performance-attribution

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