3、绩效归因进阶：多期归因模型、多因子归因模型、风险调整后收益归因
单期归因模型（如 Brinson 模型）只能反映单一持有期的超额收益来源，无法处理资金流变动、复利效应与跨期交互。本节从三个维度构建进阶归因体系：多期归因模型解决时间聚合问题，多因子归因模型将风险暴露纳入收益分解，风险调整后收益归因则统一衡量收益与风险贡献。
3.1 多期归因模型：时间维度的精确分解
多期归因的核心挑战在于：各期收益率的简单加总无法反映复利效应，且资金流入/流出会扭曲权重计算。主流方法包括 IC（内部收益率法）、修正 Dietz 法与 时间加权收益率（TWR） 归因。以下对比三种方法的适用场景：
| 方法 | 核心逻辑 | 资金流敏感性 | 适用场景 |
|---|---|---|---|
| IC 归因 | 求解使 NPV=0 的折现率，逐期分解 IRR 差异 | 高（受现金流时间点影响大） | 私募股权、不动产等非流动性资产 |
| 修正 Dietz 归因 | 按资金流入/流出时间加权调整期初权重 | 中（需记录每笔现金流日期） | 日频或周频调仓的委托组合 |
| TWR 归因 | 将全区间拆分为子区间，各子区间收益率连乘 | 低（消除资金流影响） | 公募基金、养老金等标准化业绩披露 |
实操要点：多期归因必须保持“几何链接”而非“算术加总”。例如，两期超额收益分别为 +5% 和 -3%，几何链接超额 = (1+5%)×(1-3%) - 1 ≈ 1.85%，而非 5% - 3% = 2%。Brinson 多期扩展通常采用 Carino 平滑法或 Frongello 法来分配交互效应。
3.2 多因子归因模型：风险暴露的收益分解
多因子归因将组合收益分解为 因子暴露收益（系统风险补偿）与 特质收益（选股/择时能力）。常用框架包括 Fama-French 五因子、Barra 风险模型及宏观因子模型。核心公式为：
R_p - R_f = Σ(β_pk × F_k) + α_p + ε_p
其中：
R_p = 组合收益率
R_f = 无风险利率
β_pk = 组合对因子 k 的暴露（因子载荷）
F_k = 因子 k 的收益率（因子溢价）
α_p = 选股/择时带来的超额收益（Alpha）
ε_p = 残差项（特质波动）
人群切片视角：多因子归因天然适合“人群切片”场景——将投资者按因子暴露聚类（如“高价值-低动量”人群、“高成长-高波动”人群），然后比较不同人群的因子贡献差异。例如，某切片人群的 Alpha 显著为正但因子暴露集中在 Size 因子，说明其超额收益主要来自小盘股暴露而非选股能力。
以下表格展示典型因子归因的输出结构：
| 因子名称 | 组合暴露 β | 因子收益率 F | 因子贡献 β×F | 贡献占比 |
|---|---|---|---|---|
| 市场因子 (MKT) | 1.05 | +8.2% | +8.61% | 62.3% |
| 规模因子 (SMB) | 0.32 | +3.5% | +1.12% | 8.1% |
| 价值因子 (HML) | -0.18 | +4.1% | -0.74% | -5.4% |
| 动量因子 (MOM) | 0.45 | +2.8% | +1.26% | 9.1% |
| 特质 Alpha | — | — | +3.57% | 25.9% |
| 总超额收益 | — | — | +13.82% | 100% |
3.3 风险调整后收益归因：收益与风险的统一度量
传统归因只分解收益，忽略了风险承担。风险调整后收益归因将超额收益除以某种风险度量，得到“单位风险的超额收益贡献”。常用指标包括：
- 夏普比率归因：将组合夏普比率分解为各因子夏普比率与暴露的加权和，公式为 SR_p = Σ(w_k × SR_k × ρ_{k,p})，其中 ρ 为因子与组合的相关系数。
- 信息比率归因：将信息比率分解为“选股信息比率”与“择时信息比率”，适用于主动管理组合。
- Sortino 比率归因：仅考虑下行波动率，适合非正态收益分布的场景。
常见误区：风险调整后归因不能直接套用 Brinson 的加法分解。例如，组合夏普比率并不等于各资产夏普比率的加权平均，因为资产间相关性会影响组合波动率。正确的做法是使用 边际风险贡献（MRC） 或 风险预算归因 来分配风险调整后收益。
3.4 三种进阶归因的对比与选择
在实际项目中，三种归因模型并非互斥，而是形成互补分析链。以下表格帮助决策：
| 维度 | 多期归因 | 多因子归因 | 风险调整后归因 |
|---|---|---|---|
| 核心问题 | 收益如何随时间累积？ | 收益来自哪些风险因子？ | 单位风险创造了多少收益？ |
| 输入数据 | 各期权重、收益率、现金流 | 因子暴露、因子收益率 | 收益分解 + 风险分解 |
| 输出结果 | 各期配置/选股贡献的几何和 | 因子贡献 + Alpha | 风险调整后因子贡献 + 风险调整后 Alpha |
| 人群切片适用性 | 高（可对比不同人群的跨期行为） | 高（可聚类人群的因子偏好） | 中（需额外计算风险指标） |
| 计算复杂度 | 中 | 高（需估计因子暴露） | 高 |
人群切片复盘建议：先使用多期归因识别不同人群的“时间序列行为差异”（如某人群在季末调仓更频繁），再用多因子归因解释其收益来源（如该人群偏好动量因子），最后用风险调整后归因评估其“风险效率”（如该人群的夏普比率是否显著高于其他人群）。三层递进，形成完整的归因叙事。