【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型
文章目录
- 1. 引言
- 2. Brinson单期归因模型
- 2.1 模型框架
- 2.2 公式推导
- 3. Brinson多期归因模型
- 3.1 模型框架
- 3.2 公式推导
- 4. Brinson模型的应用场景
- 4.1 基金组合绩效归因
- 4.2 基金经理能力刻画
- 4.3 大类资产配置应用
- 5. 模型的实现与实证案例研究
- 写在最后
注:本文暂未完成,预计完成时间5/17,敬请期待
1. 引言
2. Brinson单期归因模型
2.1 模型框架
wp | wb | |
---|---|---|
rp | 组合收益:wp rp | 择股收益:wb rp |
rb | 择时收益:wp rb | 基准收益:wb rb |
2.2 公式推导
R E = ∑ i = 1 n w i p r i p − ∑ i = 1 n w i b r i b = ∑ i = 1 n ( w i p r i p − w i b r i b ) = ∑ i = 1 n ( w i p r i b − w i b r i b + w i b r i p − w i b r i b + w i p r i p − w i p r i b − w i b r i p + w i b r i b ) = ∑ i = 1 n ( w i p − w i b ) r i b + ∑ i = 1 n w i b ( r i p − r i b ) + ∑ i = 1 n ( w i p − w i b ) ( r i p − r i b ) = R A + R S + R I R_{E}= \sum_{i=1}^{n}w_i^pr_i^p - \sum_{i=1}^{n}w_i^br_i^b \\ = \sum_{i=1}^{n} (w_i^pr_i^p - w_i^br_i^b) \\ = \sum_{i=1}^{n} (w_i^pr_i^b - w_i^br_i^b+ w_i^br_i^p-w_i^br_i^b+ w_i^pr_i^p- w_i^pr_i^b - w_i^br_i^p + w_i^br_i^b) \\ = \sum_{i=1}^{n} (w_i^p - w_i^b)r_i^b + \sum_{i=1}^{n} w_i^b(r_i^p-r_i^b) + \sum_{i=1}^{n}( w_i^p- w_i^b)(r_i^p- r_i^b )\\ =R_A + R_S + R_I RE=i=1∑nwiprip−i=1∑nwibrib=i=1∑n(wiprip−wibrib)=i=1∑n(wiprib−wibrib+wibrip−wibrib+wiprip−wiprib−wibrip+wibrib)=i=1∑n(wip−wib)rib+i=1∑nwib(rip−rib)+i=1∑n(wip−wib)(rip−rib)=RA+RS+RI
其中:
· RE 为总超额收益;
· RTS 为择时收益:
R T S = ∑ i = 1 n ( w i p − w i b ) r i b R_{TS} = \sum_{i=1}^{n} (w_i^p - w_i^b)r_i^b RTS=i=1∑n(wip−wib)rib
· RSS 为择股收益:
R S S = ∑ i = 1 n w i b ( r i p − r i b ) R_{SS} = \sum_{i=1}^{n} w_i^b(r_i^p-r_i^b) RSS=i=1∑nwib(rip−rib)
· RIE 为交互作用:
R I E = ∑ i = 1 n ( w i p − w i b ) ( r i p − r i b ) R_{IE} = \sum_{i=1}^{n}( w_i^p- w_i^b)(r_i^p- r_i^b ) RIE=i=1∑n(wip−wib)(rip−rib)
3. Brinson多期归因模型
3.1 模型框架
然而,各期之间存在复利效应,因此需要进行多期归因。多期可以理解为每一个单独周期的组合。
3.2 公式推导
在多期模型中,有两种推导方法,二者理解的角度不同,但是公式在本质上是等价的。
方法一:递推方法
