归因分析概述：什么是策略归因？为什么需要归因？
大家好，我是你们的老朋友。今天咱们聊聊策略归因。
说实话，我刚入行那会儿，对归因这事挺不屑的。觉得策略能赚钱就行，管它为什么赚呢？后来被市场狠狠教育了几次，才明白——不知道钱怎么赚来的，就不知道钱会怎么亏回去。
什么是策略归因？
简单说，策略归因就是拆解策略的收益来源。
你写了一个多因子模型，每天跑交易。月底一看，赚了5%。这时候你该问自己：这5%到底从哪来的？是选股选得好？还是择时踩对了？还是纯粹运气好？
归因分析，就是回答这些问题的工具。
核心定义：策略归因是将策略的总收益，按照不同的因子、行业、风格或交易行为进行分解，量化每个组成部分的贡献度。
我习惯把归因分成两类：
- 业绩归因：解释收益的来源（因子、行业、个股选择）
- 风险归因：解释风险的来源（波动率、回撤、因子暴露）
两者相辅相成。只看收益不看风险，容易翻车。
为什么需要归因？
这个问题我问过很多新人。答案五花八门，但核心就三点：
- 验证策略逻辑：你的策略到底有没有alpha？还是只是运气？
- 诊断策略问题：亏钱了，是因子失效了？还是模型过拟合了？
- 优化策略配置：哪些因子该加权重？哪些该砍掉？
我在项目中遇到过一件事，印象特别深。有个策略回测曲线漂亮得不行，年化30%，回撤不到5%。结果实盘三个月就开始亏钱。一归因才发现——回测里80%的收益来自小市值因子，而实盘时小市值正好在杀估值。你说这归因重不重要？
避坑指南：我曾经见过一个团队，策略亏了20%还不做归因，硬扛了半年。最后发现是行业暴露出了问题——重仓了某个周期性行业，而那个行业正好在走下坡路。如果早点做归因，至少能及时止损。
多因子归因的核心思想
多因子归因，说白了就是回答一个问题：每个因子赚了多少钱？
它的核心思想其实很简单：
- 把策略的持仓，拆解到各个因子上的暴露
- 计算每个因子带来的收益贡献
- 汇总得到总收益的分解
举个例子。假设你有一个三因子模型：价值、动量、质量。某个月策略赚了5%。归因后可能发现：
| 因子 | 因子暴露 | 因子收益 | 贡献收益 |
|---|---|---|---|
| 价值 | 0.8 | 2% | 1.6% |
| 动量 | 0.5 | 3% | 1.5% |
| 质量 | 0.3 | 1% | 0.3% |
| 总贡献 | 3.4% |
剩下的1.6%哪去了？可能是行业暴露、个股选择、或者残差项。这就是归因的价值——把模糊的收益，变成清晰的账本。
个人经验：我建议新手先从简单的单期归因做起。别一上来就搞复杂的多期归因。先把一个时间切片搞清楚，再考虑时间序列上的变化。否则容易陷入细节，反而看不清大局。
多因子归因的数学框架
嗯，这里要稍微上点硬菜了。但别怕，我会用大白话讲。
多因子归因的数学基础，其实就是线性回归。你想想看：
R_p = Σ(β_i × f_i) + ε其中：
- R_p 是策略收益
- β_i 是策略在第 i 个因子上的暴露
- f_i 是第 i 个因子的收益
- ε 是残差（无法被因子解释的部分）
说白了，就是把策略收益拆成两部分：因子能解释的和因子解释不了的。因子解释不了的，要么是alpha，要么是噪声。
我习惯用Python做归因，代码大概长这样：
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
# 假设我们有因子暴露矩阵和因子收益序列
# factor_exposures: 策略在各因子上的暴露 (n_factors,)
# factor_returns: 各因子的收益序列 (n_periods, n_factors)
def factor_attribution(factor_exposures, factor_returns):
"""
多因子归因分析
"""
# 计算因子贡献
factor_contribution = factor_exposures * factor_returns
# 总因子贡献
total_factor_return = np.sum(factor_contribution, axis=1)
# 残差 = 策略收益 - 因子贡献
residual = strategy_return - total_factor_return
return factor_contribution, residual这段代码虽然简单，但核心逻辑都在里面了。实际项目中，你还需要处理因子之间的相关性、多重共线性等问题。嗯，这些后面章节会细讲。
归因分析的常见误区
做了这么多年归因，我总结几个常见坑：
- 过度依赖R²：R²高不代表归因准，可能是因子太多过拟合了
- 忽略因子相关性：因子之间高度相关时，归因结果会不稳定
- 只看收益不看风险：归因不仅要看赚了多少，还要看承担了多少风险
我曾经踩过的坑：有一次做归因，发现某个因子贡献特别大，兴奋得不行。后来仔细一看，那个因子和另一个因子相关性高达0.9。说白了，两个因子在解释同一件事。这种时候，归因结果就不可靠了。
本章小结
好了，咱们来捋一捋这章的核心：
- 策略归因就是拆解收益来源
- 归因能帮你验证逻辑、诊断问题、优化配置
- 多因子归因的核心是线性分解，把收益拆到每个因子上
- 注意因子相关性和风险调整，别被表面数字骗了
我个人觉得，归因分析是量化策略里最容易被忽视，但也是最值得花时间研究的环节。你想想看，一个策略能不能持续赚钱，关键不在于它赚了多少，而在于你知不知道它为什么赚。
下一章，咱们会深入讲归因的具体方法。今天先到这，消化一下。