业绩归因分析Skill：不止告诉你赚了多少，更告诉你为什么赚
- 一句话定位：把组合超额收益拆解成可解释的来源——行业配置、个股选择、因子暴露、择时贡献，回答“为什么赚/为什么亏”，而不只是“赚了多少”。
- 核心方法齐备：覆盖 Brinson-Fachler 单期与多期归因、Alpha-Beta 拆解与 Fama-French 多因子扩展、Treynor-Mazuy 与 Henriksson-Merton 择时检验、基准选择与风险调整指标。
- 开箱即用的输出结构：技能内置标准化报告模板（业绩概览 → 归因拆解 → 因子暴露 → 结论建议），可直接用于复盘会、投委会或策略迭代。
- 踩坑提醒内置：明确列出归因不等于预测、基准选择影响 Alpha、数据频率选择、幸存者偏差、多重检验等 7 条注意事项。
- 适合谁用：量化研究员、基金经理/组合管理人、FOF 与投顾团队、以及需要向客户解释业绩的财富管理从业者。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能基本信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 业绩归因分析Skill |
| 技能英文名 | 业绩归因分析（技能文档中亦以 Performance Attribution Analysis 作为框架命名） |
| 技能ID | 14247 |
| 技能分类 | 分析类（analysis） |
它解决什么问题
做投资和做策略的人常遇到同一个尴尬：回测报告或产品净值告诉你“今年赚了 12.5%”，但说不清这 12.5% 里有多少来自“选对了行业”、多少来自“选对了股票”、多少来自“运气好赶上了小盘风格”、多少来自“牛市里敢加仓”。没有这层拆解，就无法判断业绩是能力还是风格暴露，也无法决定下一步该保留还是该修正什么。业绩归因分析Skill 正是把“结果”翻译成“原因”的工具：它按 Brinson、因子回归、择时模型等多套方法，把总超额收益拆成可量化、可解释的分项，并给出显著性检验与结论建议。
一键安装的思路与步骤
AI 技能的“一键安装”，本质是把一份结构化的技能说明书（能力边界、方法论、输出格式）挂载到你的 AI 助手上，让它在该领域按专业范式作答，而不是每次从零提示。通用流程如下：
- 确认前提：你正在使用支持“AI 技能/插件/能力市场”的客户端或平台；已具备基本的对话调用能力。具体支持范围与账号要求以官方说明为准。
- 找到技能：在技能市场或技能库中，使用技能名称「业绩归因分析」或技能 ID「14247」检索；若平台支持分类浏览，可在“分析（analysis）”分类下查找。
- 执行安装：进入技能详情页，点击“安装 / 添加 / 启用”按钮完成挂载；部分平台支持一次性批量启用多个分析类技能。安装入口与按钮名称以官方说明为准。
- 验证是否生效：新建一个对话，输入一句最小验证指令，例如“使用业绩归因分析Skill，给出 Brinson 三效应的计算公式和一个两行业示例”。若返回内容中出现配置效应（Allocation）、选择效应（Selection）、交互效应（Interaction）三项拆分及对应公式，说明技能已生效。
- 建立常用调用习惯：将你的基准选择（如沪深300）、数据频率（月度）、报告频率（月报）等固定偏好写进首次对话，后续可复用同一会话上下文，减少重复描述。
2. 该技能的主要功能和特点
- Brinson 行业与选股归因：支持单期 Brinson-Fachler 模型，把总超额收益 = 组合收益 − 基准收益，拆成配置效应、选择效应、交互效应三部分，并给出每一项的完整数学公式，便于核算与复现。
- 多期归因链接方案：明确指出直接加总单期归因会产生残差（复利效应），提供算术链接与 Carino 对数链接两种处理思路，并给出实务建议：月度归因用算术链接通常足够，残差一般小于 0.1%。
