2. 归因方法分类：Brinson归因、Campisi归因、多因子归因、风险归因的对比

绩效归因的核心在于将投资组合的超额收益或风险拆解为可解释的驱动因素。不同的归因方法服务于不同的资产类别、投资策略与管理目标。本节系统对比四种主流归因方法：Brinson归因、Campisi归因、多因子归因与风险归因，帮助你在实际项目中正确选择与切分数据。

2.1 四种归因方法的核心逻辑

下表从适用资产、归因维度、输入数据与输出结果四个维度进行横向对比：

2.2 Brinson归因：权益组合的经典框架

Brinson归因将超额收益分解为三个部分：

• 资产配置效应： 组合相对于基准在各行业/板块的权重偏离带来的收益。
• 个股选择效应： 在同一行业内，组合持有股票相对于基准指数的超额收益。
• 交互效应： 配置与选择同时偏离产生的交叉贡献（通常归入选择效应或单独列示）。

数学表达（以行业为例）：

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

其中，W_p_i 为组合在行业 i 的权重，W_b_i 为基准权重，R_p_i 与 R_b_i 分别为组合与基准在行业 i 的收益率。

2.3 Campisi归因：固收归因的行业标准

Campisi归因专门针对债券组合，将收益分解为：

• 久期管理效应： 组合久期相对于基准的偏离带来的收益。
• 期限结构效应： 收益率曲线非平行移动（陡峭/平坦化）带来的收益。
• 信用利差效应： 信用利差变化带来的收益。
• 择券效应： 个券选择带来的残差收益。

2.4 多因子归因：量化策略的归因利器

多因子归因基于线性因子模型，将组合收益分解为：

R_p - R_f = Σ β_k × F_k + α + ε

• β_k：组合在因子 k 上的暴露（因子载荷）。
• F_k：因子 k 的收益率（如市场、规模、价值、动量等）。
• α：选股能力带来的超额收益（Alpha）。
• ε：特质收益残差。

多因子归因的输入数据要求：

• 因子收益率序列： 需从全市场截面回归或因子模拟组合计算。
• 组合因子暴露： 每日或每月更新，通常通过持仓加权计算。
• 回归窗口： 常用36个月或60个月滚动回归估计因子载荷。

2.5 风险归因：从收益到风险的视角转换

风险归因不关注收益来源，而是将组合总风险（波动率）分解到各个风险因子与个股。核心指标包括：

• 边际风险贡献（MRC）： 每增加1单位权重对组合风险的边际影响。
• 风险贡献（RC）： 各因子或个股对总风险的绝对贡献百分比。
• 风险分解： 系统性风险（因子风险） vs 特质风险（个股风险）。

风险归因的数学基础：

组合方差 σ²_p = w' Σ w
因子风险贡献 = (w' Σ_factor w) / σ²_p
特质风险贡献 = (w' Σ_specific w) / σ²_p

其中，Σ 为协方差矩阵，Σ_factor 为因子协方差部分，Σ_specific 为特质协方差部分。

2.6 四种归因方法的对比总览

以下SVG图从数据需求、计算逻辑与输出维度三个层面，展示四种归因方法的整体对比框架：

2.7 方法选择与数据切分建议

在实际项目中，选择哪种归因方法取决于以下因素：

• 资产类型： 股票组合首选Brinson；债券组合首选Campisi；量化策略首选多因子；全资产风控首选风险归因。
• 数据粒度： 持仓归因需要日频持仓快照；因子归因需要日频或周频因子收益率；风险归因需要协方差矩阵估计窗口（通常60~120个交易日）。
• 计算频率： Brinson与Campisi通常按月或季计算；多因子归因可按日或周滚动；风险归因按日更新。