基于 DolphinDB 的 Brinson 绩效归因模型实践

Brinson 归因方式主要包括 BF 方案和 BHB 方案，它们分别提出了不同的收益分解方式，为投资者提供了评估基金管理绩效的工具。

多期 Brinson 模型与单期 Brinson 模型的主要区别在于对持仓变化和再投资收益的处理方式上。单期 Brinson 模型假定在样本期内基金经理没有调仓，组合没有现金流入和流出，因此其适用范围局限于单个时间段内的绩效分析。

然而，对于一个组合较长时间段内的收益分析，尤其是在组合持仓发生较大变化的情况下，单期 Brinson 模型的基本假设就不再适用。因此，多期 Brinson 模型的基本原理是将较长时期划分为多个单期，在每个单期内假设持仓保持不变并进行收益归因，最后将各个单期的归因结果进行合理加总，得到整个时期的绩效归因结果。

针对多期 Brinson 模型的算法设计，专家学者们提出了各种收益修正算法。为了将后续的再投资收益纳入考虑，此模型运用了 GRAP 算法。GRAP 算法的核心理念是将再投资收益归属到超额收益产生阶段，而非再投资收益的实际发生阶段，以确保修正后的各单期配置收益和选择收益能够直接相加，获得全样本期的绩效归因结果。因此，GRAP 算法中 n 期的多期超额收益 ER(n) 变为：

经 GRAP 算法修正后的三种收益分别为：

但如果行情表中已经对收益率有了修正，计算多期时，可以不用调整收益率，直接将每期的收益进行相加。

从大类资产层面分析了基金的各项收益后，此模型还可以把混合型基金中每个大类资产作为一个待归因分析的组合，例如股票组合、债券组合等。然后针对股票、债券组合分别做行业维度的 Brinson 归因分析，从而得到该大类资产下更为细分的归因信息。例如，将基金 A 里的股票资产单独作为一只新的股票型基金进行归因分析。由此，用户可以通过比较每个行业的权重和收益，更加具体地评估出两个基金的投资风格。

在归因分析中，对结果的解释至关重要，它帮助我们理解基金在资产配置和标的选择上的决策效果。通过分析不同收益，我们可以全面评估基金组合的表现，并确定哪些决策对超额收益的贡献最大。

brinson(dailyPosition, benchmarkPosition, marketData, dateList, [method = 'BHB'], [multiPeriod = false], [industryBrinson = NULL], [showAll = false], [multiPeriodMethod = 'grap'])

在使用 Brinson 模型时，必须提供 dailyPosition, benchmarkPosition, marketData 三个表格。这些参数提供了组合和基准组合的信息，是模型计算的基础。dateList 控制了归因的研究区间，因此也是必选参数。method, multiPeriod, multiPeriodMethod 决定了 Brinson 归因的方法。industryBrinson 用于确认是否需要对某个或者某些大类资产中进行行业归因。showAll 决定是否需要展示每期信息。

返回一个字典，一定会包含区间收益、基础信息和大类资产归因三个字典。如果 industryBrinson 不为空，则包含基础信息、大类资产归因、行业归因产生的多个字典。

参数设定不同会导致返回结果的结构有稍许的不同，以下是几种常用的归因方式以及相对应的参数设定：

1. 使用 BHB 方法计算单期 Brinson 归因：brinson(dailyPosition, benchmarkPosition, marketData, 2024.01.31, method = 'BHB', multiPeriod = false, industryBrinson = NULL, showAll = false) 。返回结果如下图所示：
   

2. 使用 BHB 方法和 grap 算法计算多期 Brinson 归因，并对股票大类资产下进行行业归因，并且展示所有结果：brinson(dailyPosition, benchmarkPosition, marketData, 2024.01.31 2024.02.29 2024.03.31, method = 'BF', multiPeriod = true, industryBrinson = ['股票'], showAll = true, multiPeriodMethod = 'grap')。返回结果如下图所示：

如若没有数据，可以参考附件内模拟数据脚本生成的数据。如若已有数据，需保证现有的数据表中的字段名与输入参数中的字段名一致。以下示例中展示的都是模拟数据。

1. 持仓表：对于持仓表，需要整理成包含日期、标的、每日持仓权重的表格。因为 Brinson 支持多期归因，表格中需要包含多期持仓的具体组合和权重。

   
   
   

2. 每期基准表：对于基准表，与持仓表相同，需要每期的基准组合。

   
   
   

3. 行情数据表：行情数据表中需要包含所有基准中的成分及其收益率和权重。除此之外，也需要包含所有持仓中标的的行情数据表。例如下表中，包含了持仓及基准持仓中所有标的的行情数据。

   
   
   

对于单期 Brinson 归因，，代表对 dateList 所包含的日期区间持仓进行归因。因为 Brinson 支持多期计算，也就是将期限内的持仓变动考虑在归因过程中，所以可以通过设置参数中的 dateList 来设置变动周期。例如，如果每天变动一次具体的持仓，可以将 rule 设置为 ’D‘。如若 dateList = 2024.02.01..2024.03.01，模型则会计算从 2024.02.01 至 2024.03.01 根据每天持仓产生的归因结果。

除此之外，上文已经介绍了 Brinson 的不同归因计算方式，包含 BHB 和 BF 计算模型、单期与多期模型和行业归因模型。可以通过设定不同的参数实现不同的需求。

在清理好基础信息数据表后，就可以载入模型，常用的调用方式如下：

1. 使用 BF 方法计算单期 Brinson 归因，并展示每期结果：

   use dolphinBrinson
   dateList = 2024.01.31
   brinson(dailyPosition, benchmarkPosition, marketData, dateList, method = 'BF', multiPeriod = true, 
   industryBrinson = NULL, showAll = true) 

2. 使用 BHB 方法和 grap 修正计算多期 Brinson 归因，并对股票大类资产下进行行业归因，并且展示所有结果：

   use dolphinBrinson
   dateList = 2024.01.31 2024.02.29 2024.03.31
   brinson(dailyPosition, benchmarkPosition, marketData, dateList, method = 'BHB', multiPeriod = true, 
   industryBrinson = `股票, showAll = true, multiPeriodMethod = 'grap')

模拟数据：

• 持仓数据 (dailyPosition)：模拟了 5 年期间每日包含 10, 100, 1000 只标的的持仓信息，包含股票、债券、现金。
• 基准持仓数据 (benchmarkPosition)：模拟了 10 年期间每日的基准持仓信息。
• 行情数据 (marketData)：模拟了 10 年期间 10000 只股票，股票、债券、现金资产的行情数据。

归因分析配置：

• 设置 method 为默认值 BHB。
• 通过改变 dateList 参数来调整运行频率，分别设置为每季度、每月和每日。
• 通过改变 multiPeriod 来设置是否进行多期归因
• 通过设置 industryBrinson = ['股票'] 对股票资产进行归因
• 设置 showAll 为 false，不展示所有结果

从上述结果来看，

1. 时间频率对运行时间的影响：随着时间频率的增加，运行时间增加。这是因为频率越高，数据量越大，计算复杂度也随之增加。虽然是多期，但 GARP 算法只是根据每期的收益率进行一次累积，10 年每月就是多了 120 次乘积计算，因此对计算量来说并没有太大的区别；但如果是每天归因，则增加了 3650 次乘积计算，因此时间会比季度或者月度频率要明显增多。
2. 持仓的影响：如果是每季度或者每月对不同持仓的组合进行一次多期分析，时间相差不大；如果每天进行归因分析，持仓多的组合的运行时间比持仓少的组合分析稍长。