单期Brinson归因模型：拆解超额收益的“手术刀”

各位同学，欢迎来到第三章。前两章我们聊了为什么要做归因，以及最基础的收益分解逻辑。从这章开始，我们要正式接触量化投资领域最经典、最常用的归因框架——Brinson模型。

说实话，我在刚入行那会儿，第一次看到Brinson模型的公式，第一反应是：“这不就是个加减法吗？” 但真正在实盘里跑过几轮之后，我才发现，这个“加减法”背后藏着不少门道。你想想看，基金经理的业绩到底是怎么来的？是押对了行业，还是选对了股票？Brinson模型就是用来回答这个问题的。

Brinson模型的数学原理：从“总超额”到“三块拼图”

我们先从最朴素的逻辑出发。假设你是一个基金经理，你的组合跑赢了基准。这个超额收益，说白了，来自两个地方：

• 资产配置：你在某些行业上比基准“多配”或“少配”了。
• 个股选择：你在同一个行业里，挑的股票比基准指数里的股票表现更好。

但问题来了，这两件事不是完全独立的。你多配了某个行业，恰好这个行业里的股票你又选得好，那这个收益算谁的？Brinson模型很聪明，它把超额收益拆成了三块：资产配置效应、个股选择效应，以及一个交互效应（也就是上面说的交叉项）。

数学上，我们这样定义：

• \( w_{pi} \)：组合在行业 \( i \) 上的权重
• \( w_{bi} \)：基准在行业 \( i \) 上的权重
• \( R_{pi} \)：组合在行业 \( i \) 内的收益率
• \( R_{bi} \)：基准在行业 \( i \) 内的收益率

那么，组合的总超额收益 \( R_p - R_b \) 可以写成：

超额收益 = Σ [ (w_pi - w_bi) × (R_bi - R_b) ]   // 资产配置效应
         + Σ [ w_bi × (R_pi - R_bi) ]             // 个股选择效应
         + Σ [ (w_pi - w_bi) × (R_pi - R_bi) ]    // 交互效应

嗯，这里要注意。很多初学者会问：“为什么个股选择效应要用基准权重 \( w_{bi} \) 去乘，而不是组合权重？” 我个人习惯这样理解：个股选择效应衡量的是“在基准配置水平上，你选的股票有多牛”。如果你用组合权重去乘，那就把配置的影响也混进去了。

资产配置效应：你赌对方向了吗？

资产配置效应，衡量的是权重偏离带来的收益。公式是：

资产配置效应 = Σ [ (w_pi - w_bi) × (R_bi - R_b) ]

这个公式怎么理解？我举个例子。假设基准里银行板块权重是20%，你配了30%，多配了10%。如果银行板块本身跑赢了基准（比如基准涨了5%，银行涨了8%），那么你多配的这10%就给你带来了正贡献。反过来，如果银行板块跑输了基准，你多配就是“帮倒忙”。

我在项目中遇到过一种情况：有个组合在某个季度配置效应特别高，基金经理很得意。结果我一算，他是在一个波动极大的行业上做了方向性押注，虽然赚了钱，但风险敞口也放得很大。所以，配置效应高不一定代表能力强，也可能是运气好。

个股选择效应：你的选股眼光如何？

个股选择效应，衡量的是在同一行业内，你选的股票比基准股票强多少。公式是：

个股选择效应 = Σ [ w_bi × (R_pi - R_bi) ]

注意，这里用的是基准权重 \( w_{bi} \)。为什么？因为我们要剔除配置的影响。假设你在医药行业配了10%（和基准一样），但你选的医药股涨了15%，基准医药股只涨了10%，那么你的选股贡献就是 10% × (15% - 10%) = 0.5%。

如果你在某个行业上配置很少，即使你选股能力再强，对总体的贡献也有限。这就是为什么很多量化基金喜欢在权重大的行业里做选股——因为“杠杆效应”更明显。

我个人习惯在分析个股选择效应时，先看行业内的收益差，再看权重。如果某个行业收益差很大但权重很小，那这个选股能力其实是被“浪费”了。

交互效应：配置与选股的“化学反应”

交互效应，是Brinson模型里最容易被忽略、也最容易引起争议的部分。公式是：

交互效应 = Σ [ (w_pi - w_bi) × (R_pi - R_bi) ]

这个项的含义是：你在某个行业上既多配了，又选对了股票，那么这两件事叠加产生的额外收益。

举个例子。你在科技行业多配了5%，同时你选的科技股比基准科技股多涨了3%。那么交互效应就是 5% × 3% = 0.15%。这笔收益既不能完全算作配置的功劳，也不能完全算作选股的功劳，它是两者协同的结果。

在实际工作中，交互效应可正可负。如果配置和选股方向一致（都做对了），交互效应为正；如果方向相反（比如多配了但选股很差），交互效应为负。

一张图看懂Brinson归因逻辑

下面我用一张SVG图，把整个Brinson归因的流程和三个效应的关系画出来。你可以把它当作一个“思维导图”来记。

一个完整的计算示例

光讲理论太干，我们直接上一个例子。假设基准只有两个行业：消费和科技。数据如下：

行业	组合权重 w_p	基准权重 w_b	组合收益 R_p	基准收益 R_b
消费	60%	50%	8%	6%
科技	40%	50%	12%	10%

基准总收益 R_b = 50% × 6% + 50% × 10% = 8%。

现在我们来算三个效应：

1. 资产配置效应：
   • 消费：(60% - 50%) × (6% - 8%) = 10% × (-2%) = -0.2%
   • 科技：(40% - 50%) × (10% - 8%) = -10% × 2% = -0.2%
   • 合计：-0.4%
2. 个股选择效应：
   • 消费：50% × (8% - 6%) = 50% × 2% = 1.0%
   • 科技：50% × (12% - 10%) = 50% × 2% = 1.0%
   • 合计：2.0%
3. 交互效应：
   • 消费：(60% - 50%) × (8% - 6%) = 10% × 2% = 0.2%
   • 科技：(40% - 50%) × (12% - 10%) = -10% × 2% = -0.2%
   • 合计：0.0%

总超额收益 = 组合收益 - 基准收益 = (60%×8% + 40%×12%) - 8% = (4.8% + 4.8%) - 8% = 1.6%。

验证一下：-0.4% + 2.0% + 0.0% = 1.6%。完美对上。

使用Brinson模型时的几个常见坑

最后，我根据自己的经验，列几个实战中容易踩的坑：

• 数据频率问题：Brinson模型是“单期”模型，如果你用日频数据算，然后简单加总到月频，会有“复利效应”导致的误差。我建议至少用周频或月频数据做一期归因。
• 行业分类的颗粒度：分类太粗，选股效应会被掩盖；分类太细，交互效应会变得很大，难以解释。我个人习惯用申万一级行业或GICS行业分类。
• 现金处理：如果组合里有现金仓位，而基准没有，现金的收益通常很低。这时候配置效应会显示“低配现金”是正贡献，但这其实只是杠杆效应。要小心解读。
• 交互效应的归属：有些机构把交互效应归入选股，有些归入配置，有些单独列示。我建议单独列示，因为它能反映基金经理的“协同操作”能力。