4、时序归因分析：滚动窗口归因、事件驱动归因、状态切换归因

时序归因，说白了就是回答一个问题：“策略的收益，到底是哪个时间段、哪个事件、哪种市场状态贡献的？”

我刚开始做归因时，犯过一个低级错误——直接用全样本跑一次归因，结果发现某个因子贡献了80%的收益。后来复盘才发现，那80%全集中在某三个月里，其他时间这个因子根本就是负贡献。嗯，从那以后，我再也不敢忽略时序维度了。

这一章，我们聊三种实战中最常用的时序归因方法：滚动窗口、事件驱动、状态切换。它们解决的是不同场景下的归因问题，但核心逻辑是一致的——把时间切开，看局部。

4.1 滚动窗口归因：看因子贡献的稳定性

滚动窗口归因，是我个人最常用的诊断手段。它的思路很简单：固定一个窗口长度（比如60个交易日），每次滑动一步，重新做一次归因。这样你就能看到每个因子的贡献率随时间的变化曲线。

为什么要这么做？因为全样本归因会掩盖一个事实——因子的表现可能是不稳定的。上半年是Alpha，下半年可能就是Beta了。

我在项目中遇到过这样一个案例：一个动量因子策略，全样本夏普比1.8，看起来很不错。但滚动窗口归因一跑，发现2023年Q3之后，动量因子的贡献率从60%直接掉到了10%以下。后来发现是市场风格切换了。如果不做滚动归因，你根本不知道这个因子已经“失效”了。

代码实现上，我习惯这样写：

import pandas as pd
import numpy as np
from statsmodels.api import OLS, add_constant

def rolling_factor_attribution(returns, factors, window=60):
    """
    滚动窗口因子归因
    returns: 策略日收益率序列
    factors: 因子收益率DataFrame
    window: 滚动窗口长度
    """
    n = len(returns)
    result = []
    
    for i in range(window, n):
        # 取窗口数据
        y = returns.iloc[i-window:i]
        X = add_constant(factors.iloc[i-window:i])
        
        # OLS回归
        model = OLS(y, X).fit()
        
        # 记录因子贡献
        contrib = model.params[1:] * factors.iloc[i-1:i].values[0]
        result.append({
            'date': returns.index[i],
            **{f'contrib_{col}': contrib[j] for j, col in enumerate(factors.columns)}
        })
    
    return pd.DataFrame(result).set_index('date')

你想想看，滚动窗口归因最大的价值是什么？是帮你识别因子的“保质期”。一个因子能稳定贡献多久？什么时候开始衰减？这些信息对调仓决策至关重要。

4.2 事件驱动归因：抓关键节点的归因

事件驱动归因，解决的是另一个问题：“某个重大事件发生后，策略的收益来源发生了什么变化？”

举个例子。美联储加息、财报发布、政策出台——这些事件前后，市场结构可能发生剧变。全样本归因会把事件前后的表现混在一起，你看不出事件的影响。

我建议的做法是：以事件日为锚点，取前后各一段窗口（比如前后各30天），分别做归因，然后对比。这叫“事件前后对比归因”。

我曾经用这个方法诊断过一个CTA策略。策略在2022年俄乌冲突后突然回撤了15%。事件驱动归因一分析，发现冲突前策略主要靠趋势因子赚钱，冲突后趋势因子贡献率从70%掉到了-20%，而波动率因子贡献率从10%飙到了50%。说白了，市场从趋势市变成了震荡市，策略没跟上节奏。

代码实现上，我习惯这样写：

def event_driven_attribution(returns, factors, event_dates, window=30):
    """
    事件驱动归因
    returns: 策略日收益率序列
    factors: 因子收益率DataFrame
    event_dates: 事件日期列表
    window: 事件前后窗口长度
    """
    results = []
    
    for event_date in event_dates:
        # 取事件前后窗口
        pre_start = event_date - pd.Timedelta(days=window)
        post_end = event_date + pd.Timedelta(days=window)
        
        pre_returns = returns.loc[pre_start:event_date]
        pre_factors = factors.loc[pre_start:event_date]
        post_returns = returns.loc[event_date:post_end]
        post_factors = factors.loc[event_date:post_end]
        
