| name | performance_attribution |
| description | 本技能对基金/组合进行 Brinson 双归因分析，拆解超额收益来源为行业配置效应、选股效应和交互效应，并输出与基准对比的风险收益指标（超额收益、信息比率、跟踪误差）。 |
| version | 1.0.0 |
| author | AlphaAgent |
| license | MIT |
| layer | L1 |
| capability_domain | ["C01","C02","C03"] |
| industry | financial |
| metadata | {"raw_title":"Performance Attribution Skill（基金业绩归因）","auto_generated":true,"auto_generated_at":"2026-06-20"} |
Performance Attribution Skill（基金业绩归因）
概述
本技能对基金/组合进行 Brinson 双归因分析，拆解超额收益来源为行业配置效应、选股效应和交互效应，并输出与基准对比的风险收益指标（超额收益、信息比率、跟踪误差）。
核心能力
- Brinson 双归因模型：将组合相对于基准的超额收益分解为行业配置、选股和交互三部分
- 行业维度归因：按中信/申万行业分类计算各行业的配置贡献与选股贡献
- 个股权重归因：穿透到个股级别，分析重仓股的收益贡献
- 风险指标计算：跟踪误差、信息比率、夏普比率、最大回撤等
- 归因可视化：结构化文本输出，便于嵌入企微卡片或飞书文档
输入参数
| 参数 | 类型 | 必填 | 说明 |
|---|
| fund_code | str | 是 | 基金代码，格式 FXXXXXX（如 F000001） |
| fund_return | float | 是 | 区间收益率，如 0.12 表示 12% |
| benchmark_return | float | 是 | 基准收益率，如 0.08 表示 8% |
| portfolio_weights | dict | 否 | 组合行业权重，key=行业名，value=权重（和为1） |
| benchmark_weights | dict | 否 | 基准行业权重，key=行业名，value=权重（和为1） |
| industry_returns | dict | 否 | 各行业收益率，key=行业名，value=收益率 |
| stock_weights | dict | 否 | 个股权重（可缺省，用行业代理） |
| risk_free_rate | float | 否 | 无风险利率，默认 0.03 |
| period_days | int | 否 | 计算区间天数，默认 252 |
输出结构
{
"fund_code": "F000001",
"period_return": 0.12,
"benchmark_return": 0.08,
"excess_return": 0.04,
"attribution": {
"total_excess": 0.04,
"allocation_effect": 0.025,
"selection_effect": 0.010,
"interaction_effect": 0.005,
"by_industry": [...]
},
"risk_metrics": {
"tracking_error": 0.045,
"information_ratio": 0.89,
"sharpe_ratio": 1.52,
"max_drawdown": -0.08
},
"summary": "归因分析文字总结"
}
使用方式
CLI
python3 scripts/perf_attr_cli.py generate "业绩归因 F000001 收益率12% 基准8%"
python3 scripts/perf_attr_cli.py parse "F000001 12% 8%"
Python API
from performance_attribution import PerformanceAttributionEngine
engine = PerformanceAttributionEngine()
result = engine.analyze(
fund_code="F000001",
fund_return=0.12,
benchmark_return=0.08,
portfolio_weights={"银行": 0.3, "电子": 0.2, "食品饮料": 0.15},
benchmark_weights={"银行": 0.25, "电子": 0.15, "食品饮料": 0.20},
industry_returns={"银行": 0.10, "电子": 0.18, "食品饮料": 0.08}
)
print(result["summary"])
企微卡片
python3 wecom_integration.py send --fund F000001 --return 0.12 --benchmark 0.08
数据脱敏规则
- 基金代码统一使用
FXXXXXX 格式，不暴露真实代码
- 个股使用占位符
SECTOR/INDUSTRY，不暴露真实持仓
- 测试数据均使用模拟值
依赖
- Python 3.8+
- numpy, pandas（可选，无依赖时使用纯Python实现）
模型说明
Brinson 双归因模型
超额收益 = 行业配置效应 + 选股效应 + 交互效应
- 行业配置效应：组合在行业权重上相对于基准的超配/低配带来的收益贡献
- 选股效应：组合在各个行业内选股能力带来的收益贡献
- 交互效应：配置与选股共同作用的部分（避免重复计算）
公式：
Allocation = Σ (W_portfolio_i - W_benchmark_i) * R_benchmark_i
Selection = Σ W_benchmark_i * (R_portfolio_i - R_benchmark_i)
Interaction = Σ (W_portfolio_i - W_benchmark_i) * (R_portfolio_i - R_benchmark_i)
版本
- v1.0.0（2026-06-10）：初始版本，支持 Brinson 双归因 + 风险指标
