3.2 Brinson 归因：配置 vs 选股¶

全球最经典的主动管理归因方法，1986 年提出，至今仍是行业标准。

看一份 Brinson 归因报告，需要 10 分钟。真正看懂它，需要这一章。

一、Brinson 归因的历史与定位¶

1.1 起源与发展¶

1986 年：Gary Brinson + Randolph Hood + Gilbert Beebower 在《Determinants of Portfolio Performance》中提出，开创现代业绩归因框架。

1991 年：Brinson + Singer + Beebower 提出扩展版本（含交互效应）。

现在：Brinson 归因是全球主流的主动管理归因方法，被券商、基金、FOF、考核机构广泛使用。

1.2 核心思想¶

问题：基金经理的超额收益来自哪里？

Brinson 回答：可以拆成三部分：

行业配置 α（Allocation Effect）：超配 / 低配某些行业的贡献
个股选择 α（Selection Effect）：行业内选对个股的贡献
交互效应（Interaction Effect）：配置 + 选择的交互

数学：

主动收益 = 行业配置 α + 个股选择 α + 交互 α

1.3 适用场景¶

股票多头（主观 / 量化）
量化指增
市场中性（部分）
FOF 层面（策略类别视为"行业"）

不太适用： - CTA（品种不按行业划分） - 套利类（没有"基准行业"概念） - 宏观对冲（跨资产，Brinson 需扩展）

二、Brinson 归因的数学¶

2.1 基础公式（经典 Brinson-Hood-Beebower 1986）¶

假设： - 组合在行业 i 的权重：w_p,i - 基准在行业 i 的权重：w_b,i - 组合在行业 i 的收益：R_p,i - 基准在行业 i 的收益：R_b,i - 基准整体收益：R_b

主动收益：

主动收益 = 组合收益 - 基准收益 = Σ(w_p,i × R_p,i) - Σ(w_b,i × R_b,i)

拆解：

(a) 配置效应（Allocation Effect）¶

配置 α = Σ[(w_p,i - w_b,i) × (R_b,i - R_b)]

含义：组合超配 / 低配某行业，相对基准内该行业 vs 基准整体的差异，带来的贡献。

直觉： - 超配 "行业表现比基准好" 的行业 → 正贡献 - 低配 "行业表现比基准差" 的行业 → 正贡献

(b) 选择效应（Selection Effect）¶

选择 α = Σ[w_b,i × (R_p,i - R_b,i)]

含义：用基准的权重，在行业内选股的超额。

直觉：即使完全按基准权重配置各行业，在每个行业内部选对了股票，也能产生超额。

(c) 交互效应（Interaction Effect）¶

交互 α = Σ[(w_p,i - w_b,i) × (R_p,i - R_b,i)]

含义：同时超配了某行业 + 选对了该行业内股票的"联合贡献"。

直觉： - 超配了医药（+5% 权重）+ 医药内选对了创新药（+20% 超基准行业） - 交互 = 0.05 × 0.20 = +1%

(d) 验证恒等式¶

主动收益 = 配置 α + 选择 α + 交互 α

实例验证：

行业	w_p,i	w_b,i	R_p,i	R_b,i
医药	35%	8%	+60%	+40%
消费	15%	20%	+20%	+15%
金融	5%	25%	-5%	-10%
科技	30%	30%	+30%	+35%
其他	15%	17%	+10%	+10%

假设 R_b = 20%。

计算： - 配置 α： - 医药：(0.35-0.08)×(0.40-0.20) = 0.27×0.20 = +5.4% - 消费：(0.15-0.20)×(0.15-0.20) = (-0.05)×(-0.05) = +0.25% - 金融：(0.05-0.25)×(-0.10-0.20) = (-0.20)×(-0.30) = +6.0% - 科技：(0.30-0.30)×(0.35-0.20) = 0 - 其他：(0.15-0.17)×(0.10-0.20) = (-0.02)×(-0.10) = +0.2% - 配置 α 合计：+11.85%

选择 α：
医药：0.08×(0.60-0.40) = 0.08×0.20 = +1.6%
消费：0.20×(0.20-0.15) = 0.20×0.05 = +1.0%
金融：0.25×(-0.05-(-0.10)) = 0.25×0.05 = +1.25%
科技：0.30×(0.30-0.35) = 0.30×(-0.05) = -1.5%
其他：0.17×(0.10-0.10) = 0
选择 α 合计：+2.35%
交互 α：
医药：(0.27)×(0.20) = +5.4%
消费：(-0.05)×(0.05) = -0.25%
金融：(-0.20)×(0.05) = -1.0%
科技：(0)×(-0.05) = 0
其他：(-0.02)×(0) = 0
交互 α 合计：+4.15%