- Alpha-Beta 拆解：以
R_p = α + β × R_m + ε的结构拆分超额收益、市场暴露与特质风险，采用 OLS 回归并要求至少 60 个数据点，避免小样本导致的伪显著。 - 多因子归因（Fama-French 扩展）：支持 MKT、SMB、HML、MOM 四因子模型，并给出中国 A 股的本土化代理指标（如以沪深300代表 MKT、以中证500−沪深300 构造 SMB、以高PB组−低PB组构造 HML、以过去12个月赢家−输家构造 MOM）。
- 因子暴露解读模板：输出 Beta、t 统计量、显著性标记（、、）与因子解读，并给出 R² 解释力说明，例如“R²=0.72 表示因子解释了 72% 的收益波动”。
- 择时能力评估：内置 Treynor-Mazuy（加入市场收益平方项）与 Henriksson-Merton（加入
max(R_m − R_f, 0)项）两类经典模型，并补充牛市捕获率、熊市捕获率、择时命中率、仓位变动与未来收益相关性等实务指标。 - 基准对比框架：按策略类型给出基准推荐（A股大盘对应沪深300、小盘对应中证500/1000、全市场对应中证全指、港股对应恒生、美股对应标普500、加密资产对应 BTC、多资产对应自建 60/40 组合）。
- 风险调整指标评价表：对夏普、索提诺、卡玛、信息比率、特雷诺等指标给出公式与“优秀/良好/一般”的量化分档，方便横向对比。
- 滚动分析支持：建议用 12 个月等滚动窗口观察滚动夏普、滚动 Alpha、滚动 Beta、滚动信息比率，判断能力是否稳定、是否漂移。
- 标准化四步分析框架：总体分析 → 归因拆解 → 风格分析 → 结论建议，避免“上来就跑模型、最后没有结论”。
- 与普通工具的关键差异：普通报表工具只能给出收益与波动等结果指标；该技能强制把结果与“可解释来源”“显著性检验”“基准合理性”“常见统计陷阱”绑定，输出的是判断依据而非数字堆砌。
3. 如何使用该技能？
第 1 步：准备输入数据。 至少需要组合与基准的两组时间序列收益，若要做 Brinson 归因还需每个行业的组合权重、基准权重、组合行业收益、基准行业收益；若要做因子归因，需要因子收益数据（文档提示可从 tushare 获取或自行构造）。
第 2 步：明确分析目标与范围。 用一句话交代：分析区间、数据频率、基准标的、想回答的问题。示例输入：
使用业绩归因分析Skill，对我管理的 A 股组合做 2021-01 至 2023-12 的月度业绩归因。基准为沪深300，行业分类用申万一级。我关心三件事：一是行业配置和个股选择各贡献多少；二是组合是否只是小盘风格暴露；三是我有没有真实的择时能力。
第 3 步：按框架逐层调用。 建议按技能内置的四步走：先要“总体分析”（累计收益、超额收益、年化波动、最大回撤、夏普），再要“归因拆解”（Brinson + 因子 + 择时），然后要“风格分析”（大盘 vs 小盘、成长 vs 价值、是否存在风格漂移），最后要“结论与建议”。
第 4 步：读取输出并核对结构。 技能的默认输出为一份业绩归因报告，包含业绩概览表、归因拆解表、因子暴露表、结论四块。可参考如下形态：
- 业绩概览：累计收益 +85.2% 对基准 +32.1%，超额 +53.1%；年化收益 12.5% 对 5.8%；年化波动 18.2% 对 20.5%；夏普 0.69 对 0.28；信息比率 0.82。
- 归因拆解：行业配置 +2.1%（占 31%）、个股选择 +3.8%（占 57%）、择时 +0.8%（占 12%）。
- 因子暴露：市场 Beta 0.85（t=12.3，防御属性）、SMB 0.25（t=3.2，小盘暴露）、HML −0.15（t=−1.8，成长偏向）、MOM 0.30（t=4.1，显著动量暴露）、Alpha 0.8%/月（t=2.5，显著）。
