aifinlab 基金收益归因分析 (Fund Attribution Analysis)
基于Brinson模型和因子模型的基金收益归因分析工具。
功能概述
- Brinson归因: 资产配置效应、个股选择效应、交互效应
- 因子归因: 市场因子、价值因子、动量因子、规模因子等
- 风格归因: 成长/价值、大盘/小盘风格暴露
- 行业归因: 行业配置贡献、行业内选股贡献
- 选股能力分析: 超额收益分解、信息比率、择时能力
使用方法
命令行调用
# Brinson归因分析
fund-attribution --portfolio portfolio.json --benchmark 000300 --period 2024Q1
# 因子归因
fund-attribution --fund 000001 --factors value,momentum,size
# 风格分析
fund-attribution --style --fund 000001
Python API
from fund_attribution_analysis import AttributionAnalyzer
analyzer = AttributionAnalyzer()
# Brinson归因
result = analyzer.brinson_attribution(
portfolio_returns=pf_returns,
benchmark_returns=bm_returns,
portfolio_weights=pf_weights,
benchmark_weights=bm_weights
)
# 因子归因
result = analyzer.factor_attribution(
fund_code='000001',
factors=['value', 'momentum', 'size']
)
Brinson归因模型
经典Brinson模型
将超额收益分解为三个部分：
超额收益 = 资产配置效应 + 个股选择效应 + 交互效应
R_p - R_b = Σ(w_pi - w_bi) × R_bi [资产配置]
+ Σw_bi × (R_pi - R_bi) [个股选择]
+ Σ(w_pi - w_bi) × (R_pi - R_bi) [交互效应]
其中：
- w_pi: 组合中资产i的权重
- w_bi: 基准中资产i的权重
- R_pi: 组合中资产i的收益
- R_bi: 基准中资产i的收益
多期Brinson归因
几何归因:
(1 + R_p) / (1 + R_b) - 1 = 配置贡献 + 选择贡献 + 交互贡献
对数归因:
ln(1 + R_p) - ln(1 + R_b) = 配置效应 + 选择效应
因子归因模型
常见因子
| 因子 | 定义 | 计算方式 |
|---|---|---|
| 市场(MKT) | 市场风险暴露 | 市场组合收益 - 无风险利率 |
| 价值(HML) | 高减低价值因子 | 高BP组合收益 - 低BP组合收益 |
| 规模(SMB) | 小减大规模因子 | 小市值组合收益 - 大市值组合收益 |
| 动量(MOM) | 动量因子 | 过去12月高收益 - 过去12月低收益 |
| 质量(QUAL) | 质量因子 | 高ROE - 低ROE |
| 低波(LOWV) | 低波动因子 | 低波动组合 - 高波动组合 |
因子归因公式
R_p - R_f = α + β₁ × MKT + β₂ × HML + β₃ × SMB + β₄ × MOM + ε
解释度 = 1 - Var(ε) / Var(R_p)
输出格式
Brinson归因报告
{
"attribution_id": "ATTR_20260321_001",
"fund_code": "000001",
"fund_name": "华夏成长混合",
"period": "2024Q1",
"analysis_date": "2026-03-21",
"returns": {
"portfolio": 0.085,
"benchmark": 0.062,
"excess": 0.023
},
"brinson_attribution": {
"allocation_effect": 0.008,
"selection_effect": 0.012,
"interaction_effect": 0.003,
"total_excess": 0.023
},
"sector_attribution": [
{
"sector": "科技",
"portfolio_weight": 0.25,
"benchmark_weight": 0.15,
"portfolio_return": 0.12,
"benchmark_return": 0.08,
"allocation_effect": 0.004,
"selection_effect": 0.010,
"interaction_effect": 0.002
}
],
"conclusion": "超额收益主要来自选股能力，行业配置贡献较小"
}
示例
示例1: Brinson归因分析
输入:
分析基金000001相对于沪深300的Brinson归因
输出:
📊 Brinson归因分析报告
基金: 华夏成长混合 (000001)
对比基准: 沪深300指数 (000300)
分析区间: 2024Q1 (2024-01-01 ~ 2024-03-31)
收益表现:
组合收益: 8.5%
基准收益: 6.2%
超额收益: 2.3% ✅
归因分解:
资产配置效应: +0.8% (贡献35%)
个股选择效应: +1.2% (贡献52%) ⭐
交互效应: +0.3% (贡献13%)
─────────────────────────────
合计超额收益: +2.3%
行业归因:
科技:
超配 +10% × 基准收益8% = 配置贡献 +0.8%
组合收益12% - 基准8% = 选股贡献 +0.6%
金融:
低配 -5% × 基准收益4% = 配置贡献 -0.2%
组合收益3% - 基准4% = 选股贡献 -0.1%
结论:
✅ 基金经理选股能力突出
✅ 科技行业超配和选股均有正贡献
⚠️ 金融板块低配虽减少拖累但选股偏弱
示例2: 因子归因分析
输入:
分析基金的风格因子暴露
输出:
📊 因子归因分析报告
基金: 华夏成长混合 (000001)
分析区间: 2023-03-21 ~ 2026-03-21 (3年)
因子暴露:
暴露系数 t值 显著性
市场因子: 0.92 15.2 ***
价值因子: -0.35 -4.8 *** (偏向成长)
规模因子: 0.28 3.2 ** (偏向小盘)
动量因子: 0.15 2.1 * (有动量暴露)
质量因子: 0.42 5.6 ***
解释度: R² = 0.87 (模型解释87%的收益波动)
阿尔法: α = 2.3% (年化)
→ 剔除因子暴露后的纯主动收益
→ 信息比率: 0.85
风格画像:
成长型小盘质量股
偏好: 高成长 + 小市值 + 高质量
回避: 低估值价值股
风险提示:
⚠️ 成长风格暴露较高，风格切换时波动大
⚠️ 小盘暴露可能面临流动性风险
注意事项
- Brinson归因假设组合和基准成分已知
- 多期归因建议使用几何归因法
- 因子归因需要足够长的时间序列（建议2年以上）
- 归因结果受基准选择影响较大
- 交互效应通常较小，可合并到选股效应
- 注意区分运气和能力（需要多年数据验证）
依赖
numpy>=1.20.0
pandas>=1.3.0
scipy>=1.7.0
statsmodels>=0.13.0
作者
FinClaw - 上海财经大学金融研究工具