1 + R t = ( 1 + r 1 ) ( 1 + r 2 ) ⋅ ⋅ ⋅ ( 1 + r t ) = ( 1 + R t − 1 ) ( 1 + r t ) = 1 + R t − 1 + R t − 1 ( 1 + r t ) 1 + R_t = (1+ r_1)( 1 + r_2) ···(1 + r_t) \\ = ( 1 + R_{t-1})( 1+ r_t) = 1 + R_{t-1} + R_{t-1}( 1+ r_t) 1+Rt=(1+r1)(1+r2)⋅⋅⋅(1+rt)=(1+Rt−1)(1+rt)=1+Rt−1+Rt−1(1+rt)
规定 R0 = 0,则上式变型后可以得到递推式::
R t = R t − 1 + ( 1 + R t − 1 ) r t = R t − 2 + ( 1 + R t − 2 ) r t − 1 + ( 1 + R t − 1 ) r t = ⋅ ⋅ ⋅ = ∑ τ = 1 t ( 1 + R τ − 1 ) r τ = ∑ τ = 1 t ( 1 + R τ − 1 ) ∑ i = 1 n w i τ r i τ R_t = R_{t-1} +( 1+ R_{t-1})r_t \\ = R_{t-2} + ( 1+ R_{t-2})r_{t-1} + (1 + R_{t-1})r_{t} \\ = \cdot\cdot\cdot \\ =\sum_{\tau = 1}^{t}(1+R_{\tau - 1})r_{\tau} \\ = \sum_{\tau = 1}^{t}(1+R_{\tau - 1}) \sum_{i = 1}^{n}{w_{i\tau}r_{i\tau}} Rt=Rt−1+(1+Rt−1)rt=Rt−2+(1+Rt−2)rt−1+(1+Rt−1)rt=⋅⋅⋅=τ=1∑t(1+Rτ−1)rτ=τ=1∑t(1+Rτ−1)i=1∑nwiτriτ
累计超额收益为:
R E ( t ) = R t p p − R t b b R_E(t) = R^{pp}_t - R^{bb}_t RE(t)=Rtpp−Rtbb
择时收益为:
R A ( t ) = R t p b − R t b b R_A(t) = R^{pb}_t - R^{bb}_t RA(t)=Rtpb−Rtbb
择股收益为:
R S ( t ) = R t b p − R t b b R_S(t) = R^{bp}_t - R^{bb}_t RS(t)=Rtbp−Rtbb
交互作用为:
R I ( t ) = R E ( t ) − R A ( t ) − R S ( t ) R_I(t) = R_E(t) - R_A(t) - R_S(t) RI(t)=RE(t)−RA(t)−RS(t)
方法二:乘数因子方法
分别考虑 t 期的基准累计收益率 Rp 和组合累计收益率 Rb:
1 + R t p = ∏ τ = 1 t ( 1 + r τ p ) 1 + R t b = ∏ τ = 1 t ( 1 + r τ b ) 1 + R_t^p = \prod _{\tau=1} ^ t (1+ r_{\tau}^p) \\ 1 + R_t^b = \prod _{\tau=1} ^ t (1+ r_{\tau}^b) 1+Rtp=τ=1∏t(1+rτp)1+Rtb=τ=1∏t(1+rτb)
对两边取对数运算:
ln ( 1 + R t p ) = ∑ τ = 1 t ln ( 1 + r τ p ) ln ( 1 + R t b ) = ∑ τ = 1 t ln ( 1 + r τ b ) \text{ln}( 1 + R_t^p ) = \sum _{\tau=1} ^ t \text{ln}(1+ r_{\tau}^p) \\ \text{ln}( 1 + R_t^b ) = \sum _{\tau=1} ^ t \text{ln}(1+ r_{\tau}^b) ln(1+Rtp)=τ=1∑tln(1+rτp)ln(1+Rtb)=τ=1∑tln(1+rτb)
两者相减:
