3.5 归因报告的陷阱：7 种常见造假手法¶

归因报告不是"免费的真相"。

这一章列出国内私募归因报告里常见的 7 种陷阱，让你在收到报告时知道哪些地方要警惕。

一、为什么归因报告也能造假¶

1.1 归因 ≠ 真相¶

归因报告本质是"解释"。而解释可以： - 基于假模型 - 基于假数据 - 基于选择性呈现 - 基于事后合理化

真正的归因需要： - 真实的净值序列 - 真实的持仓数据 - 独立的第三方模型 - 完整的披露

很多"归因报告"不满足以上任何一条。

1.2 归因造假的动机¶

管理人的动机： - 美化业绩（让 α 看起来更大） - 掩盖风格暴露（让"假中性"看起来真中性） - 掩盖 α 衰减（让"不稳"看起来"稳定"） - 掩盖风格漂移（让"追涨"看起来"纪律")

FOF 的任务：学会识别这些造假手法。

1.3 合规的"模糊地带"¶

严格合规： - 真实净值 + 标准模型 + 第三方做归因 + 完整披露

灰色地带： - 管理人自制归因 - 用自定义因子 - 选择性呈现

违规造假： - 伪造净值数据 - 编造归因数字

FOF 应对策略： - 严格合规 → 可信 - 灰色地带 → 深度追问 - 违规造假 → 立即退出

二、陷阱 1：基准操纵¶

2.1 操作方式¶

形式 1：用"低基准"让超额看起来高

产品是 500 指增
对外展示"超额"对照沪深 300（而非中证 500）
2024 年中证 500 跑输沪深 300 → 让自己的超额看起来更高

形式 2：用"自定义基准"

产品是全市场选股
对照"偏股基金指数"（主动管理平均，天然波动大 / 回撤深）
相比容易跑赢

形式 3：时段性基准切换

某时段沪深 300 跑输 → 用沪深 300 作基准
某时段沪深 300 跑赢 → 换成中证 500
永远找"对自己有利"的基准

2.2 识别方法¶

查合同：产品合同里约定的基准是什么？
一致性检查：历次归因用同一个基准吗？
交叉对比：用标准基准重新算，数字还成立吗？

2.3 应对¶

强制要求用合同约定的基准
不接受"我们内部用 XX 基准看更合适"
自己用标准基准重新做归因

三、陷阱 2：时段选择¶

3.1 操作方式¶

形式 1：短样本选择

整个成立历史业绩一般
选"最近 6 个月"做归因 → 看起来漂亮
掩盖早期糟糕表现

形式 2：剪裁"不利时段"

成立以来包含 2022 年熊市 → 难看
归因报告从 2023 年开始 → 避开 2022

形式 3：对冲时段选择

基差有利时段做归因 → 对冲贡献正
基差不利时段不展示

3.2 识别方法¶

要完整时间序列（成立以来所有月份）
要分段归因（每年都单独归因 + 累积）
注意"近 N 年"（N 是不是管理人挑的）

3.3 应对¶

要求成立以来完整归因
分年度归因对照
不接受"最近 N 个月"作为评估窗口

四、陷阱 3：因子定义操纵¶

4.1 操作方式¶

形式 1：用自定义因子

不用标准 Barra 10 因子
用"自研 50 因子"
因子定义管理人说了算
归因数字的可比性消失

形式 2：合并因子

把 Size 和 Liquidity 合并（相关性高）
让 Size 暴露看起来小
实际小盘风格暴露被隐藏

形式 3：拆分因子

把一个主要因子拆成多个子因子
每个子因子暴露小
实际合计很大

4.2 识别方法¶

问"你用的是什么版本的 Barra 模型？"
要因子定义明细
用第三方归因（CMS 等）作为参考

4.3 应对¶

只接受标准 Barra 模型（CNE5 / CNE6）
拒绝"自研因子归因"
或要求用两套模型对比

五、陷阱 4：维度分配操纵¶

5.1 操作方式¶

形式 1：把风格 β 归为"选股 α"

