

> 系列定位：策略跑完回测 = "赚钱了"？其实远远不够。本系列用 6 篇系统化方法论 + Python 实战，把"黑盒跑数"升级为"白盒拆解"。
> 本篇是该系列 #01：把策略收益拆成行业配置 / 个股选择 / 交互效应 三件套。

## 一、策略赚钱 ≠ 你厉害

读者常见误区：策略回测 +20%，就觉得自己"会做量化"了。
但请回答三个灵魂拷问：

1. 这 +20% 是**大盘涨**带飞的，还是**选股**赚的？
2. 我是**压对了赛道**（食品饮料、新能源），还是**在赛道里挑对了股**（茅台 vs 五粮液）？
3. 如果明年市场风格切换，这个策略还能不能跑赢？

不回答这三个问题，策略就是"黑盒跑数"——赚了不知道为啥赚，亏了不知道为什么亏。**Brinson（1986）三件套**就是把这两个问题量化的经典框架。

## 二、本文你将得到什么

1. **行业配置效应（Allocation）**：组合的行业权重 vs 基准，差出来的收益
2. **个股选择效应（Selection）**：在同行业内挑股的能力
3. **交互效应（Interaction）**：权重 × 选股 的协同
4. **完整 Python 实现**：12 只 A 股大盘股，跑动量 top5 等权策略，三件套拆解超额收益

## 三、Brinson 三件套原理

假设你管理一个组合 P，基准是 B。每个标的 s 都有：

- 权重 `w_P(s)` / `w_B(s)`
- 收益 `r(s)`

按行业 j 分组后，对每个行业计算：

```
行业配置效应 (Allocation_j)  = (w_P_j − w_B_j) × (r_B_j − r_B_total)
个股选择效应 (Selection_j)   = w_B_j × (r_P_j − r_B_j)
交互效应       (Interaction_j) = (w_P_j − w_B_j) × (r_P_j − r_B_j)
```

其中 `r_P_j` / `r_B_j` 是组合 / 基准在行业 j 内的加权平均收益。

加总所有行业：

```
超额收益 (P − B) = Σ(Allocation_j) + Σ(Selection_j) + Σ(Interaction_j)
```

数学上恒等（残差 = 0），证明你的拆解是**完备的**——不会漏掉、不会重复算。

**直觉解读**：
- **Allocation > 0** ：你**超配了好行业**（压对了赛道）
- **Selection > 0** ：你在每个行业内**挑对了股**
- **Interaction > 0** ：你**压对的行业里又挑对了股**（双优）
- **Interaction < 0** ：你**压对了好行业，但选股拖了后腿**（典型场景：重仓赛道里的弱势股）

## 四、完整 Python 实现

```python
from collections import defaultdict
from typing import Dict, Tuple

def brinson_attribution(
    portfolio: Dict[str, float],   # 组合权重 {stock: weight}
    benchmark: Dict[str, float],   # 基准权重
    returns: Dict[str, float],     # 每只股票区间收益
    industry: Dict[str, str],      # 股票 -> 行业
) -> Dict:
    """Brinson-Fachler (1986) 三件套归因。"""

    # 1. 聚合到行业维度
    by_ind_p = defaultdict(lambda: {"w": 0.0, "rw": 0.0})  # 组合
    by_ind_b = defaultdict(lambda: {"w": 0.0, "rw": 0.0})  # 基准

    for s in portfolio.keys() | benchmark.keys():
        ind = industry.get(s, "其他")
        wp = portfolio.get(s, 0.0)
        wb = benchmark.get(s, 0.0)
        r = returns.get(s, 0.0)

        by_ind_p[ind]["w"] += wp
        by_ind_p[ind]["rw"] += wp * r
        by_ind_b[ind]["w"] += wb
        by_ind_b[ind]["rw"] += wb * r

    # 2. 基准总收益
    rb_total = sum(d["rw"] for d in by_ind_b.values())

    # 3. 逐行业拆解
    rows = []
    all_ind = set(by_ind_p.keys()) | set(by_ind_b.keys())
    for ind in sorted(all_ind):
        wp_j = by_ind_p[ind]["w"]
        wb_j = by_ind_b[ind]["w"]
        rp_j = by_ind_p[ind]["rw"] / wp_j if wp_j > 0 else 0.0
        rb_j = by_ind_b[ind]["rw"] / wb_j if wb_j > 0 else 0.0

        alloc = (wp_j - wb_j) * (rb_j - rb_total)
        selec = wb_j * (rp_j - rb_j)
        inter = (wp_j - wb_j) * (rp_j - rb_j)

        rows.append({
            "industry": ind,
            "wp_j": wp_j, "wb_j": wb_j,
            "rp_j": rp_j, "rb_j": rb_j,
            "allocation": alloc,
            "selection": selec,
            "interaction": inter,
            "excess_total": alloc + selec + inter,
        })

    # 4. 加总
    total_alloc = sum(r["allocation"] for r in rows)
    total_selec = sum(r["selection"] for r in rows)
    total_inter = sum(r["interaction"] for r in rows)

    rp_total = sum(returns.get(s, 0.0) * portfolio.get(s, 0.0)
                   for s in portfolio.keys())
    excess = rp_total - rb_total

    return {
        "industry_detail": rows,
        "rb_total": rb_total,
        "rp_total": rp_total,
        "excess": excess,
        "allocation": total_alloc,
        "selection": total_selec,
        "interaction": total_inter,
        "residual": excess - (total_alloc + total_selec + total_inter),
    }
```

