业绩归因：赚的钱到底从哪来

年底结账，账户一年涨了 25%。你翻着自己的交易记录，觉得那几笔重仓买得挺准，心里已经开始盘算明年要不要把仓位加一倍。

先别急。同一年，你天天看的那个宽基指数涨了 22%。

这个数字一摆出来，故事就完全变了。你真正靠自己挣到的，只有 3 个百分点——而且这 3 个点里，可能还有一大半来自「你恰好重仓了当年最强的那个行业」，跟你在这个行业里挑了哪几只票，关系没你想的那么大。

业绩归因要回答的就是这一件事：这笔钱，具体是谁挣的。

先说人话：把功劳拆开

想象你开了家餐厅，第一年就赚钱了。你的第一反应大概是「我的菜做得好」。

可仔细想想，这一年里发生了这么几件事：整条商业街的人流比去年翻了一倍；你所在的这个品类（比如烤肉）刚好是这一年最火的；隔壁那家老店年中关门了，客人分流过来一批；另外你自己确实把出品稳住了，回头客不少。

现在问题来了：明年你想在另一条街开第二家店，能不能复制这份成功？

如果你不知道这四份功劳各占多少，你就没法回答。 全靠人流红利，换条街就完了；全靠品类风口，风口一过就完了；只有那份「出品稳」是你真正带得走的东西。

投资里一模一样。你账户里那条向上的曲线，至少混着这么几股力量：整个市场在涨、你重仓的行业在涨、你在行业里挑的那几只比同行强、以及——纯粹的运气。这四样长得完全一样，都表现为账户数字变大。不把它们拆开，你就是在拿一个自己不理解的结果，去下下一次的注。

投资层：不做归因，你会怎么犯错

把 beta 当成 alpha

先把两个词说清楚，很简单。beta 是「跟着大盘一起动的那部分」——大盘涨你也涨，跟你选了什么关系不大；alpha 是「不跟大盘的那部分」，也就是扣掉市场之后，真正属于你的超出部分。这两个概念本身值得单独展开，可以看 beta 与 alpha。

不做归因最典型的错误，就是把 beta 记在自己账上。牛市里人人都是股神，这句玩笑话的技术含义是：牛市里 beta 那一份非常大，足以淹没掉所有人的水平差异。等市场停下来，beta 归零，剩下的才是你自己的东西——很多人第一次看清自己的水平，是在这个时候。

判断的第一道门槛，是先找一个合适的基准（跟你风格接近的一个指数或组合，用来当参照系），把它减掉。这一步的讲究不少，基准与超额 那篇专门谈这个。

把「押对了行业」当成「选股准」

这是更隐蔽的一层。假设你去年重仓某个行业，那个行业整体涨了 40%，你选的几只票涨了 35%。你的账户很好看，但真相是：你在那个行业里的选股是负贡献——闭着眼睛买这个行业的平均，反而比你挑的强。

你从这一年真正应该学到的经验是「我的行业判断可能有点东西」，而不是「我会挑票」。如果你搞反了，明年你会在一个自己没优势的地方加大投入。

把交易摩擦忘掉

买卖是要花钱的。手续费、印花税、买卖价差、下大单把价格推动带来的冲击——这些统称交易成本。它们在账户曲线上不会单独显示，只会让你的曲线整体矮一截。

一套年化超额 5% 的方法，如果换手很高（频繁买进卖出），成本很可能就吃掉三四个点。这时候归因表里的「成本」那一行，比选股那一行重要得多。这块的坑非常多，见 交易成本假设。

把运气当成能力

最后一份最难对付：运气不会在任何归因表里单独列出来。 它藏在每一项里面。你唯一能做的是问「这一项稳不稳」——它是靠很多笔小胜积累的，还是靠一两笔大赚顶起来的？换个时间段还在不在？

系统层：真实系统里的归因长什么样

Brinson 四象限：把「配置」和「选股」分开

qlib 里有一个专门做这件事的模块（qlib/backtest/profit_attribution.py）。开门见山说一句：这个文件的第一行注释写着它维护得不算好，所以下面讲的是它体现的方法本身，不是推荐你直接拿去用。方法比代码活得久，这也是归因这个话题的常态——它是个几十年的老方法。

