第四章 多期Brinson归因模型：从单期到多期的跨越

单期Brinson归因，说白了就是给某一特定时间段（比如一个月）的业绩拍一张快照。但投资是连续的过程，客户更关心的是「这一年你到底怎么赚的」。把单期结果简单累加？嗯，这里有个坑——交互效应会重复计算。

我刚开始做多期归因时，直接拿单期结果相加，结果发现总超额收益和实际对不上。后来才明白，多期归因的核心挑战在于：如何把各期的超额收益「干净地」链接起来。

4.1 多期归因的三大挑战

先说说为什么不能简单累加。假设组合两个月的数据：

月份	组合收益	基准收益	超额收益
1月	+10%	+5%	+5%
2月	-5%	-2%	-3%

简单相加：5% + (-3%) = 2%。但实际累计超额收益应该是 (1+10%)/(1+5%) × (1-5%)/(1-2%) - 1 ≈ 1.86%。差了0.14个百分点。这就是复利效应带来的偏差。

多期归因面临三个核心挑战：

• 复利扭曲：各期超额收益在复利作用下不能线性相加
• 交互效应漂移：单期的交互效应在多期链接中会「变形」
• 路径依赖：同样的单期结果，不同顺序会产生不同的累计值

4.2 链接算法：算术 vs 几何

解决多期链接问题，业界主要有两条路：算术链接和几何链接。我个人的习惯是：给客户汇报用算术，内部精细分析用几何。为什么？往下看。

4.2.1 算术链接（Arithmetic Linking）

算术链接的思路很直接：把各期超额收益按某种权重加权求和。最常用的是对数差分法：

# 算术链接 - 对数差分法
import numpy as np

def arithmetic_linking(period_returns, benchmark_returns):
    """
    period_returns: 各期组合收益列表
    benchmark_returns: 各期基准收益列表
    """
    excess_log = np.log(1 + np.array(period_returns)) - np.log(1 + np.array(benchmark_returns))
    total_excess = np.exp(np.sum(excess_log)) - 1
    return total_excess

# 示例
port = [0.10, -0.05, 0.03]
bench = [0.05, -0.02, 0.01]
print(f"算术链接超额收益: {arithmetic_linking(port, bench):.4%}")

算术链接的优点是可加性好——各期贡献加起来等于总超额。但缺点也很明显：权重依赖于基准收益的波动，解释起来有点绕。

4.2.2 几何链接（Geometric Linking）

几何链接更符合直觉：把超额收益看作一个独立的「超额因子」。

# 几何链接
def geometric_linking(period_returns, benchmark_returns):
    """
    几何链接：超额因子连乘
    """
    excess_factors = [(1+r_p)/(1+r_b) for r_p, r_b in zip(period_returns, benchmark_returns)]
    total_excess = np.prod(excess_factors) - 1
    return total_excess

port = [0.10, -0.05, 0.03]
bench = [0.05, -0.02, 0.01]
print(f"几何链接超额收益: {geometric_linking(port, bench):.4%}")

几何链接的优点是数学上干净——总超额就是各期超额因子的连乘积减1。但缺点也很要命：各期贡献不能直接相加，给客户解释时很费劲。

对比维度	算术链接	几何链接
数学形式	加权求和	连乘
可加性	✅ 各期贡献可加	❌ 不可直接相加
解释难度	中等（权重需说明）	较高（需理解因子概念）
适用场景	客户汇报、合规披露	内部精细分析、研究

4.3 Carino算法详解

有没有一种方法，既能保留算术链接的可加性，又能避免对数差分的权重问题？有，这就是Carino算法。我个人非常喜欢这个方法，它在实际项目中帮我解决了不少麻烦。

4.3.1 算法原理

Carino算法的核心思想是：用一个「缩放因子」把各期超额收益调整到同一个量纲下。具体来说：

1. 计算整个区间的总超额收益（几何链接）
2. 计算各期的「Carino因子」——该期收益对总收益的边际贡献
3. 用Carino因子缩放各期超额收益，使其加起来等于总超额

def carino_decomposition(period_returns, benchmark_returns):
    """
    Carino算法：将总超额收益分解到各期
    返回各期贡献和总超额
    """
    port = np.array(period_returns)
    bench = np.array(benchmark_returns)
    