## 五、用真实 API 拉数据

```python
from mairui import Client

DEMO_LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"

def fetch_period_return(code: str, start: str, end: str) -> float:
    """拉区间日线，返回 (末收盘 − 首开盘) / 首开盘。"""
    cli = Client(DEMO_LICENCE)
    raw = cli.stock_history(code=code, st=start, et=end,
                            period="d", dividend="f") or []
    if len(raw) < 2:
        return 0.0
    return (raw[-1]["c"] - raw[0]["o"]) / raw[0]["o"]
```

**关键参数**：
- `period="d"`：日线（`m1`/`m5`/`m30` 为分钟线）
- `dividend="f"`：前复权（不复权 `n`、后复权 `b`）
- `st` / `et`：`YYYYMMDD` 或 `YYYY-MM-DD` 均可

## 六、构建组合 vs 基准

```python
# 策略：动量 top5 等权（买过去收益最高的 5 只）
def build_weights(returns: Dict[str, float]):
    sorted_stocks = sorted(returns.items(), key=lambda x: -x[1])
    top5 = [s for s, _ in sorted_stocks[:5]]
    portfolio = {s: 0.20 for s in top5}            # top5 各 20%
    benchmark = {s: 1.0 / len(returns) for s in returns}  # 全等权
    return portfolio, benchmark
```

基准也可以换成沪深 300 / 中证 500 指数权重（生产环境从指数成分股按权重计算）。

## 七、真实跑通结果

```
======================================================================
Brinson 三件套归因 Demo
区间：2025-09-01 ~ 2025-12-01  标的：12 只 A 股大盘股
======================================================================

[1] 拉取每只股票区间收益...
  600519 (食品饮料):  -6.66%
  000001 (银行    ):  +2.93%
  300750 (电力设备):  -4.28%
  601318 (非银金融):  +3.09%
  000333 (家用电器):  +0.05%
  600036 (银行    ):  -4.18%
  601398 (银行    ):  -2.42%
  600276 (医药生物):  -7.40%
  600887 (食品饮料):  +3.09%
  000858 (食品饮料):  +6.04%
  601888 (社会服务):  +8.67%
  002594 (汽车    ):  -4.37%

[2] 构建组合（动量 top5 等权）vs 基准（12 只等权）...
组合： 000001:20% 000858:20% 600887:20% 601318:20% 601888:20%
基准：等权 12 只 (各 ~8.33%)

[3] Brinson 三件套拆解...
基准总收益 Rb = -0.45%
组合总收益 Rp = +4.76%
超额收益 (Rp - Rb) = +5.22%

  行业配置效应 (Allocation)  = +2.89%
  个股选择效应 (Selection)   = +3.31%
  交互效应       (Interaction) = -0.98%
  残差（公式误差）            = +0.0000%

[4] 按行业明细（贡献 Top 3）...
  食品饮料  wp=40.0% wb=25.0%  alloc=+0.19%  selec=+0.94%  inter=+0.56%
  社会服务  wp=20.0% wb= 8.3%  alloc=+1.06%  selec=+0.00%  inter=+0.00%
  银行      wp=20.0% wb=25.0%  alloc=+0.04%  selec=+1.04%  inter=-0.21%
```

