1. 绩效归因模型概述
1.1 绩效归因的定义
绩效归因（Performance Attribution）是一种将投资组合的总超额收益分解为多个可解释来源的分析方法。其核心目标是回答一个关键问题：“组合相对于基准的超额收益，究竟来自哪些决策？”
通过归因分析，投资经理可以量化资产配置、行业选择、个股选择、货币敞口、久期管理、信用利差等不同维度对收益的贡献，从而识别投资流程中的优势环节与薄弱环节。
核心公式： 超额收益 = 配置效应 + 选择效应 + 交互效应（Brinson 模型框架）
1.2 常见归因模型对比
不同资产类别和投资策略适用不同的归因模型。下表总结了三种主流模型的适用场景与核心逻辑：
| 模型名称 | 适用资产 | 核心分解维度 | 关键假设 |
|---|---|---|---|
| Brinson 模型 | 股票、多资产 | 资产配置、行业/板块选择、个股选择 | 基准权重已知，线性分解 |
| Campisi 模型 | 固定收益 | 久期管理、期限结构、信用利差、择券 | 收益率曲线平行移动假设 |
| Carino 模型 | 多币种、多资产 | 货币配置、资产配置、证券选择 | 对数收益近似，跨期可加性 |
1.3 Brinson 模型详解
Brinson 模型是最经典的权益归因框架，将超额收益分解为三个部分：
- 配置效应（Allocation Effect）： 组合在各板块的权重偏离基准带来的收益贡献。
- 选择效应（Selection Effect）： 组合在各板块内选股表现优于基准带来的收益贡献。
- 交互效应（Interaction Effect）： 权重偏离与选股能力共同作用产生的交叉项。
数学表达：
其中：w_pi = 组合在板块 i 的权重，w_bi = 基准在板块 i 的权重，R_pi = 组合在板块 i 的收益，R_bi = 基准在板块 i 的收益，R_b = 基准总收益。
R_p - R_b = Σ (w_pi - w_bi) × (R_bi - R_b) + Σ w_bi × (R_pi - R_bi) + Σ (w_pi - w_bi) × (R_pi - R_bi)其中：w_pi = 组合在板块 i 的权重，w_bi = 基准在板块 i 的权重，R_pi = 组合在板块 i 的收益，R_bi = 基准在板块 i 的收益，R_b = 基准总收益。
1.4 Campisi 模型详解
Campisi 模型专门用于固定收益归因，将债券组合的超额收益分解为：
- 久期效应： 组合久期偏离基准带来的收益贡献。
- 期限结构效应： 收益率曲线非平行移动（如陡峭化、平坦化）带来的收益贡献。
- 信用利差效应： 信用利差变化带来的收益贡献。
- 择券效应： 个券选择带来的残差收益。
注意： Campisi 模型对收益率曲线平行移动假设敏感。当曲线发生大幅扭曲时，久期效应和期限结构效应的分解可能失真。在机器学习样本切分中，需要特别注意包含曲线形态变化的样本区间。
1.5 归因分析在投资管理中的价值
绩效归因不仅是事后评价工具，更是投资流程优化的核心引擎。其价值体现在以下五个维度：
| 价值维度 | 具体作用 | 典型应用场景 |
|---|---|---|
| 投资决策复盘 | 量化每个决策环节的贡献 | 季度投资回顾会议 |
| 基金经理评估 | 区分运气与能力 | 年度绩效考核、续聘决策 |
| 风险归因联动 | 识别收益来源对应的风险暴露 | 风险预算分配、VaR 分解 |
| 策略一致性检验 | 验证实际持仓是否匹配策略描述 | 合规检查、投资指引监控 |
| 机器学习特征工程 | 归因因子可作为预测模型的输入特征 | 超额收益预测、风格轮动模型 |
1.6 归因模型与样本切分的关联
在机器学习驱动的绩效归因模型训练中，样本切分策略直接影响归因结果的稳定性和泛化能力。关键考量包括：
- 时间序列依赖性： 归因数据具有强时序自相关，不能简单随机切分，需采用时间序列交叉验证或滚动窗口切分。
- 市场状态覆盖： 训练集需包含牛市、熊市、震荡市等不同市场状态，避免模型只在特定环境下有效。
- 因子暴露稳定性： 归因因子（如行业因子、风格因子）的协方差结构随时间变化，切分时需考虑因子暴露的平稳性。
- 避免未来信息泄露： 严格按时间顺序划分训练集、验证集和测试集，确保模型不会“看到”未来数据。
课程预告： 本章后续将深入探讨如何针对绩效归因模型的特点，设计合理的样本切分策略，包括时间序列交叉验证、事件驱动切分、市场状态分层采样等高级技巧。