主动收益 = 11.85 + 2.35 + 4.15 = +18.35%

验证： - 组合收益 = 0.35×0.60 + 0.15×0.20 + 0.05×(-0.05) + 0.30×0.30 + 0.15×0.10 = 0.21 + 0.03 - 0.0025 + 0.09 + 0.015 = 0.3325 = +33.25% - 基准收益 = +20% - 主动收益 = 33.25% - 20% = +13.25%

咦，不一致？让我重新验证。

基准收益：0.08×0.40 + 0.20×0.15 + 0.25×(-0.10) + 0.30×0.35 + 0.17×0.10 = 0.032 + 0.030 - 0.025 + 0.105 + 0.017 = +15.9%

所以实际主动收益 = 33.25% - 15.9% = +17.35%

重新算： - 配置 α 使用的 R_b 应该是 15.9%，不是 20%

配置 α（修正）：
医药：(0.35-0.08)×(0.40-0.159) = 0.27×0.241 = +6.51%
消费：(0.15-0.20)×(0.15-0.159) = -0.05×(-0.009) = +0.045%
金融：(0.05-0.25)×(-0.10-0.159) = -0.20×(-0.259) = +5.18%
科技：(0.30-0.30)×(0.35-0.159) = 0
其他：(0.15-0.17)×(0.10-0.159) = -0.02×(-0.059) = +0.118%
配置 α ≈ +11.85%

加上选择 α（+2.35%）+ 交互 α（+4.15%）≈ +18.35%

还有差距 1%，这是数值计算的舍入误差。

重要教训：Brinson 归因必须用精确公式，手算容易出错。实际操作时用Excel 模板或Python 库。

2.2 变种：Brinson-Fachler 归因¶

1985 年提出，是 Brinson 的扩展： - 配置效应 使用 (R_b,i - R_b) —— 相对基准整体的行业超额 - 更符合"超配赢行业，低配输行业"的直觉

国内主流归因报告用这个版本。

2.3 变种：多期 Brinson¶

原始 Brinson：单期归因（月度 / 季度 / 年度）。

多期累积：多期拆分后累积相加，累积值不等于简单相加（需要复利调整）。

常见处理： - Linking Coefficient 方法：经典但复杂 - Carino 方法：简化版，国内主流 - GRAP 方法：学术版本

FOF 实战：用月度 Brinson + Carino 累积到年度。

三、Brinson 归因的四大应用¶

3.1 应用 1：识别管理人的核心能力¶

配置型管理人： - 配置 α 占主动收益 > 60% - 特征：擅长行业择时 / 宏观判断 - 实例：部分宏观对冲、行业轮动策略

选股型管理人： - 选择 α 占主动收益 > 60% - 特征：擅长个股研究 - 实例：巴菲特派价值投资、深度研究型

平衡型管理人： - 配置 + 选择相当 - 特征：全能型 - 实例：多数头部主观多头

交互型（少见）： - 交互 α 显著（> 30%） - 特征：行业集中 + 行业内选股都对 - 实例：集中重仓风格

3.2 应用 2：判断能力的可持续性¶

配置 α 的可持续性¶

可持续信号： - 跨年份稳定 - 有清晰的宏观 / 行业判断逻辑 - 历次判断有事前记录

不可持续信号： - 集中在 1-2 年（赌赛道） - 判断理由模糊（事后合理化） - 只在单一市场环境下有效

选股 α 的可持续性¶

可持续信号： - 跨行业稳定（不局限于某一行业） - 跨年份稳定 - 团队有研究深度

不可持续信号： - 集中在某几只"经典股"（茅台 / 宁德 / 腾讯） - 大部分 α 来自少数股票 - 管理人换人后 α 消失

3.3 应用 3：检测风格漂移¶

方法： - 做滚动 12 个月 Brinson 归因 - 看配置 / 选择 / 交互的时间序列 - 主要贡献来源的变化 = 策略画像变化

实例： - 管理人 2020 年：配置 α 主要来自"医药 +20% 超配" - 管理人 2024 年：配置 α 主要来自"科技 +30% 超配" - 风格画像从"医药专家"变成"科技追随者"