ln ( 1 + R t p ) − ln ( 1 + R t b ) = ∑ τ = 1 t [ ln ( 1 + r τ p ) − ln ( 1 + r τ b ) ] \text{ln}( 1 + R_t^p ) - \text{ln}( 1 + R_t^b ) = \sum _{\tau=1} ^ t [\text{ln}(1+ r_{\tau}^p) -\text{ln}(1+ r_{\tau}^b) ] ln(1+Rtp)−ln(1+Rtb)=τ=1∑t[ln(1+rτp)−ln(1+rτb)] ln ( 1 + R t p ) − ln ( 1 + R t b ) R t p − R t b ⋅ ( R t p − R t b ) = ∑ τ = 1 t [ ln ( 1 + r τ p ) − ln ( 1 + r τ b ) ] r τ p − r τ b ⋅ ( r t p − r t b ) \frac{\text{ln}( 1 + R_t^p ) - \text{ln}( 1 + R_t^b ) } { R_t^p - R_t^b} \cdot (R_t^p - R_t^b) = \sum _{\tau=1} ^ t \frac{[\text{ln}(1+ r_{\tau}^p) -\text{ln}(1+ r_{\tau}^b) ] }{r_{\tau}^p - r_{\tau}^b } \cdot (r_t^p - r_t^b) Rtp−Rtbln(1+Rtp)−ln(1+Rtb)⋅(Rtp−Rtb)=τ=1∑trτp−rτb[ln(1+rτp)−ln(1+rτb)]⋅(rtp−rtb)
定义乘数因子:
F t = ln ( 1 + R t p ) − ln ( 1 + R t b ) R t p − R t b F_t = \frac{\text{ln}( 1 + R_t^p ) - \text{ln}( 1 + R_t^b ) } { R_t^p - R_t^b} Ft=Rtp−Rtbln(1+Rtp)−ln(1+Rtb) f t = ln ( 1 + r t p ) − ln ( 1 + r t b ) r t p − r t b f_t = \frac{\text{ln}( 1 + r_t^p ) - \text{ln}( 1 + r_t^b ) } { r_t^p - r_t^b} ft=rtp−rtbln(1+rtp)−ln(1+rtb)
则有:
R t p − R t b = ∑ τ = 1 t f τ F t ( r t p − r t b ) R_t^p - R_t^b = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} (r_t^p - r_t^b) Rtp−Rtb=τ=1∑tFtfτ(rtp−rtb)
至此,累计超额收益可以看成一系列因子调整后的单期超额收益的和。由第二章中关于单期Brinson模型超额收益分解的公式,可以将上述公式改写为:
R E ( t ) = R t p − R t b = ∑ τ = 1 t f τ F t ( R A , τ + R S , τ + R I , τ ) = ∑ τ = 1 t f τ F t R A , τ + ∑ τ = 1 t f τ F t R S , τ + ∑ τ = 1 t f τ F t R I , τ R_E(t) = R_t^p - R_t^b = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} (R_{A, \tau} + R_{S, \tau} + R_{I, \tau}) \\ = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{A, \tau} + \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{S, \tau} + \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{I, \tau} RE(t)=Rtp−Rtb=τ=1∑tFtfτ(RA,τ+RS,τ+RI,τ)=τ=1∑tFtfτRA,τ+τ=1∑tFtfτRS,τ+τ=1∑tFtfτRI,τ = R A ( t ) + R S ( t ) + R I ( t ) = R_A (t) + R_S(t) + R_I(t) =RA(t)+RS(t)+RI(t)
其中:
· RE(t) 为 t 个子时间段内组合相对于基准的累计超额收益,表达式为:
R E ( t ) = R t p − R t b R_E(t) = R_t^p - R_t^b RE(t)=Rtp−Rtb
· RA(t) 为 t 个子时间段内组合的择时收益,表达式为:
