一、因果归因导论：量化策略的“为什么”
做量化这些年，我见过太多人盯着回测曲线傻乐。
曲线漂亮，就以为找到了圣杯。曲线回撤，就慌得一批。
其实，真正该问的问题是：这笔收益，到底从哪来的？
这就是我们今天要聊的——因果归因。
1.1 什么是因果归因？
说白了，因果归因就是搞清楚“为什么赚钱”。
你想想看，一个策略赚了钱，可能是运气好，可能是市场涨了，也可能是你真的发现了某种规律。因果归因，就是把这些可能性拆开，找到真正的驱动因素。
核心定义：因果归因是识别策略收益中，哪些来自系统性风险暴露（Beta），哪些来自主动管理能力（Alpha）的过程。
我个人习惯把这件事比作“拆礼物”。
你收到一个礼物盒，里面有钱。你得搞清楚：这钱是别人塞的（市场送的），还是你自己挣的（策略能力）。
1.2 为什么量化策略需要因果归因？
这个问题，我当年刚入行时也问过自己。
直到有一次，我写了一个看起来无敌的策略。回测年化30%，夏普2.5。我兴奋得不行，直接上实盘。
结果呢？三个月后亏了15%。
后来复盘才发现，那段时间刚好是科技股大牛市。我的策略其实就是在赌科技股涨。牛市一过，原形毕露。
这就是典型的伪Alpha——你以为是自己厉害，其实是市场在帮你。
所以，因果归因至少解决三个核心问题：
- 识别风险暴露：你的策略到底在承担什么风险？
- 评估策略能力：去掉市场因素，你还有多少超额收益？
- 优化策略设计：知道收益来源，才能有针对性地改进。
避坑指南：我曾经见过一个团队，策略回测五年年化20%，结果实盘一年就崩了。原因就是他们从来没做过因果归因，不知道收益全靠小市值因子撑着。小市值因子一失效，策略直接归零。
1.3 策略收益来源的经典分解：Alpha vs Beta
这是量化策略归因的基石。
我们把策略收益拆成两部分：
- Beta收益：来自市场系统性风险的补偿。比如你买了沪深300，赚的就是市场上涨的钱。
- Alpha收益：来自你主动选股、择时、套利等能力的超额收益。这才是量化策略真正的价值所在。
数学上，经典的分解公式是：
R_strategy = Beta * R_market + Alpha + ε其中：
- R_strategy：策略总收益
- Beta：策略对市场的敏感度
- R_market：市场收益
- Alpha：超额收益（截距项）
- ε：随机误差
嗯，这里要注意：Alpha不是免费的午餐。它需要你付出研究成本、交易成本、甚至承担模型风险。
1.4 一个简单的例子
假设你有一个策略，上个月赚了5%。同期沪深300涨了3%。
如果策略的Beta是1.2，那么：
- Beta贡献 = 1.2 * 3% = 3.6%
- Alpha贡献 = 5% - 3.6% = 1.4%
也就是说，5%的收益里，3.6%是市场送的，只有1.4%是你自己的本事。
这个例子虽然简单，但揭示了核心逻辑：别把Beta当Alpha。
1.5 知识体系框架
为了让你更直观地理解，我画了一张图：
这张图展示了因果归因的完整链条：从策略总收益出发，拆解为Beta和Alpha，再进一步追溯各自的来源，最后落到具体的分析工具上。
1.6 实际应用中的注意事项
做归因分析时，有几个坑我踩过，分享给你：
- 不要只看R²：高R²不一定代表好策略，可能只是Beta暴露太大。
- 注意时间窗口：短期归因和长期归因结果可能完全不同。我建议至少用3年以上的数据。
- 小心幸存者偏差：回测时只用了活下来的股票，归因结果会偏乐观。
- 区分统计显著和经济显著：一个因子可能统计上显著，但实际贡献很小，不值得交易。
我的经验：刚开始做归因时，我总喜欢把Alpha拆得越细越好。后来发现，拆得太细反而容易过拟合。现在我的原则是：能解释80%收益来源的因子就够了，剩下的20%就当运气。
1.7 小结
因果归因不是炫技，而是量化策略的“体检报告”。
它告诉你：你的策略到底在赚什么钱？这些钱能不能持续？
没有归因的策略，就像闭着眼睛开车。你可能会开得很快，但不知道下一秒会不会撞墙。
好了，这一章就到这里。记住：别把Beta当Alpha，别把运气当能力。
公众号:蓝海资料掘金营，微信deep3321