3.4 应用 4：FOF 层面的归因¶

FOF 的 Brinson 归因： - "行业" = 策略类别（股票多头 / 中性 / CTA / 套利 / 宏观） - "个股" = 具体管理人 - "基准" = 自定义的策略中位数 / 行业平均

FOF 主动收益 = Σ[(w_FOF,j - w_bench,j) × R_类j] + ...
                 策略配置 α       管理人选择 α   交互 α

解读： - 配置 α：跨策略类别配置的判断 - 选择 α：在每个策略类别内选对管理人 - 交互：两者的联合贡献

四、Brinson 归因的实战解读¶

4.1 一份主观多头归因报告¶

假设某管理人 2023 年 Brinson 归因：

维度	贡献
配置 α	+3%
选择 α	+8%
交互 α	+2%
合计主动收益	+13%

解读： - 这个管理人是选股型（选择 α > 60% of 总 α） - 行业配置贡献中等 - 整体主动收益 13%，不错

进一步看分行业贡献：

行业	配置 α	选择 α
医药	+2%	+3%
消费	+1%	+2%
金融	0%	+1%
科技	0%	+2%
其他	0%	0%

进一步解读： - 医药是核心能力（配置 2% + 选择 3%，合计 5%） - 消费贡献第二 - 金融 / 其他贡献小 - 管理人在医药 + 消费上有真能力

追问： - "医药的选股 α 是不是依赖少数股票？" - "消费的选股 α 是怎么做到的？" - "金融 / 其他行业没什么贡献，是因为仓位低还是选股不行？"

4.2 一份指增归因报告¶

假设某 500 指增 2023 年 Brinson 归因（对照中证 500）：

维度	贡献
配置 α	+2%
选择 α	+10%
交互 α	+1%
合计主动收益（超额）	+13%

解读： - 指增的 α 主要来自选股（符合量化指增的本质：在基准内选股） - 配置 α 较低（符合量化指增的"相对中性"特征） - 交互 α 小，行业暴露相对均匀

追问： - "选股 α 主要来自哪些行业？" - "选股信号的周期分布？"

4.3 一份"红旗"归因报告¶

假设归因报告：

维度	贡献
配置 α	+15%
选择 α	-1%
交互 α	-1%
合计主动收益	+13%

解读： - 13% 全部来自"配置 α" - 选股 α 几乎为 0 - 本质是"行业轮动"型，不是"选股"

追问： - "你的配置 α 如何在未来持续？" - "过去 5 年配置 α 稳定吗？" - "你们的宏观 / 行业判断方法论？"

很多时候，这类管理人是赌赛道 + 偶尔赌对。

五、Brinson 归因的局限¶

5.1 局限 1：行业分类的模糊¶

不同行业分类： - 中证 / 申万 / GICS / 自定义 - 同一股票在不同分类下归入不同行业

影响： - 归因结果随分类不同 - 跨归因报告对比时需统一分类

5.2 局限 2：风格贡献被掩盖¶

Brinson 只看行业，不看风格因子（Size / Value / Growth）。

实例： - 管理人重仓"小市值科技股" - Brinson 归因：科技行业 +20% 配置 α + 科技行业选股 α - 真相：Size 因子贡献了大部分 α

解决：Brinson 与 Barra 风格归因结合用（详见 3.3）。

5.3 局限 3：交互效应的含义不清¶

交互效应（Interaction Effect）的直觉： - 同时超配 + 行业内选对 - 但实际上这是合理的投资行为（超配 + 选股逻辑相关） - 交互大 = 策略集中度高

处理： - 多数报告把交互合并到"选择"或"配置" - 我们关注选择 + 交互 vs 配置的对比

5.4 局限 4：对多资产不适用¶

Brinson 是股票多头的归因工具。

对CTA / 套利 / 宏观等多资产策略，需要扩展版本或其他方法。

六、Brinson 归因的陷阱¶

6.1 陷阱 1：基准选择的操纵¶

陷阱： - 管理人可以自选基准让 Brinson 结果好看 - 比如用"偏股基金指数"代替"沪深 300" - 不同基准下行业权重 / 收益不同 → Brinson 结果不同