        # 分别做归因
        pre_model = OLS(pre_returns, add_constant(pre_factors)).fit()
        post_model = OLS(post_returns, add_constant(post_factors)).fit()
        
        # 计算贡献率变化
        contrib_change = post_model.params[1:] - pre_model.params[1:]
        
        results.append({
            'event_date': event_date,
            **{f'change_{col}': contrib_change[i] for i, col in enumerate(factors.columns)}
        })
    
    return pd.DataFrame(results).set_index('event_date')

事件驱动归因还有一个变体——事件累积归因。就是把多个同类事件（比如所有加息日）的归因结果做平均，看这类事件的“平均影响”。这个方法在宏观策略中特别有用。

4.3 状态切换归因：按市场状态切分

状态切换归因，是我认为最接近“因果推断”的方法。它的思路是：先识别市场状态（牛市/熊市、高波动/低波动、趋势市/震荡市），然后按状态分别做归因。

为什么要这么做？因为同一个因子在不同市场状态下的表现可能截然不同。比如低波动因子在熊市里是避风港，在牛市里可能就是拖油瓶。

我个人习惯用HMM（隐马尔可夫模型）来做状态识别。当然，你也可以用更简单的方法——比如用波动率分位数、趋势强度指标来划分状态。

举个例子。我用HMM把市场分成三个状态：低波动趋势市、高波动震荡市、危机模式。然后分别跑归因。结果发现：

市场状态	动量因子贡献	价值因子贡献	波动率因子贡献
低波动趋势市	65%	15%	20%
高波动震荡市	-10%	40%	70%
危机模式	-30%	60%	70%

你看，动量因子在趋势市里是王者，到了震荡市和危机模式就变成了负贡献。这个信息对策略的“状态自适应”设计非常关键。

代码实现上，我习惯用HMM：

from hmmlearn import hmm

def state_switching_attribution(returns, factors, n_states=3):
    """
    状态切换归因
    returns: 策略日收益率序列
    factors: 因子收益率DataFrame
    n_states: 状态数量
    """
    # 用HMM识别市场状态
    model = hmm.GaussianHMM(n_components=n_states, covariance_type="full")
    model.fit(factors.values)
    states = model.predict(factors.values)
    
    # 分状态归因
    results = {}
    for state in range(n_states):
        mask = (states == state)
        state_returns = returns[mask]
        state_factors = factors[mask]
        
        if len(state_returns) < 20:  # 样本太少就跳过
            continue
            
        reg = OLS(state_returns, add_constant(state_factors)).fit()
        results[f'state_{state}'] = {
            'contributions': reg.params[1:],
            'n_samples': len(state_returns),
            'r_squared': reg.rsquared
        }
    
    return results, states

状态切换归因还有一个进阶用法——状态转移归因。就是看策略在状态切换时的表现。比如从趋势市切换到震荡市时，策略的收益来源如何变化？这个分析能帮你设计“状态自适应”的调仓逻辑。

4.4 三种方法的对比与选择

说了这么多，你可能会问：这三种方法到底什么时候用？我整理了一个对比表：

方法	适用场景	核心问题	输出形式
滚动窗口归因	因子稳定性诊断	因子贡献随时间如何变化？	时间序列图
事件驱动归因	重大事件影响分析	事件前后因子贡献有何变化？	对比表格
状态切换归因	市场状态适应性分析	不同状态下因子贡献有何差异？	状态-贡献矩阵

我个人习惯的组合是：先用滚动窗口归因做“体检”，发现异常时间段；然后用事件驱动归因定位具体事件；最后用状态切换归因解释根本原因。三步走，基本能把策略的时序行为说清楚。

嗯，这一章的内容就到这里。时序归因的核心就一句话：不要只看整体，要切开看局部。 你想想看，一个策略的收益来源如果随时间变化很大，那全样本归因的结果就是“平均的谎言”。只有把时间维度加进来，归因才有真正的诊断价值。

---