**解读**：
- **超额收益 = +5.22%**，拆解为 Allocation +2.89% + Selection +3.31% + Interaction -0.98%
- 残差 = 0.0000%（数学恒等，公式完备）
- **配置贡献**：超配了「食品饮料」(+0.19% alloc) 和「社会服务」(中国中免 +1.06% alloc)
- **选择贡献**：在「银行」行业内挑到「平安银行」(+1.04% selec)、「食品饮料」里挑到「五粮液 + 伊利」(+0.94% selec)
- **交互为负**：因为重仓食品饮料里选了 +6% 五粮液却放弃了同样正收益的伊利，导致权重协同轻微负贡献

## 八、常见坑

1. **基准选错**：用「全 A 股等权」做基准，跟沪深 300 完全不同。基准错了三件套结论会反转。建议用读者实际对标的指数。
2. **行业映射漂移**：申万一级每年会有微调（合并、新增）。同一年用同一套映射，跨年比较要做行业映射版本对齐。
3. **权重用「期初」还是「平均」**：本 demo 用「期初权重」（即建仓时点）。更严谨的是「日度加权平均」——但需要每日持仓快照。日常用期初足够。
4. **交互效应别单独看**：交互不是"独立效应"，而是 Allocation 与 Selection 协同的副产物。解释时把它跟 Allocation/Selection 配对看。
5. **多期归因**：本 demo 是「单期归因」。多期（年/月滚动）需要把每期的 Allocation/Selection 累加，再做时间序列分析（trend、稳定性）。

## 九、小结

策略评估的第一道关：**把收益拆成 Allocation / Selection / Interaction**，回答"赛道 vs 选股"。

| 现象 | 诊断 |
|------|------|
| Allocation >> 0, Selection ≈ 0 | 赛道压对了，但选股一般 → 行业 ETF 即可 |
| Allocation ≈ 0, Selection >> 0 | 选股厉害，但没超配好赛道 → 该加择时 |
| Interaction < 0 | 好赛道里选股拖后腿 → 行业内集中度不够 |
| 三者都 ≈ 0 | 跟基准差不多 → 考虑换基准或换策略 |

下一篇（#02）我们做**单因子归因**：5 个因子里到底谁真贡献 Alpha？——用 MPA（Multiple-Pillar Attribution）模型拆解多因子贡献。

---

**免责声明**：本文仅供技术学习交流，不构成任何投资建议。量化策略回测表现不代表未来收益，投资有风险，决策需谨慎。

**代码与文档**：https://github.com/MaiRuiApi


系列定位：策略跑完回测 = "赚钱了"？其实远远不够。本系列用 6 篇系统化方法论 + Python 实战，把"黑盒跑数"升级为"白盒拆解"。 本篇是该系列 #01：把策略收益拆成行业配置  个股选择  交互效应 三件套。

【Python量化策略评估体系 #01】策略赚钱了，是谁的功劳？Brinson 三件套拆解实战

编程语言

算法

职业发展

本文系统拆解量化策略超额收益来源，基于Brinson三件套模型，将策略收益分解为行业配置、个股选择与交互效应三大维度，并提供完整Python实现与真实数据验证。通过12只A股实证分析，演示如何区分"赛道红利"与"选股能力"，识别策略真正Alpha来源。适合量化投资者用于策略诊断、业绩归因与风险控制，提升策略透明度与可解释性。

代码解释

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

本文系统拆解量化策略超额收益来源，基于Brinson三件套模型，将策略收益分解为行业配置、个股选择与交互效应三大维度，并提供完整Python实现与真实数据验证。通过12只A股实证分析，演示如何区分"赛道红利"与"选股能力"，识别策略真正Alpha来源。适合量化投资者用于策略诊断、业绩归因与风险控制，提升策略透明度与可解...

【Python量化策略评估体系 #01】策略赚钱了，是谁的功劳？Brinson 三件套拆解实战-腾讯云开发者社区-腾讯云

【Python量化策略评估体系 #01】策略赚钱了，是谁的功劳？Brinson 三件套拆解实战

【Python量化策略评估体系 #01】策略赚钱了，是谁的功劳？Brinson 三件套拆解实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