应对： - 明确基准 - 对比多个基准的 Brinson

6.2 陷阱 2：行业分类的操纵¶

陷阱： - 管理人自定义行业分类 - 合并某些行业让自己看起来更分散 - 拆分某些行业让贡献看起来更大

应对： - 要求用标准分类（中证 / 申万） - 自己重新做 Brinson 验证

6.3 陷阱 3：多期累积的数学游戏¶

陷阱： - 单期 Brinson 数据好看 - 但多期累积后 α 消失 - 管理人展示单期数据，不展示累积

应对： - 要累积 Brinson（年度 / 累积以来） - 用 Carino 或类似方法做累积

6.4 陷阱 4：单期极端值的误导¶

陷阱： - 某一个月恰好行业配置对 +10% α - 管理人就此宣称"我们的配置能力强"

应对： - 看至少12 个月的归因 - 看稳定性而非单期数字

七、Brinson 归因的实战追问清单¶

A. 归因报告基础¶

归因基准：用什么基准？合同里的那个吗？
行业分类：用什么分类？中证 / 申万 / 其他？
归因方法：Brinson-Hood-Beebower / Brinson-Fachler？
累积方法：多期累积用什么方法？

B. 结果解读¶

各维度贡献：配置 α / 选择 α / 交互 α 分别多少？
主要贡献来源行业：哪些行业是核心贡献？
历史稳定性：过去 3 年各维度的稳定性？

C. 深入追问¶

配置 α 的逻辑：你怎么决定超配 / 低配某行业的？
选择 α 的方法论：你在每个行业内部的选股方法？
交互 α 的来源：哪些行业的集中重仓同时带来了行业配置和选股 α？

D. 可持续性¶

α 来源的可持续性：你的核心能力在未来还适用吗？
极端环境下的 Brinson：在熊市 / 风格切换期的归因表现？
未来展望：未来 12 个月你预期的 α 来源？

八、实战工具¶

8.1 Excel 模板¶

行列设计： - 行：行业 - 列：组合权重、基准权重、组合行业收益、基准行业收益 - 计算列：配置 α、选择 α、交互 α

公式：

配置 α[i] = (w_p[i] - w_b[i]) * (R_b[i] - R_b_total)
选择 α[i] = w_b[i] * (R_p[i] - R_b[i])
交互 α[i] = (w_p[i] - w_b[i]) * (R_p[i] - R_b[i])

8.2 Python（pyfolio / QuantStats）¶

# 简单示例
import pandas as pd

def brinson_attribution(portfolio, benchmark):
    """
    Brinson-Hood-Beebower 归因
    portfolio / benchmark: DataFrame，每行是行业
    列：weight, return
    """
    w_p, r_p = portfolio['weight'], portfolio['return']
    w_b, r_b = benchmark['weight'], benchmark['return']
    R_b_total = (w_b * r_b).sum()

    allocation = (w_p - w_b) * (r_b - R_b_total)
    selection = w_b * (r_p - r_b)
    interaction = (w_p - w_b) * (r_p - r_b)

    return {
        'allocation': allocation.sum(),
        'selection': selection.sum(),
        'interaction': interaction.sum(),
        'total_active': allocation.sum() + selection.sum() + interaction.sum()
    }

8.3 国内归因服务商¶

中证指数公司：提供 Brinson 归因服务
Wind / 同花顺：内置归因分析
CMS（中信建投）/ 国泰君安 / 中信建投：买方 / 卖方归因报告

九、一句话总结¶

Brinson 归因 = 主动管理的"诊断书"

我们通过 Brinson 回答："这个管理人到底是怎么赚到钱的？"

Brinson 使用的 3 个第一性原理：

看三维分解 —— 配置 / 选择 / 交互，每个维度都有意义
看跨年份稳定性 —— 单年 Brinson 可能是运气
结合 Barra 风格归因 —— Brinson 只看行业，Barra 看风格

最硬的两个追问（看到 Brinson 归因时自问）：

"三个维度的贡献分布和管理人的自我定位一致吗？" —— 自称"深度选股"但配置 α 占主，是包装
"过去 3 年各维度贡献的稳定性？" —— 单年集中 = 运气，多年分散 = 能力

记住：Brinson 是 1986 年的工具，至今仍有效，因为它直击"主动管理"的本质：配置选对 or 选股选对。

会用 Brinson 的 FOF 团队，能快速判断一个管理人的真实能力画像，而不是被"年化 30%"这种汇总数字迷惑。