- 结论：超额主要来自选股（57%），Alpha 显著说明具备真实选股能力；同时需警惕小盘暴露过高的风险。
第 5 步：追问与压力测试。 拿到结论后继续追问，例如“把基准从中证500 换成沪深300，Alpha 还剩多少？”“改用卡玛比率重排，结论会变吗？”“做滚动 12 个月的 Alpha，是否存在衰减？”技能会基于同一套方法论给出对比结果，帮助判断结论的稳健性。
第 6 步：落地到决策。 把结论写成可执行的行动项，例如“降低 SMB 暴露”“对贡献最高的三个行业设置行业偏离上限”“把择时判断从主观改为规则化信号”。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 业绩归因分析Skill（本技能，ID 14247） | 对话式归因分析框架与报告生成 | Brinson 单/多期归因、Alpha-Beta 与多因子拆解、TM/HM 择时检验、基准选择建议、风险调整指标分档、滚动分析 | 在支持技能市场的平台一键安装，无需写代码；需自备收益与权重数据 | 策略复盘、产品归因月报、投委会汇报、投顾解释业绩 | 优势：方法体系完整、输出结构化、自带统计陷阱提醒；不足：依赖用户提供数据质量，非自动取数与回测引擎 |
| 通用大模型直接对话（不装技能） | 通用问答 | 可临时演算公式、写分析段落 | 零门槛 | 临时算一个 Brinson 公式、写一段结论 | 优势：随手可用；不足：缺少固定分析框架，容易漏掉显著性检验、多期残差、基准合理性等关键环节，输出稳定性差 |
| Excel/表格自建归因模型 | 手工建模 | 可自定义公式、透视表拆分 | 需自行搭建模板与校验 | 行业配置归因、简单超额拆解 | 优势：完全可控、便于审计；不足：多期链接、因子回归、择时模型需大量公式与统计插件，维护成本高，易出错 |
| 专业量化终端/开源因子库（如 tushare 等数据源 + 自写脚本） | 数据+代码路线 | 因子数据获取、回归、批量回测 | 需编程与统计基础 | 大规模策略研究、因子库建设 | 优势：可自动化、可扩展；不足：从取数到成文全流程自建，出报告慢，缺少“结论与建议”的结构化表达 |
如何选：如果目标是“快速把一次回测或一段净值讲清楚”，本技能的投入产出比最高；如果需要“每天对上百个策略批量跑归因入库”，则应走代码+数据源路线，本技能可用于方案设计与结果解读环节。
5. 该技能的典型应用场景与实际体验情况
场景一：量化研究员的策略复盘。 痛点：回测跑出年化 12.5%，但不确定收益来自因子暴露还是真实 Alpha，怕上线后失效。使用方式：把组合与基准的月度收益、因子收益序列交给技能，要求输出因子暴露表与显著性检验。实际体验：上手几乎没有门槛，只要数据能整理成时间序列即可；技能会直接给出“SMB beta=0.25、t=3.2”这类可比对的结论，并提示“警惕小盘暴露过高”。注意点：回归至少要 60 个数据点，样本太短时结论不可信。
场景二：基金经理/组合管理人的月度归因报告。 痛点：每月要向上汇报“为什么跑赢/跑输”，手工做 Brinson 表耗时且容易算错交互项。使用方式：提供各行业组合权重、基准权重与两侧行业收益，要求按 Brinson-Fachler 输出配置、选择、交互三列以及合计。实际体验：技能会直接给出类似“食品饮料 配置+0.3%、选择+0.7%、交互+0.7%”的逐行拆解，并校验“超额 = 三项之和 + 残差”，便于复核。注意点：多期归因不要简单加总，需要说明采用算术链接还是 Carino 对数链接。
场景三：FOF/投顾向客户解释业绩。 痛点：客户只看到净值涨跌，质疑“是不是运气好”“是不是加杠杆”。使用方式：要求技能输出择时评估与风险调整指标，包括牛熊市捕获率、择时命中率、夏普/索提诺/卡玛分档。实际体验：把“择时贡献 +0.8%，占超额 12%”这类量化结论摆出来，沟通效率明显提升；同时技能会提醒“归因解释的是过去，不保证未来持续”，避免过度承诺。注意点：基准选择必须与产品定位匹配，否则 Alpha 会被系统性高估或低估。