它的做法叫 Brinson 归因，核心是一个二乘二的表格。你先把所有股票按某个维度分组（默认用行业，也可以用市值等其它字段，这些都是可配置参数），然后组装四个数：

Q1 = (bench_group_weight_df * bench_group_ret_df).sum(axis=1)
Q2 = (port_group_weight_df  * bench_group_ret_df).sum(axis=1)
Q3 = (bench_group_weight_df * mod_port_group_ret_df).sum(axis=1)
Q4 = (port_group_weight_df  * mod_port_group_ret_df).sum(axis=1)

看着像天书，翻成人话其实特别直白。每个数都是「每个组分配了多少钱 × 这个组挣了多少」再加总，区别只在于这两个东西各自用谁的：

	用基准的组内收益	用你的组内收益
用基准的组权重	Q1：你什么都不做	Q3：只有选股是你的
用你的组权重	Q2：只有配置是你的	Q4：你的真实结果

有了这四个数，功劳就能减出来：

"RAA":    Q2 - Q1,              # 配置贡献
"RSS":    Q3 - Q1,              # 选股贡献
"RIN":    Q4 - Q3 - Q2 + Q1,    # 两者的交互
"RTotal": Q4 - Q1,              # 总超额

• RAA（配置） = 你把钱在各行业之间怎么摆，带来了多少超额。它假装你在每个行业里都只拿了这个行业的平均水平，这样就把「挑票」的影响剥掉了。
• RSS（选股） = 你在每个行业内部挑的那几只，比这个行业平均强多少。它假装你的行业权重跟基准一样，这样就把「押行业」的影响剥掉了。
• RIN（交互） = 一个容易被忽略但很有意思的项：你恰好在自己选股最强的那个行业里超配了。这份钱既不能算纯配置，也不能算纯选股，它是两者相乘出来的。
• 三项加起来正好等于 RTotal，这是个恒等式，不是巧合。

还有个实现细节值得看，因为它暴露了这套方法的一个隐含约定。如果某个行业你一股都没买，你在这个行业的收益是没有定义的，代码把它填成了基准在这个行业的收益：

mod_port_group_ret_df[mod_port_group_ret_df.isna()] = bench_group_ret_df

意思是「你没碰的地方，就当你拿了个平均」。这么处理是为了让配置项和选股项能干净分离——空仓一个行业属于配置决策，不该被记进选股账上。

换个维度分组，就变成风格归因

同一套框架，把「行业」换成别的字段，问的问题就完全不一样了。qlib 支持另一种分组方式：不按类别分，而是按数值切档。

split_points = np.percentile(bench_values[~bench_values.isna()], np.linspace(0, 100, group_n + 1))

注意 bench_values——分档的切点是拿基准的成分算的，不是拿你自己的持仓算的。 这一点是整个设计的关键：只有用同一把尺子，才谈得上「相对基准偏了多少」。

按市值切五档，你就能看出自己的钱是不是系统性地压在小盘上；按某个估值指标切档，你就能看出自己是不是一直在买便宜货。很多人以为自己在「精选个股」，归因一做才发现，自己八成的超额来自一个长期的风格暴露——那不是选股能力，那是在赌一种风格不要熄火。

成本单独占一行

qlib 的报告层还做了另一种拆法。风险分析表里并排两行：

analysis["excess_return_without_cost"] = risk_analysis(report_normal_df["return"] - report_normal_df["bench"])
analysis["excess_return_with_cost"] = risk_analysis(
    report_normal_df["return"] - report_normal_df["bench"] - report_normal_df["cost"]
)

一行不扣成本，一行扣。两行之差，就是交易摩擦从你身上拿走的全部。 曲线图那边同样是成对画的：累计收益画两条（含成本、不含成本），累计超额也画两条，连回撤都分别算两遍。

这种「什么都画两遍」的做法看着啰嗦，用意很实在：让你一眼看见成本这一层有多厚。如果两条线越拉越开，说明问题不在你的判断，在你的换手频率上——那是 调仓频率 的事，改选股逻辑没用。

