基于 DolphinDB 的 Campisi 绩效归因模型实践

本章节将具体介绍模块中如何实现 Campisi 四种效应的计算。

下图为模块中的实现步骤：首先是对输入数据的预处理，包含持仓日期的对齐，排序等。然后，对于每一条有效数据进行债券指标的计算。接下来，对于这些指标进行行业维度的加权平均值计算以及效应计算并输出结果。具体的指标和计算公式在本章节中会有更详细的介绍。

Campisi 绩效归因模型可以在两种不同的框架下使用，分别是无基准模型和有基准模型。无基准模型不参考任何市场基准或对照组，完全基于当前持仓债券的特征来分析收益来源。这种方法适用于那些没有固定市场基准的投资组合，或者希望独立评估组合在不同市场环境下的表现时。有基准模型则是在一个基准或市场对照组的基础上，分析债券组合相对于基准的超额收益。此方法更适合那些基于市场指数或行业基准进行投资的组合管理者。在此模型下，投资者不仅可以看到组合收益的构成，还能够看到相对于基准的超额表现来源。

在进行区间业绩归因时，需要考虑每日的效应变化，并将其累积到整个区间内的表现。这种方法能够帮助投资者分析在一个较长时间段内，各种效应对组合整体收益的贡献。因此，在获得组合的单期业绩归因结果后，可在指定时间区间上对组合进行业绩归因。在此模型中，计算跨 T 天的区间效益 r 为：

其中，T 为计算的天数，r_t为第 t 天组合的日度效应，R_s为第 s 天组合的债券总收益。

本章节将介绍在 Campisi 绩效归因模型中所分解的效应对债券组合的贡献含义。

campisi(dailyPosition,marketData,treasuryCurve,dateList,[convexity=false],[benchmark=false],[benchmarkPosition=NULL], [industryCurve=NULL], [multiPeriod=false])

在使用 Campisi 模型时，必须提供 dailyPosition、marketData、treasuryCurve 和 dateList 参数，这些参数提供了债券组合的基本信息和市场数据，是模型计算的基础。 convexity 决定是否考虑债券的凸性；benchmark 决定是否使用基准进行比较分析；在 benchmark= true 时，需要提供 benchmarkPosition 和 industryCurve，用于提供基准组合和行业曲线的数据。在默认设置下，Campisi 模型会计算不考虑凸性无基准组合的归因。以下是对这些参数的详细介绍：

1. dailyPosition 持仓信息。Table，包含债券组合的持仓信息。提供每个债券的基本信息，包括持仓数量和行业分类，用于计算组合的各项收益指标。此表必须包含的列如下：

   列名	数据类型	备注
   symbol	STRING	品种代码
   positionQty	INT	持仓数量
   positionDate	DATE	持仓日期

2. marketData 行情数据。Table，包含市场上的债券行情数据。提供市场数据，用于计算各债券的收益和风险指标。此表必须包含的列如下：

   列名	数据类型	备注
   symbol	STRING	品种代码
   couponRate	DOUBLE	票息率
   industry	STRING	行业类型
   faceValue	DOUBLE	面值
   price	DOUBLE	净价
   duration	DOUBLE	久期
   convexity	DOUBLE	凸性
   date	DATE	日期

3. treasuryCurve 国债曲线。Table，包含不同时期国债的收益率曲线数据。提供国债收益率数据，用于计算国债效应和利差效应。此表必须包含的列如下：

   列名	数据类型	备注
   period	INT / DURATION	剩余到期期限。如果为 INT 类型，则以年为单位。例如某国债产品还有 3 个月到期，那么可以为 0.25 或者 3M
   date	DATE	日期
   value	DOUBLE	到期收益率，单位为百分位。例如 2.3 代表到期收益率为 2.3%

4. dateList 持仓日期。DATE，指定计算的时间点。例如，想要对 2024 年 1 月 1 号到 2024 年 1 月 5 号做每天的归因，那 dateList = 2024.01.01..2024.01.05。如果想要根据交易日历的有效日期做归因，也可以使用 getMarketCalendar 函数获取日期范围内的有效日期。

5. convexity 是否考虑凸性。BOOL，决定在计算国债效应和利差效应时是否考虑债券的凸性。默认值为 false。

6. benchmark 是否有基准。BOOL，决定是否进行基准收益归因分析。默认值为 false。

7. benmarkPosition 基准信息。Table，包含基准债券组合的信息。提供基准债券组合的基本信息，用于与实际持仓进行比较分析。默认值为 NULL。此表必须包含的列如下：

   列名	数据类型	备注
   symbol	STRING	品种代码
   weight	DOUBLE	权重
   industry	STRING	行业类型

8. industryCurve 行业曲线。Table，包含行业收益率曲线数据。提供行业收益率数据，用于计算行业利差和利差效应。默认值为 NULL。此表必须包含的列如下：

   列名	数据类型	备注
   industry	STRING	行业类型
   period	INT / DURATION	剩余到期期限。如果为 INT 类型，则以年为单位。例如行业基准产品还有 3 个月到期，那么可以为 0.25 或者 3M
   date	DATE	date
   value	DOUBLE	到期收益率