R A ( t ) = ∑ τ = 1 t f τ F t R A , τ R_A (t) = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{A, \tau} RA(t)=τ=1∑tFtfτRA,τ
· RS(t) 为 t 个子时间段内组合的择股收益,表达式为:
R S ( t ) = ∑ τ = 1 t f τ F t R S , τ R_S (t) = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{S, \tau} RS(t)=τ=1∑tFtfτRS,τ
· RI(t) 为 t 个子时间段内组合的交互作用,表达式为:
R I ( t ) = ∑ τ = 1 t f τ F t R I , τ R_I (t) = \sum _{\tau=1} ^ t \frac{f_\tau}{ F_t} R_{I, \tau} RI(t)=τ=1∑tFtfτRI,τ
4. Brinson模型的应用场景
4.1 基金组合绩效归因
我们可以通过择时收益和择股收益,判断组合超额收益的来源,从而可以进一步发挥投资长处,并弥补短板。
4.2 基金经理能力刻画
Brinson模型的归因结果也可以对管理基金的基金经理能力进行刻画。例如,我们可以计算某基金经理在某段时期内的择股与择时收益序列,分别并计算这两个收益序列的均值和方差,从而量化基金经理的择时与择股的正向性与稳定性。
4.3 大类资产配置应用
除了对权益类资产进行行业等风格归因以外,我们还可以将Brinson模型应用到大类资产配置这一更大的层面上来。从资产配置的视角来看,基准配置可以是多个可投类别资产的加权组合。例如:某一基金可投资产包括五类资产:权益类(A股市场)、固收类(国债、金融债、地方债、企业债)、商品类(黄金)、货币类(国债逆回购、货币基金、中短期定期存款等)和另类资产(房地产、REITS),那么可以规定基准组合为:20%中证800ETF,20%国债ETF,20%黄金ETF,20%国债逆回购和20%REITs基金。这里我只是给出一个方便说明的例子,具体的基准权重和组合标的设置需要结合基金设立的投资目标、风格和相关法律法规限制来设定。需要特别注意的是,基准组合的选择一定要具有可投性(Inestimable)。
大类资产基准组合设置好后,与权益型基金的归因方式类似,可以利用Brinson模型将组合的超额收益分解为配置收益(Allocation)、择券收益(Selection)和交互作用(Interaction)。其中,大类资产的配置收益实际上就是权益性基金的择时收益,是战术性超低配置各类资产所产生的超额收益;而择券收益则是每一类资产组中由于精选优质标的所获得的超额收益。
5. 模型的实现与实证案例研究
关于模型的编程实现与实证研究部分,请详见后续文章:
[1] 【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型之python实现
写在最后
若想查阅本系列全部文章,请参见目录页:系列文章目录索引。
欢迎感兴趣的小伙伴来跟作者一起挑刺儿~ 包括但不限于语言上的、排版上的和内容上的不足和疏漏~ 一起进步呀!
有任何问题,欢迎在本文下方留言,或者将问题发送至勘误邮箱: mikeysun_bugfix@163.com
谢谢大家!
【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型相关推荐
- 【基金量化研究系列】基金绩效归因模型(三)——基于CAPM、T-M、H-M、C-L模型的基金绩效归因研究
文章目录 1. 引言 2. 模型介绍 2.1 CAPM模型 2.2 T-M模型 2.3 H-M模型 2.4 C-L模型 2.5 H-M模型 V.S. C-L模型 3. 实证分析 3.1 数据选择 3. ...
- 【基金量化研究系列】大类资产配置研究(二)——股债二八轮动策略
文章目录 1. 引言 2. 股债二八轮动策略 3. 动态再平衡股债二八轮动策略 4. 基于python的策略实现 4.1 策略代码 4.2. 运行结果实证分析 5. 总结 写在最后 1. 引言 在上一 ...
- 【基金量化研究系列】大类资产配置研究(一)——股债二八配置策略与股债风险平价策略
文章目录 1. 引言 1.1 资产配置简介 1.2 可投标的说明 1.3 市场基本情况与数据库使用的说明 1.4 本文策略基本假设 2. 资产配置策略一--股债二八策略 2.1 策略简介 2.2 基于 ...