小账户版：按标签分组

上面那套需要成分股权重数据，个人很难拿到。freqtrade 走的是另一条更接地气的路——它不做数学分解，它做分组统计。

回测跑完，它会一口气产出好几张表：按品种一张，按入场标签一张（你给每种买入理由起的名字），按离场原因一张（止盈、止损、跟踪止损、信号反转、超时强平各算各的），还有一张是入场标签和离场原因交叉的。每张表都是同一个套路：按这个字段分组，每组算一行指标，最后追加一行 TOTAL。

for tags, group in results.groupby(tag_type):
    tabular_data.append(_generate_result_line(group, min_date, max_date, starting_balance, tags))

它还能按日、按周、按月再拆一遍。

朴素，但威力不小。这几张表能直接回答一串你平时不敢问自己的问题：

• 去掉表现最好的那一个品种，整体还赚钱吗？（如果不赚，你做的其实是一笔集中押注，不是一套方法。）
• 你标了三种入场理由，哪一种真的赚钱？很可能只有一种在挣钱，另外两种一直在亏，只是被第一种盖住了。
• 你的钱是止盈拿到的，还是止损扛回来的？如果绝大部分利润来自「超时强平」这类兜底出口，说明你的离场规则基本没起作用，赚钱靠的是持有时间碰巧够长。
• 按月拆开，是每个月都赚一点，还是全年就靠某两个月？

失效边界与常见误用

基准选错，整张表全废。 归因的每一个数都是相对基准算的。拿一个宽基指数去归因一套只做小盘股的方法，你会得到一个巨大的「配置贡献」，可那不是能力，那只是两个东西压根不可比。

分组维度决定了你能看见什么。 只按行业分组，风格暴露就完全隐形——你会把「一直押小盘」误读成选股能力。反过来，同时按太多维度切，每组只剩几只股票，得出的数噪音大于信号。

归因是描述，不是因果。 表里写「配置贡献 +5%」，说的是「按这套分组口径算出来是 5%」，不是「你的行业判断创造了 5%」。同一段业绩换个分组方式，功劳分布会明显不一样，这是这类方法的固有性质，不是 bug。

单期归因不能简单相加。 收益是乘起来的，归因项是每期分别算的，把多期的分解结果直接加总会和实际总超额对不上。上游代码给出的是逐日的分解序列，怎么跨期汇总是另一个问题，处理不好就会自己骗自己。

别只看归因，不看波动。 一样是 +5% 的超额，一路稳着来的和坐了两趟过山车的，价值完全不同。归因回答「钱从哪来」，风险指标回答「路上有多颠」，两个都得看。夏普这类比率在 夏普比率与索提诺比率 里有详细拆解。

把它当成打分工具。 归因最大的用处不是给自己发奖状，是决定下一步把精力花在哪。选股贡献长期为负，说明你该少挑票多买指数；成本吃掉一半超额，说明你该降换手而不是继续优化信号。它是一张诊断单，不是成绩单。

小结

• 账户涨了不等于你厉害。收益至少混着四股力量：市场整体、行业或风格配置、组内选股、交易成本，外加一份没法单列的运气。
• Brinson 那套二乘二的本质，是拿「基准权重/你的权重」和「基准收益/你的收益」交叉出四个数，再相减得到配置贡献、选股贡献和两者的交互项，三项相加恒等于总超额。
• 换个分组维度，同一套框架就从行业归因变成风格归因——很多所谓的选股能力，一分组就现出原形，是长期押着某种风格。
• 成本值得单独占一行。含成本与不含成本的两条曲线一拉开，问题出在判断上还是出在换手上，一眼就分明。
• 拿不到成分权重也能做：按品种、按入场理由、按离场原因、按月份分组各统计一遍，同样能看出你的钱到底集中在哪。
• 归因给的是分解不是证明。所有钱都会被分完，包括运气分到的那份；判断真假要靠样本量和跨期稳定性。

一句话记住这篇：先搞清楚这次的钱是谁挣的，再决定下次听谁的。

本文所引源码均来自上述快照版本，是阅读代码得出的机制说明，不是运行结果；具体行为请以你手上那个版本为准。回 量化与 AI 投研概念库 看其它概念各自在说什么；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。