管理人的 alpha 中 60% 是小盘风格 β
归因时把这部分合并到"选股 α"
让"真 α"看起来大

形式 2：用"总 α"替代"纯 α"

总 α = 行业配置 + 选股 + 风格
纯 α = 剔除所有因子后的残差
只展示"总 α"，不展示"纯 α"
总 α 可能 90% 是风格

形式 3：行业 vs 风格混淆

某股票属于"小盘医药"
归因时全归到"医药行业贡献"
隐藏"小盘风格贡献"

5.2 识别方法¶

要求明确区分：行业 vs 风格 vs 纯 α
要求残差数据（纯 α 的具体数值）
对比总收益 vs 各维度合计

5.3 应对¶

要求分层归因（Brinson 的 3 维 + Barra 的 10+ 因子 + 残差）
看残差占总收益比例
残差占比 > 20% = 模型不完整

六、陷阱 5：样本量虚高¶

6.1 操作方式¶

形式 1：月频数据充日频

实际只有月度数据
内插到日频（线性填充）
样本量看起来 252 × N 年
实际信息量只有 12 × N

形式 2：多产品数据拼接

几只产品的净值拼成"一条"
挑每只产品最好的时段
样本看起来长，实际是拼接

形式 3：回测数据混合

实盘数据不够长
用"回测 + 实盘"拼接
回测部分容易过拟合

6.2 识别方法¶

要日频原始数据
确认数据的真实来源（托管行 / 策略模拟）
分清回测 vs 实盘的时段

6.3 应对¶

只用实盘日频数据做归因
回测数据仅作参考
要求披露数据性质（回测 or 实盘）

七、陷阱 6：幸存者偏差¶

7.1 操作方式¶

形式 1：选"最好的产品"做归因

管理人有 10 只同策略产品
选业绩最好的 1 只做归因
其他 9 只不提

形式 2：选"成功的策略周期"

管理人尝试过多个策略版本
只展示成功的版本
失败的版本被"遗忘"

形式 3：公司层面的选择性披露

公司有多个团队
展示最强团队的归因
弱团队不提

7.2 识别方法¶

问"你们同策略有多少只产品？业绩分布？"
问"这家公司总共有几个投资团队？"
看全产品列表

7.3 应对¶

要求全产品归因数据
关注业绩离散度（离散度大 = 幸存者偏差大）
以最弱产品或平均为评估基准

八、陷阱 7：事后合理化¶

8.1 操作方式¶

形式 1：事后构造"归因故事"

