3. 绩效归因基础：Brinson模型与多因子归因模型
绩效归因是连接投资决策与最终收益的桥梁。在基于VaR的训练集切分中，理解归因模型能帮助我们识别不同市场环境下收益来源的稳定性，从而设计出更鲁棒的数据划分策略。本节聚焦两种最主流的归因框架：Brinson模型（基于持仓的截面归因）与多因子归因模型（基于风险因子的时序归因）。
3.1 Brinson模型：从资产配置到个股选择
Brinson模型将组合超额收益分解为三个独立且可加的成分：配置效应（Asset Allocation）、选股效应（Stock Selection）以及交互效应（Interaction）。其核心思想是：将实际组合的行业权重与基准权重对比，同时将各行业内实际个股收益与基准收益对比。
3.1.1 数学表达
设基准有 \(N\) 个行业，\(w_{p,i}\) 为组合在行业 \(i\) 的权重，\(w_{b,i}\) 为基准权重；\(r_{p,i}\) 为组合在行业 \(i\) 内的收益率，\(r_{b,i}\) 为基准行业收益率。则组合总超额收益 \(R_{excess}\) 可分解为：
R_excess = Σ_i [ (w_{p,i} - w_{b,i}) × r_{b,i} ] // 配置效应
+ Σ_i [ w_{b,i} × (r_{p,i} - r_{b,i}) ] // 选股效应
+ Σ_i [ (w_{p,i} - w_{b,i}) × (r_{p,i} - r_{b,i}) ] // 交互效应- 配置效应：衡量行业权重偏离基准带来的收益贡献。若组合超配了表现好的行业，该效应为正。
- 选股效应：衡量在基准权重下，行业内个股选择能力带来的超额收益。
- 交互效应：衡量配置与选股的协同作用。当组合超配某行业且在该行业选股也成功时，交互效应为正。
3.1.2 Brinson归因流程
下图展示了Brinson模型从组合与基准数据输入到效应分解的完整流程：
3.2 多因子归因模型：从风险因子到收益分解
多因子归因模型将组合收益分解为对一系列系统性风险因子的暴露贡献。与Brinson模型不同，它不依赖行业分类，而是基于因子载荷（Factor Loadings）和因子收益率（Factor Returns）。常见的因子包括市场因子、规模因子、价值因子、动量因子等。
3.2.1 数学表达
假设组合收益 \(R_p\) 由 \(K\) 个因子驱动，则多因子模型可写为：
R_p = α + Σ_{k=1}^{K} β_{p,k} × f_k + ε_p其中：
- \(β_{p,k}\)：组合对因子 \(k\) 的暴露（因子载荷），通常通过时间序列回归或截面回归估计。
- \(f_k\)：因子 \(k\) 在当期的收益率（因子模拟组合收益）。
- \(α\)：不能被因子解释的收益，即选股能力或特异收益。
- \(ε_p\)：残差项，代表个股特异性波动。
归因时，将组合超额收益分解为：
R_excess = Σ_k (β_{p,k} - β_{b,k}) × f_k // 因子配置效应
+ α_p - α_b // 选股效应（Alpha）其中 \(β_{b,k}\) 为基准组合对因子 \(k\) 的暴露。因子配置效应衡量组合相对于基准的因子偏离带来的收益贡献。
3.2.2 Brinson模型 vs 多因子归因模型
| 对比维度 | Brinson模型 | 多因子归因模型 |
|---|---|---|
| 分解维度 | 行业/资产类别 | 风险因子（市场、规模、价值等） |
| 数据需求 | 组合与基准的行业权重、行业收益 | 因子收益率序列、组合因子暴露 |
| 归因成分 | 配置效应、选股效应、交互效应 | 因子配置效应、Alpha |
| 适用场景 | 主动管理、行业轮动策略 | 量化策略、风险预算、对冲基金 |
| 与VaR切分关联 | 识别行业配置的稳定性 | 识别因子暴露的时变性 |
3.3 多因子归因的因子选择与估计
在实际应用中，因子选择直接影响归因结果的可靠性。常用的因子包括：
- 市场因子（MKT）：市场组合超额收益，代表系统性风险。
- 规模因子（SMB）：小盘股减大盘股收益，代表规模溢价。
- 价值因子（HML）：高账面市值比减低账面市值比收益，代表价值溢价。
- 动量因子（MOM）：过去赢家减过去输家收益，代表趋势效应。
3.3.1 多因子归因计算示例
假设某组合与基准对三个因子的暴露如下：
| 因子 | 因子收益率 \(f_k\) | 组合暴露 \(β_{p,k}\) | 基准暴露 \(β_{b,k}\) | 暴露差 | 因子配置贡献 |
|---|---|---|---|---|---|
| 市场因子 | 2.0% | 1.10 | 1.00 | 0.10 | 0.20% |
| 规模因子 | 0.5% | 0.20 | 0.00 | 0.20 | 0.10% |
| 价值因子 | -0.3% | -0.10 | 0.10 | -0.20 | 0.06% |
| 合计 | 0.36% |
若组合Alpha为0.15%，基准Alpha为0.00%，则总超额收益 = 0.36% + 0.15% = 0.51%。
3.4 归因模型在VaR训练集切分中的应用
归因模型为训练集切分提供了两个关键视角：
- 收益结构稳定性检验：通过Brinson模型或因子归因，检验不同时间窗口内配置效应与选股效应的比例是否稳定。若比例发生剧烈变化，说明市场环境或投资策略发生转变，应以此作为切分点。
- 因子暴露突变检测：多因子归因中因子暴露的突变点往往对应市场风格切换。将这些突变点作为切分边界，可以保证每个训练集内因子暴露相对同质，提升VaR模型的预测稳定性。
下图展示了归因模型如何辅助训练集切分决策：
3.5 本节小结
- Brinson模型将超额收益分解为配置效应、选股效应和交互效应，适用于行业层面的归因分析。
- 多因子归因模型将收益分解为因子配置效应和Alpha，适用于风险因子驱动的策略归因。
- 两种模型在VaR训练集切分中均可用于检测收益结构的稳定性，识别市场环境或策略风格的突变点。
- 归因结果应结合滚动窗口估计，避免前视偏差，确保切分决策的时效性和可靠性。