    # 1. 计算总超额收益（几何）
    total_excess = np.prod((1+port)/(1+bench)) - 1
    
    # 2. 计算Carino因子
    # 公式：k_t = [ln(1+r_p,t) - ln(1+r_b,t)] / (r_p,t - r_b,t)
    # 当收益差为0时，k_t = 1/(1+r_p,t)
    diff = port - bench
    log_diff = np.log(1+port) - np.log(1+bench)
    
    # 处理除零情况
    k = np.where(np.abs(diff) > 1e-10, log_diff / diff, 1/(1+port))
    
    # 3. 计算总缩放因子
    total_k = np.sum(k * diff)
    
    # 4. 计算各期贡献
    contributions = (diff * k / total_k) * total_excess
    
    return contributions, total_excess

# 示例
port = [0.10, -0.05, 0.03]
bench = [0.05, -0.02, 0.01]
contrib, total = carino_decomposition(port, bench)
print(f"各期贡献: {contrib}")
print(f"总超额收益: {total:.4%}")
print(f"贡献之和: {np.sum(contrib):.4%}")

4.3.2 Carino算法的优势

• 完美可加：各期贡献之和严格等于总超额收益
• 无权重争议：不需要引入外部权重，完全由数据驱动
• 数学优雅：从对数收益的线性性质出发，逻辑自洽

4.3.3 实战案例：用Carino做多期Brinson归因

把Carino算法和Brinson模型结合，就能得到完整的多期归因结果。下面是一个完整的例子：

def multi_period_brinson(holdings, returns, benchmark_weights, benchmark_returns):
    """
    多期Brinson归因（Carino链接）
    
    参数：
    holdings: list of dict, 每期组合持仓权重
    returns: list of dict, 每期组合各板块收益
    benchmark_weights: dict, 基准权重（假设不变）
    benchmark_returns: list of dict, 每期基准各板块收益
    """
    n_periods = len(holdings)
    allocation = []
    selection = []
    interaction = []
    
    for t in range(n_periods):
        # 单期Brinson分解
        alloc_t = sum((holdings[t][s] - benchmark_weights[s]) * benchmark_returns[t][s] 
                      for s in holdings[t])
        selec_t = sum(benchmark_weights[s] * (returns[t][s] - benchmark_returns[t][s]) 
                      for s in returns[t])
        inter_t = sum((holdings[t][s] - benchmark_weights[s]) * 
                      (returns[t][s] - benchmark_returns[t][s]) 
                      for s in holdings[t])
        allocation.append(alloc_t)
        selection.append(selec_t)
        interaction.append(inter_t)
    
    # 用Carino链接各期
    port_returns = [sum(holdings[t][s] * returns[t][s] for s in holdings[t]) 
                    for t in range(n_periods)]
    bench_returns = [sum(benchmark_weights[s] * benchmark_returns[t][s] 
                         for s in benchmark_weights) 
                     for t in range(n_periods)]
    
    # 计算Carino因子
    diff = np.array(port_returns) - np.array(bench_returns)
    log_diff = np.log(1+np.array(port_returns)) - np.log(1+np.array(bench_returns))
    k = np.where(np.abs(diff) > 1e-10, log_diff / diff, 1/(1+np.array(port_returns)))
    
    total_k = np.sum(k * diff)
    total_excess = np.prod((1+np.array(port_returns))/(1+np.array(bench_returns))) - 1
    
    # 分解总超额
    alloc_total = np.sum(k * np.array(allocation)) / total_k * total_excess
    selec_total = np.sum(k * np.array(selection)) / total_k * total_excess
    inter_total = np.sum(k * np.array(interaction)) / total_k * total_excess
    
    return {
        'allocation': alloc_total,
        'selection': selec_total,
        'interaction': inter_total,
        'total_excess': total_excess
    }

4.4 多期归因知识体系

下面这张图总结了多期Brinson归因的核心脉络：

4.5 选型建议

说了这么多，到底该用哪种方法？我根据实际项目经验，给出几条建议：

• 给监管/客户看：用算术链接（对数差分法），简单易懂，合规部门也认可
• 内部投研分析：用Carino算法，精度高、可加性好，方便做多期对比
• 学术研究/策略回测：用几何链接，数学上最干净，避免任何人为权重干扰

多期归因没有「银弹」。理解每种方法的假设和局限，根据场景灵活选择，才是真正的专业能力。嗯，这一章的内容就到这里，希望对你有所帮助。