第二章 基准选择与构建：如何选择合理的业绩基准？
做绩效归因，第一步不是跑代码，而是选基准。
我见过太多团队，模型跑得飞起，归因结果一塌糊涂。为什么？基准选错了。你想想看，拿沪深300去衡量一个中小盘基金，那归因出来的超额收益，说白了就是风格错配，根本不是基金经理的能力。
这一章，我们就来聊聊基准这件事。我会把我在实战中踩过的坑、总结的经验，都摊开来讲。
2.1 基准的本质：你究竟在和谁比？
基准，就是一把尺子。你用它来量你的投资组合跑赢了多少，跑输了多少。
但这里有个关键问题：这把尺子本身得对。你不能拿一把歪尺子去量东西，对吧？
我个人习惯把基准分为三类：
- 市场指数：比如沪深300、中证500、标普500。这是最常用的，代表整个市场的平均表现。
- 自定义基准：根据你的投资策略，自己构建一个组合。比如“50%沪深300 + 50%中证500”。
- 无风险利率：通常用国债收益率或SHIBOR。用来衡量你的组合是否跑赢了“躺平”的收益。
这三类基准，各有各的适用场景。我们一个一个来看。
2.2 市场指数：最省事，但最危险
市场指数是新手最爱用的基准。为什么？因为现成的，不用动脑子。
但我在项目中遇到过一个问题：一个做消费行业轮动的私募，拿沪深300做基准。结果归因出来，超额收益全是负的。后来一查，沪深300里金融和白酒权重太高，消费轮动策略根本跑不赢它。这不是策略的问题，是基准选错了。
所以，用市场指数做基准，你得先确认两件事：
- 风格匹配：你的组合是偏大盘、中盘还是小盘？基准指数必须对应。
- 行业分布：你的组合行业权重和基准是否接近？如果偏离太大，超额收益可能来自行业赌注，而不是选股能力。
2.3 自定义基准：更精准，但更麻烦
当市场指数无法满足你的需求时，就该自己动手了。
我习惯的做法是：先确定你的投资策略暴露了哪些风险因子，然后根据这些因子来构建基准。
举个例子：
- 你的策略是“低波动 + 高股息”。
- 那么基准可以是“50%中证红利指数 + 50%中证低波动指数”。
- 或者更精细一点，用多因子模型算出每个因子的权重，然后构建一个因子模拟组合。
构建自定义基准时，有几点要注意：
| 步骤 | 说明 | 我的经验 |
|---|---|---|
| 1. 确定因子暴露 | 分析你的策略主要依赖哪些因子（市值、价值、动量等） | 我习惯用Barra模型跑一遍，看看因子载荷 |
| 2. 选择底层指数 | 为每个因子选一个对应的指数或ETF | 别选太冷门的，流动性差的数据容易失真 |
| 3. 确定权重 | 可以用回归法，也可以用等权或市值加权 | 我建议用滚动回归，每季度调整一次权重 |
| 4. 定期再平衡 | 基准也需要定期调整，保持和策略一致 | 再平衡频率要和策略保持一致，别偷懒 |
2.4 无风险利率：最基础，但最容易被忽略
无风险利率，说白了就是你什么都不做，把钱放银行能赚多少。
在绩效归因里，无风险利率通常用来计算超额收益和夏普比率。但很多人会忽略一个问题：无风险利率的期限选择。
我遇到过的情况：
- 一个做短期交易的策略，用10年期国债收益率做无风险利率。
- 结果夏普比率算出来特别高，因为短期利率和长期利率差太多了。
- 这明显不合理。短期策略应该用SHIBOR 1周或1个月，而不是长期国债。
所以，选择无风险利率时，记住一个原则：匹配你的投资期限。
| 投资期限 | 推荐无风险利率 | 原因 |
|---|---|---|
| 日内/高频 | 隔夜拆借利率 | 资金成本按天算 |
| 短期（1-3个月） | SHIBOR 1M/3M | 匹配资金占用周期 |
| 中期（6-12个月） | 国债收益率 1Y | 流动性好，风险低 |
| 长期（1年以上） | 国债收益率 10Y | 长期资金成本参考 |
2.5 基准选择的完整流程
说了这么多，到底该怎么选？我总结了一个流程，你可以照着做。
这个流程看起来简单，但每一步都有坑。我重点说两个：
- 回测验证：构建好基准后，一定要回测。看看基准的历史表现是否合理，有没有出现极端值。我遇到过基准在某个时间段突然暴涨，后来发现是数据源出了问题。
- 定期再平衡：基准不是一成不变的。你的策略在进化，基准也得跟着调整。我习惯每季度检查一次，看看因子暴露有没有漂移。
2.6 一个实战案例
最后，我分享一个真实的案例。
之前帮一个量化团队做归因分析。他们的策略是“多因子选股 + 行业中性”。
一开始，他们用沪深300做基准。结果归因出来，超额收益波动很大，而且行业贡献总是负的。
我一看，问题出在基准上。沪深300的行业权重和他们的组合差异太大。比如，他们超配了医药，低配了金融，但沪深300里金融权重很高。
后来，我帮他们构建了一个自定义基准：
# 自定义基准构建示例（Python伪代码）
import pandas as pd
# 确定因子暴露
factor_exposure = {
'市值': 0.3,
'价值': 0.2,
'动量': 0.2,
'质量': 0.15,
'低波': 0.15
}
# 选择底层指数
indices = {
'市值': '中证500',
'价值': '中证价值',
'动量': '中证动量',
'质量': '中证质量',
'低波': '中证低波'
}
# 构建基准
benchmark_weights = factor_exposure
# 实际代码会涉及指数收益率获取、加权计算等
# 这里只展示逻辑
调整基准后，归因结果变得清晰了。超额收益主要来自选股能力，而不是行业赌注。团队终于能放心地根据归因结果调整策略了。
嗯，这一章就到这里。基准选好了，下一步才能谈归因。记住，基准是你的锚，锚稳了，船才不会偏。