场景四：多资产与另类策略的风格识别。 痛点：港股、美股、加密资产、60/40 多资产组合缺少统一的评价口径。使用方式：先按技能给出的基准推荐表选定基准（恒生指数、标普500、BTC、自建 60/40），再统一用滚动 12 个月窗口观察滚动 Alpha、滚动 Beta 是否稳定。实际体验：滚动分析能直观暴露“能力衰减”或“风格漂移”，比单期数字更有说服力。注意点：加密资产波动极大，指标分档标准需结合自身语境解读。
整体上手难度评估：方法论部分无需额外学习成本，技能已把公式、模板、分档标准写好；真正的门槛在数据准备（行业权重、因子收益）与结论解读（显著性、经济意义）。建议第一次使用时先用一份自己熟悉的历史业绩做校验，确认输出与已知结论一致后再投入正式流程。
6. 该技能能为用户带来的价值
- 把“结果”变成“判断”：从一句“今年赚了 12.5%”，升级为“超额 6.7%，其中选股贡献 57%、行业配置 31%、择时 12%，Alpha 显著（t=2.5）”，决策依据从感觉变为证据。
- 显著压缩报告时间：Brinson 表、因子暴露表、风险指标表、结论建议一次成型，把原本需要半天到一天的手工建模压缩到一次对话，且格式统一、可复用。
- 降低专业门槛：不必精通计量经济学，也能按标准流程完成 TM/HM 择时检验与多因子回归解读；公式、代理指标、评价分档都已内置。
- 减少踩坑成本：技能主动提示归因不等于预测、基准选择影响 Alpha、日频归因噪声大建议“日算月报”、幸存者偏差与多重检验问题，避免“看起来显著其实靠运气”的误判。
- 长期价值：把归因变成固定流程后，策略迭代形成“归因 → 修正 → 再归因”的闭环，能力沉淀为可比较的时间序列（滚动 Alpha、滚动信息比率），团队协作与投后管理都有共同语言。
7. 常见问题 FAQ
Q1：怎么安装这个技能？需要写代码吗？ A：不需要写代码。在支持 AI 技能市场的客户端中，用技能名称「业绩归因分析」或技能 ID「14247」搜索，进入详情页点击安装/启用即可。安装入口名称与支持平台以官方说明为准。安装后建议用一句“给出 Brinson 三效应公式与两行业示例”做最小验证。
Q2：使用这个技能收费吗？ A：技能本身的方法论内容已在技能说明中完整给出。是否收费、是否包含在订阅内、是否有调用次数限制，取决于所在技能平台的计费规则，具体以官方说明为准。
Q3：它可以直接连接我的券商账户或数据库自动取数吗？
A：从技能说明看，它是一个归因分析框架，需要你提供收益序列、行业权重、因子收益等输入数据（因子数据可从 tushare 获取或自行构造）。它不承诺自动取数与自动回测，取数环节仍需你或你的系统完成。
Q4：它适合谁用？不适合谁用？ A：适合量化研究员、基金经理与组合管理人、FOF/投顾、需要解释业绩的财富管理从业者。不太适合只想知道“涨了多少”、不打算做任何归因拆解的用户；也不适合希望一键完成全自动回测流水线的团队。
Q5：和直接用大模型聊天、或者自己用 Excel 做归因，差别在哪？ A：直接用大模型聊天缺少固定框架，容易漏掉显著性检验、多期链接残差、基准合理性这些关键环节；Excel 自建完全可控，但多期链接、因子回归、择时模型搭建成本高。本技能的价值在于把“方法 + 模板 + 陷阱清单 + 结论建议”打包成稳定流程，输出可复核、可对比、可复用的标准报告。
Q6：为什么我换一个基准，Alpha 就消失了？ A：技能中特别提示“基准选择影响归因”，基准不合适会系统性地高估或低估 Alpha。例如小盘策略若用沪深300 作基准，SMB 暴露会被误读为 Alpha。建议按策略类型选择基准（大盘对应沪深300、小盘对应中证500/1000、全市场对应中证全指），并用滚动分析验证结论稳健性。