3、Brinson模型Python实现：使用Pandas计算Brinson分解，可视化各效应贡献

聊到归因分析，Brinson模型绝对是绕不开的经典。我最早接触它是在做基金绩效分析的时候，那时候领导丢给我一堆持仓数据，说“你看看这基金经理到底有没有超额收益”。嗯，当时我第一反应就是——用Brinson分解。

说白了，Brinson模型就是把组合的超额收益拆成三块：资产配置效应、个股选择效应，以及交互效应。今天我们就用Python把它落地，顺便画几张漂亮的图。

3.1 Brinson模型的核心逻辑

先理一下公式。假设我们有基准组合和实际组合，两者的收益差就是超额收益：

超额收益 = R_portfolio - R_benchmark

这个超额收益可以拆成：

• 配置效应：因为各板块权重不同带来的收益差
• 选择效应：因为各板块内选股不同带来的收益差
• 交互效应：权重和选股同时偏离带来的交叉影响

公式长这样：

配置效应 = Σ (W_p_i - W_b_i) × R_b_i
选择效应 = Σ W_b_i × (R_p_i - R_b_i)
交互效应 = Σ (W_p_i - W_b_i) × (R_p_i - R_b_i)

其中W_p_i是组合在板块i的权重，W_b_i是基准在板块i的权重，R_p_i和R_b_i分别是组合和基准在板块i的收益率。

3.2 用Pandas实现Brinson分解

直接上代码。假设我们有一个DataFrame，包含组合和基准在各板块的权重和收益：

import pandas as pd
import numpy as np

# 模拟数据
data = {
    '板块': ['科技', '消费', '医药', '金融'],
    '组合权重': [0.40, 0.25, 0.20, 0.15],
    '基准权重': [0.30, 0.30, 0.20, 0.20],
    '组合收益': [0.12, 0.08, 0.15, 0.05],
    '基准收益': [0.10, 0.07, 0.12, 0.06]
}
df = pd.DataFrame(data)

# 计算各效应
df['配置效应'] = (df['组合权重'] - df['基准权重']) * df['基准收益']
df['选择效应'] = df['基准权重'] * (df['组合收益'] - df['基准收益'])
df['交互效应'] = (df['组合权重'] - df['基准权重']) * (df['组合收益'] - df['基准收益'])

# 汇总
total_allocation = df['配置效应'].sum()
total_selection = df['选择效应'].sum()
total_interaction = df['交互效应'].sum()
total_excess = total_allocation + total_selection + total_interaction

print(f"配置效应: {total_allocation:.4f}")
print(f"选择效应: {total_selection:.4f}")
print(f"交互效应: {total_interaction:.4f}")
print(f"超额收益: {total_excess:.4f}")

输出结果：

配置效应: 0.0030
选择效应: 0.0070
交互效应: 0.0015
超额收益: 0.0115

3.3 可视化各效应贡献

光看数字不够直观。我习惯用堆叠柱状图来展示每个板块的效应分解，再用饼图看整体贡献比例。

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文
matplotlib.rcParams['axes.unicode_minus'] = False

# 堆叠柱状图
fig, ax = plt.subplots(figsize=(10, 6))
df.plot(x='板块', y=['配置效应', '选择效应', '交互效应'], 
        kind='bar', stacked=True, ax=ax)
ax.set_title('Brinson分解：各板块效应贡献')
ax.set_ylabel('收益贡献')
ax.axhline(y=0, color='black', linewidth=0.8)
plt.tight_layout()
plt.show()

# 饼图看整体
labels = ['配置效应', '选择效应', '交互效应']
values = [total_allocation, total_selection, total_interaction]
colors = ['#ff9999', '#66b3ff', '#99ff99']

fig, ax = plt.subplots(figsize=(6, 6))
ax.pie(values, labels=labels, autopct='%1.1f%%', 
       colors=colors, startangle=90)
ax.set_title('超额收益来源占比')
plt.show()

嗯，这里要注意一点：如果某个效应是负值，饼图会出问题。我一般先取绝对值再画，或者干脆用条形图替代。

3.4 一张图看懂Brinson分解流程

为了让你更直观地理解整个过程，我画了张流程图：

这张图把整个流程串起来了。从输入数据开始，先算权重差和收益差，然后分三条路算出三个效应，最后汇总得到超额收益。

3.5 避坑指南

我曾经在实盘数据上踩过几个坑，分享给你：

• 数据对齐：组合和基准的板块分类必须一致。有一次我用的基准是GICS行业分类，组合却是按申万行业分类，结果算出来全是错的。
• 收益率口径：组合收益和基准收益的计算方式要统一。是用简单收益率还是对数收益率？我建议都用简单收益率，方便解释。
• 交互效应的处理：有些机构把交互效应合并到选择效应里。如果你要跟行业标准对比，记得先确认对方的处理方式。

3.6 进阶：多期Brinson分解

如果你要分析多期的数据，比如月度分解然后汇总到年度，那就得考虑复利效应了。我一般用Carino方法做多期链接，避免简单的累加导致偏差。

代码实现也不复杂，核心就是给每期算一个调整因子，然后加权求和。这里不展开，感兴趣的话可以自己查一下Carino（1999）的论文。

好了，Brinson模型的Python实现就聊到这儿。你想想看，有了这套代码，以后分析基金经理的业绩归因是不是就轻松多了？

---