9. multiPeriod 是否多期。BOOL，选择是否需要多期计算。

Campisi 模型的输出是一个 dict 类型的数据结构，包含了债券组合的绩效归因分析结果。根据是否考虑凸性和基准，结果的结构会有所不同。如果选择了无基准归因，返回字典里的值会是一个表格，包含了债券组合收益率归因结果；如果选择了有基准归因，字典里的值包含了两张表，分别是不同于基准的债券组合收益率归因和债券组合阿尔法。具体的示例如下：

1. 不考虑凸性的无基准组合单期归因：campisi(dailyPosition,marketData,treasuryCurve,2024.03.01 2024.02.01)

   
   
   

2. 不考虑凸性有基准组合的多期归因：campisi(dailyPosition,marketData,treasuryCurve,2024.01.01 2024.02.01 2024.03.01,convexity=false,benchmark=true,benchmarkPosition=benchmarkPosition, industryCurve=industryCurve,multiPeriod=false)

   
   
   

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，需要整理成包含标的，持仓数量，以及日期的每日持仓表。其中，必须包含所归因日期的持仓信息。可参考评论里的模拟数据脚本生成的数据。例如，我们每日的组合包含 5 种债券对应 2 种行业类型：有担保企业债和无担保企业债。

   
   

2. 行情数据：对于行情数据，需要计算每个标的的久期及凸性。最终的行情表格里的价格为净价。需要注意的是，行情数据表里必须包含归因日期（期末）及期初的行情。参考评论里的模拟数据脚本生成的数据。例如，下图中的行情表就包含了组合中所有标的的行情数据以及其行业。

   
   

3. 国债收益率曲线：对于国债收益率曲线，我们需要针对归因的组合类型挑选合适的国债指数，并且取出其不同期限在不同日期下的收益率。其中，必须包含期初和期末日期的所有期限的收益率。

   
   

4. 基准数据：如果想要进行有基准的 Campisi 归因，则需要准备对应的基准数据。包含了基准内的标的以及对应在基准内的权重。例如，我们可以使用前五大重仓。或者通过自定义的方式定义基准中包含的标的。

   
   

5. 行业债券收益率曲线：与国债收益率曲线的格式相同，只是需要多一列代表所对应的行业。为了确保归因的准确性，推荐包含持仓内所有行业所对应的行业收益率。其中，必须包含期初和期末日期的所有期限的收益率。例如下表包含了两个行业的曲线，industry 列表明了每个曲线所对应的行业。

   
   

Campisi 的假设是，在一定期限内持仓不变的基础上，针对这一期限内的收益进行归因分析。因此，我们可以通过参数 dateList 来规定持仓日期。例如，用户在计算 2024.02.01 到 2024.03.01 间的归因时，就设置 dateList= [2024.02.01 2024.03.01]。如果用户想要计算 2024.02.01 到 2024.03.01 和 2024.01.01 到 2024.02.01 之间的归因，可以将 dateList = [2024.01.01 2024.02.01 2024.03.01] 。

其他设置则是对应不同的 campisi 算法。包括 convexity 参数决定是否需要考虑凸性；benchmark, benchmarkPosition, industryCurve 则是为 Campisi 模型提供了基准信息。

在清理好基础信息数据表后，就可以载入模型，具体的调用方式如下：

1. 计算 2024.03.01 期限为一个月不考虑凸性的无基准 campisi 归因：

   use dolphinCampisi
   campisi(dailyPosition,marketData,treasuryCurve,2024.02.01 2024.03.01,  
   convexity=false)

2. 计算 2024.03.01 和 2024.02.01 两个日期下期限为一个月不考虑凸性的有基准 campisi 归因：

   use dolphinCampisi
   campisi(dailyPosition,marketData,treasuryCurve,2024.01.01 2024.02.01 2024.03.01,
   convexity=false,benchmark=true,
   benchmarkPosition=benchmarkPosition, industryCurve=industryCurve) 

需要注意的是，因为 2024.01.01 为休市日期，模型会自动寻找最近一条的记录，也就是 2023.12.31 的行情数据进行计算，也可以从结果中确认模型的期初和期末日期。

模拟数据：

• 持仓数据 (dailyPosition)：模拟了 10 年期间每日包含 10，100，1000 只债券的持仓信息。
• 行情数据 (marketData)：模拟了 10 年期间 1000 只标的的每日行情数据。
• 国债收益率曲线 (treasuryCurve)：模拟了 10 年期间每天 30 个不同期限的国债收益率数据。
• 行业收益率曲线 (industryCurve)：模拟了 10 年期间每天 30 个不同期限的行业收益率数据。

归因分析配置：

• 设置 convexity 为默认值 false。
• 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。

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。
2. 基准对运行时间的影响：无基准的运行时间明显短于有基准的情况。这是因为对于有基准的组合，我们需要分别对基准组合和持仓组合进行归因，并且需要寻找行业收益率以计算行业利差，因此时间会翻倍甚至更多。
3. 单期多期的影响：选择多期需要的时间回比单期稍长。