你因为配置了信用债，多赚或少赚了多少。
个券选择归因：在同类信用债里，你选的个券表现比同类好还是差。

公式上：

利差归因 = 组合信用利差暴露 × (-信用利差变动) + 个券选择残差

你想想看，如果整个市场信用利差收窄了50bp，你组合里信用债配得比基准多，那你就赚了。但如果你的个券踩雷了，信用利差反而走阔，那这部分收益就会被吃掉。

  实战要点：利差归因对数据频率很敏感。我建议用日频利差数据做归因，周频或月频会丢失很多细节。尤其是信用事件爆发时，一天之内利差可以跳几十个bp。

4.4 择时归因：你的「操作」值多少钱？

择时归因，是Campisi模型里最「性感」的一块。它衡量的是：你在不同时间点上的操作，到底创造了多少价值？

择时归因通常包含三个维度：

择时类型	含义	典型场景
久期择时	主动调整组合久期，赌利率方向	预期降息，拉长久期
期限结构择时	在利率曲线不同期限上做配置	做陡曲线：买短卖长
信用择时	主动调整信用债仓位	经济复苏期，加仓高收益债

择时归因的计算，核心是「持仓变动 × 后续收益」的逻辑。你上个月加仓了长久期债，这个月利率果然下了，那这部分收益就算作你的择时能力。

我的习惯：做择时归因时，我会把时间窗口切成「决策期」和「持有期」。比如每月调仓一次，那就把一个月切成两半——前半段是决策期，后半段是持有期。这样能更干净地分离出择时贡献。

4.5 一个完整的Campisi归因案例

光讲理论不过瘾，我们看个实际案例。

假设某债券组合，月度超额收益为1.2%。基准是国债指数。我们跑一下Campisi归因：

# 伪代码示例：Campisi归因计算
def campisi_attribution(portfolio, benchmark, rate_change, spread_change):
    # 久期归因
    dur_attr = (portfolio.duration - benchmark.duration) * (-rate_change)
    
    # 利差归因
    spread_attr = portfolio.credit_spread_exposure * (-spread_change)
    
    # 择时归因（简化版）
    timing_attr = portfolio.timing_score * 0.01  # 假设择时评分
    
    total_excess = dur_attr + spread_attr + timing_attr
    return total_excess

# 假设数据
result = campisi_attribution(
    portfolio={'duration': 4.5, 'credit_spread_exposure': 0.3, 'timing_score': 0.8},
    benchmark={'duration': 3.8},
    rate_change=-0.4,   # 利率下行40bp
    spread_change=-0.2  # 信用利差收窄20bp
)

print(f"久期归因: {0.28:.2%}")
print(f"利差归因: {0.06:.2%}")
print(f"择时归因: {0.80:.2%}")
print(f"总超额收益: {1.14:.2%}")

结果解读：

久期归因贡献了0.28%——因为组合久期比基准长，利率下行受益
利差归因贡献了0.06%——信用利差收窄，组合有信用债暴露
择时归因贡献了0.80%——基金经理的主动操作创造了主要价值

注意：实际归因中，择时归因往往和久期归因、利差归因有交叉。比如你加仓信用债，既影响了利差归因，也影响了择时归因。处理这种「交叉效应」时，我建议用顺序归因法——先算久期，再算利差，最后算择时，把交叉项归到最后一个因子。

4.6 避坑指南

做Campisi归因这几年，我踩过不少坑。挑几个典型的说说：

数据不同频：我曾经用日频的利率数据和周频的持仓数据做归因，结果对不上。后来统一用日频，问题解决。
忽略凸性：利率波动大的时候，久期归因误差很大。建议加上凸性调整项。
利差数据「脏」：信用利差数据来源不同，结果可能差很多。我习惯用同一家数据商的利差曲线，保持一致性。
择时归因过度拟合：择时归因很容易「做出」漂亮数字。要小心——真正的择时能力需要长期验证，一个月的数据说明不了什么。

嗯，Campisi模型的内容就这些。它不复杂，但很实用。你只要把久期、利差、择时这三块拆清楚，债券归因的基本功就算打牢了。

  一句话总结：Campisi模型就是债券归因的「三原色」——久期归因管利率方向，利差归因管信用选择，择时归因管操作时机。三色合一，才能画出完整的超额收益图景。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4、Campisi模型基础：债券归因的独特逻辑、久期归因、利差归因、择时归因

4.1 债券归因的独特逻辑

4.2 久期归因：利率变动的「放大器」

4.3 利差归因：信用债的「超额密码」

4.4 择时归因：你的「操作」值多少钱？

4.5 一个完整的Campisi归因案例

4.6 避坑指南