- Brinson多期归因计算示例
brinson算法是经典的超额收益归因分析方法,适用于对大类资产或行业/板块的归因分析,通过基金持仓横截面(时点)数据,将超额收益分解为资产配置效应和选择效应,同时残差项当做交叉效应.单期归因的算法很 ...
- 基于Python的指数基金量化投资——指数基金偏离度计算
什么是指数偏离度 它是指数涨跌的快慢和偏离幅度指标. 当指数快速上涨,偏离度数据会迅速的向上偏离,当快速下跌时,偏离度数据会迅速的向下偏离. 而持续的上涨中出现下跌,偏离度就会急转直下,另一种持续的下 ...
- 基于Python的指数基金量化投资——指数基金间相关度计算
每一种指数基金都是由一篮子股票组成的,少的有几十个成分股,多的有几百上千个成分股,而整个A股目前有四千多家上市公司,每种指数基金都从A股这个大篮子里面选取成分股,那就会有个问题,不同的指数基金选择的成 ...
- 【StudyQuant| Python量化投资- 量化研究 - 系列7】多种仓位管理的方法,固定止盈止损 与 移动止盈止损
前言 StudyQuant -[量化投资教学系列帖子],通过实际案例教初学者使用python进行量化投资,分享最前沿的研究成果.希望能对大家有帮助. 量化投资文章 请点击此处 相关文章 区间震荡策略曾 ...
- python行业中性_【量化课堂】因子研究系列之四 -- 市值与行业的中性化
导语:本文给出以BP(账面市值比)为例的因子缩尾处理和对市值与行业中性化的处理实现代码,展现单因子不同分位处在不同处理方法下的表现. 本文是一系列因子研究中的第四篇文章.本系列的文章有: 引言 因子系 ...
- 什么是基金量化交易?投资者应该怎么玩?
基金量化交易就是基金经理把自己的投资策略写成程序,然后让这段程序代替自己去买卖股票. 根据交易策略不同,公募量化基金可以分为三类: 1)主动型量化基金,一共330只,总规模737亿.(不包含8只还没公 ...
最新文章
- python-mysql超简单银行转账Model(我说了很简单的)
- C#多线程学习5——多线程的自动管理(定时器)
- linux盘符改名字,Linux 下powerpath共享磁盘名称不一致处理方法
- Redis(十三):Redis实现乐观锁
- extend_gcd求解不定方程/膜线性方程/乘法(模)逆元
- jdbc增删改查有哪些步骤_JDBC打造通用增删改方法
- Python3 encode中的unicode-escape和raw_unicode_escape
- 第011讲 选择器使用细节 块元素和行内元素 盒子模型
- 23个适合logo设计的常用英文字体
- jquery 移动端 ui 组件库 移动端前端UI库—Frozen UI、SUI Mobile、light7、WeUI、jqweui
- [精品教程,新老鸟必读]:极限装机、优化全攻略(新手优化教程)
- 微信小程序【常见面试题】
- PowerQuery的参数表格用法
- canvas写的地铁地图
- esp32 + DHT11温湿度传感器+阿里云物联网平台实时数据显示 实现设备上云
- OpenStack Magnum 项目简单介绍
- 基于php的库存管理系统开题报告,库存管理系统的开题报告.doc
- 2101-正方形面积-JAVA
- 1.2 词向量计算的工具——word2vec (有趣解释+代码)
- Unity模型导入相关知识
热门文章
- C. k-Amazing Numbers(思维前缀最小值+枚举相同数距离)
- Error: JAVA_HOME is not set
- c语言n次方怎么输入_C语言中10个经典的算法,学会它,利用它
- 屏幕标记软件pointfix的下载和安装
- 平台2.0数据采集软件
- 微信公众号添加关注后自动回复图文信息
- 飞凌嵌入式RK3399-C开发板常见问题及解决方案分享
- unity性能优化方案整理 一些思路 一些技巧(持续更新 2019-09-12)
- 基于springCloud构建微云架构技术分享
- linux版本微信,linux版本微信