1. 课程导论：组合风险绩效归因的意义、SQL 在金融分析中的角色、课程目标与前置知识
1.1 为什么需要组合风险绩效归因？
在资产管理中，仅仅知道“赚了多少钱”或“亏了多少钱”远远不够。投资组合的收益与风险是硬币的两面，管理者必须回答三个核心问题：
- 收益从何而来？ 是资产配置的贡献，还是个股/个券选择的贡献？
- 风险暴露在哪里？ 组合对利率、信用、权益、汇率等因子的敏感度有多高？
- 绩效是否与风险匹配？ 超额收益是否足以补偿承担的额外风险？
组合风险绩效归因 正是回答上述问题的系统方法论。它将组合的总收益和总风险拆解为多个可解释的组成部分，帮助投资经理、风控人员和机构投资者：
- 识别投资决策的优劣环节
- 监控组合的风险因子暴露是否偏离授权范围
- 优化资产配置与个券选择流程
- 满足监管与合规的透明化报告要求
核心观点： 没有归因的绩效报告只是“流水账”；只有通过归因，才能将结果与决策过程关联，形成可复用的投资洞见。
1.2 SQL 在金融分析中的独特角色
传统的风险绩效归因工具（如 Excel、Bloomberg PORT、Barra、Axioma）虽然功能强大，但在处理大规模、多维度、跨系统的数据时往往面临瓶颈。SQL 作为数据查询与操作的标准语言，在金融分析中扮演着不可替代的角色：
| 维度 | 传统工具局限 | SQL 优势 |
|---|---|---|
| 数据规模 | 百万行以上时 Excel 卡顿，专用系统需额外许可 | 原生处理亿级行，分布式引擎（如 Spark SQL）可扩展 |
| 数据整合 | 多源数据需手动拼接，易出错 | JOIN / UNION 直接关联交易、估值、因子、基准表 |
| 计算灵活性 | 归因模型固化，修改需依赖 IT | 窗口函数、CTE、自定义聚合可灵活实现 Brinson、Campisi 等模型 |
| 可审计性 | 公式散落在单元格中，难以追溯 | SQL 脚本版本可控，逻辑集中，便于复核 |
| 自动化 | 手动刷新，定时任务配置复杂 | 可嵌入调度系统（Airflow / Cron），每日自动产出归因报表 |
适用场景： 本课程假设你已拥有组合持仓表、基准权重表、因子收益率表等基础数据。SQL 将作为“归因计算引擎”，把原始数据转化为可决策的绩效归因报告。
1.3 课程目标与学习路径
本课程旨在帮助金融量化从业者、数据分析师和风控人员，掌握使用 SQL 实现组合风险绩效归因的完整技能栈。完成本课程后，你将能够：
- 理解主流归因模型：Brinson 绩效归因、Campisi 债券归因、风险因子归因（如 Barra 风格因子）的数学原理。
- 用 SQL 实现归因计算：熟练运用窗口函数、自连接、CTE、数组函数等高级技巧，将归因公式转化为可执行的查询。
- 构建风险绩效仪表板：产出归因瀑布图、风险暴露热力图、边际贡献表等核心输出。
- 建立可复用的归因流水线：设计参数化 SQL 脚本，支持多组合、多频次、多基准的自动化归因。
前置知识要求：
- 基础 SQL：SELECT、JOIN、GROUP BY、HAVING、ORDER BY
- 基础金融概念：组合收益率、基准收益率、超额收益、波动率、跟踪误差
- 了解窗口函数（ROW_NUMBER、SUM OVER、LAG）更佳，但非强制
1.4 归因体系全景图
下图展示了本课程覆盖的归因体系结构，以及 SQL 在其中的计算位置：
1.5 课程章节速览
本课程共 30 章，按“基础 → 模型 → 实战 → 优化”四阶段组织：
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1–6 章 | 归因概念、SQL 环境搭建、基础数据表设计、窗口函数与聚合技巧 |
| 模型篇 | 第 7–18 章 | Brinson 归因、Campisi 归因、风险因子归因、多期归因、货币归因 |
| 实战篇 | 第 19–25 章 | 归因流水线构建、自动化调度、异常检测、归因报告可视化 |
| 优化篇 | 第 26–30 章 | 性能调优、大数据量处理、自定义归因模型、课程总结与进阶路径 |
注意： 本课程所有 SQL 示例均基于 PostgreSQL 语法，但核心逻辑（窗口函数、CTE、JOIN）在 MySQL 8.0+、SQL Server、Snowflake、BigQuery 中同样适用。部分数据库特有的数组函数或 QUALIFY 子句会单独标注。
1.6 一个简单的归因计算预览
在正式进入模型之前，我们先通过一个极简的 Brinson 归因片段，感受 SQL 如何实现“配置效应”与“选择效应”的计算：
-- 计算行业层面的配置效应与选择效应（Brinson 单期模型）
WITH
portfolio_weight AS (
SELECT sector, SUM(market_value) / SUM(SUM(market_value)) OVER () AS w_p
FROM portfolio_holdings
WHERE date = '2024-12-31'
GROUP BY sector
),
benchmark_weight AS (
SELECT sector, SUM(market_value) / SUM(SUM(market_value)) OVER () AS w_b
FROM benchmark_holdings
WHERE date = '2024-12-31'
GROUP BY sector
),
sector_return AS (
SELECT sector,
SUM(return * weight) / SUM(weight) AS r_p, -- 组合行业收益率
AVG(return) AS r_b -- 基准行业收益率
FROM sector_daily_return
WHERE date BETWEEN '2024-01-01' AND '2024-12-31'
GROUP BY sector
)
SELECT
p.sector,
(w_p - w_b) * (r_b - AVG(r_b) OVER ()) AS allocation_effect,
w_p * (r_p - r_b) AS selection_effect
FROM portfolio_weight p
JOIN benchmark_weight b ON p.sector = b.sector
JOIN sector_return s ON p.sector = s.sector;