归因报告说"我们 2024 年超配了 AI 算力股"
实际是 2024 年中期才买入的
用"整年归因"的口吻描述

形式 2：避重就轻

赚钱的部分详细归因
亏钱的部分一笔带过

形式 3：修饰语模糊

"在我们的核心持仓中"
"经过我们精心选择"
"基于我们的研究判断"
没有具体数字支撑

8.2 识别方法¶

要定量数据，不接受"定性描述"
要事前记录（路演、研报、内部备忘）
要时间戳（何时买 / 何时卖）

8.3 应对¶

拒绝纯描述性归因
要时间序列归因（每月贡献拆解）
交叉验证管理人的事前观点

九、综合识别：归因报告的"自洽性检验"¶

9.1 验证 1：总收益 = 各维度之和？¶

总收益 = 行业贡献 + 风格贡献 + 纯 α + 残差

如果不等 → 归因报告模型不完整或数据错误。

9.2 验证 2：不同基准下的归因一致？¶

用不同基准（沪深 300 / 中证 500 / 中证全指）做归因： - 总收益应该一致（只是比较对象变） - 超额应该变（正常） - 但归因的结构逻辑应该一致

如果差异巨大 → 基准操纵嫌疑。

9.3 验证 3：归因 vs 持仓数据是否一致？¶

归因显示"重仓医药"
持仓显示医药占 20%
应该一致

如果归因说 "医药配置贡献 +10%" 但持仓只有 20%，数学上医药要涨 50% 才可能，检查是否合理。

9.4 验证 4：风格暴露 vs 实际持仓是否一致？¶

归因说"Size 暴露 +0.5"（大盘偏好）
持仓中位数市值 50 亿（中小盘）
矛盾

如果归因和持仓不一致 → 归因造假。

9.5 验证 5：多家机构的归因是否一致？¶

如果同一管理人被 CMS + 国泰君安 + 中信建投都做归因： - 结果应该基本一致（方法差异允许 20% 内偏差） - 差异大 → 某一家数据或模型有问题

十、归因报告的"黄金标准"¶

10.1 什么样的归因报告值得信任？¶

数据： - 实盘日频净值 - 成立以来完整序列 - 托管行数据验证

模型： - 标准 Barra 模型（CNE5 / CNE6） - Brinson-Fachler 归因 - 第三方机构制作

呈现： - 明确基准 - 分层归因（行业 / 风格 / 纯 α） - 时间序列 + 累积 - 残差占比 < 20% - 多基准对比

披露： - 全部同策略产品归因 - 分年度分段归因 - 主要假设和局限

10.2 归因报告"红旗清单"¶

❌ 没有第三方归因
❌ 只有单期 / 短样本归因
❌ 用自定义基准 / 自研因子
❌ 归因 + 持仓不一致
❌ 残差占比 > 30%
❌ 拒绝提供完整数据
❌ 只展示一只产品
❌ 归因维度模糊（没有纯 α）
❌ 时间段不完整

遇到 2 个以上红旗 → 深度追问或 pass。

十一、实战追问清单¶

A. 数据真实性¶

归因数据来源：实盘 / 回测？日频 / 月频？
数据提供方：自己提供 / 托管行 / 第三方？
样本期：成立以来 / 近 N 年？为什么选这个？
产品列表：同策略所有产品都做归因了吗？

B. 模型方法论¶

归因模型：Brinson / Barra / 自研？版本？
基准：合同基准 / 自选基准？
因子定义：标准因子 / 自研因子？
残差占比：模型解释力如何？

C. 结果一致性¶

各维度合计：与总收益一致吗？
持仓 vs 归因：一致吗？
不同时段归因：每年 / 每季度独立归因？
第三方对比：多家第三方归因对比？

D. 局限性¶

归因模型的假设：明确说明了吗？
已知局限：管理人承认模型的不足吗？
历史修正：有过归因数据修正吗？

十二、元烨 FOF 归因验证 SOP¶

12.1 收到归因报告后的 5 步检查¶

Step 1：检查数据频率和样本期 Step 2：检查基准和因子定义 Step 3：检查总收益 = 各维度之和 Step 4：检查归因 vs 持仓一致性 Step 5：追问可疑处

12.2 不接受的"归因红线"¶

没有纯 α 维度
基准和合同不一致
残差占比 > 30%
拒绝第三方归因

12.3 优先的归因来源¶

第一选择：CMS / 国泰君安 / 中信建投的第三方归因
第二选择：管理人用标准 Barra 模型自制
最后选择：FOF 团队基于净值数据自己做归因

十三、一句话总结¶

归因报告不是真相，是"可以验证的解释"

我们的任务是验证，而不是相信。

归因验证的 3 个第一性原理：

数据必须真 —— 假数据做的归因是精致的假
模型必须标准 —— 自研因子不可比
自洽必须过关 —— 总收益 = 各维度之和 + 残差 < 20%

最硬的两个追问（收到归因报告时）：

"这份归因的数据来源 + 模型版本？能不能用第三方模型重新做一遍？" —— 不愿重做 = 有水分
"归因报告的残差占总收益多少？如果 > 20%，为什么？" —— 残差过大 = 模型不完整 / 有遗漏

记住：

涌涵的案例：PPT 展示的回撤 -6.92% vs 实盘真实 -33% —— 归因基于假净值就是彻底造假

彬元的案例：CMS 归因显示风格 -6~-8%（逆风）+ 纯 α +30% → 结构清晰、自洽、可验证，所以可信

FOF 团队最大的护城河是能识别"归因的真伪"。这个能力一旦建立，就是终身受用。