菜单
基金收益归因分析 - Brinson模型、因子归因、风格分析工具。 当用户需要分析基金超额收益来源、进行业绩归因、评估基金经理能力时使用此技能。 支持Brinson归因、因子归因、风格归因、行业归因、选股能力分析。 触发关键词：收益归因、Brinson、业绩归因、超额收益、阿尔法归因、因子分析。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/aifinlab/FinClaw --skill fund-attribution-analysis命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
A股逆向选择/信息不对称分析。当用户说"逆向选择"、"adverse selection"、"信息不对称"、"知情交易者"、"逆向选择成本"、"信息劣势"时触发。基于 cn-stock-data 获取数据，度量逆向选择与信息不对称程度。支持 formal/brief 两种输出风格。
A股量价异常检测/异动监控。当用户说"异常检测"、"异动"、"anomaly"、"量价异常"、"异常波动"、"XX有异动"时触发。量化检测股价和成交量异常。支持formal和brief风格。
A股自相关/序列相关性/收益率自相关结构分析。当用户说"自相关"、"autocorrelation"、"序列相关"、"收益率预测性"、"动量还是反转"、"自相关系数"、"ACF"、"PACF"、"Ljung-Box"、"收益率是否可预测"、"随机游走检验"时触发。MUST USE when user asks about return autocorrelation, serial correlation tests, or whether a stock's returns are predictable. 量化分析收益率的自相关结构（ACF/PACF、Ljung-Box检验、随机游走检验）。支持formal和brief风格。
基于 SOC 职业分类
正在显示 SKILL.md
| name | fund-attribution-analysis |
| description | 基金收益归因分析 - Brinson模型、因子归因、风格分析工具。 当用户需要分析基金超额收益来源、进行业绩归因、评估基金经理能力时使用此技能。 支持Brinson归因、因子归因、风格归因、行业归因、选股能力分析。 触发关键词：收益归因、Brinson、业绩归因、超额收益、阿尔法归因、因子分析。 |
基于Brinson模型和因子模型的基金收益归因分析工具。
# Brinson归因分析
fund-attribution --portfolio portfolio.json --benchmark 000300 --period 2024Q1
# 因子归因
fund-attribution --fund 000001 --factors value,momentum,size
# 风格分析
fund-attribution --style --fund 000001
from fund_attribution_analysis import AttributionAnalyzer
analyzer = AttributionAnalyzer()
# Brinson归因
result = analyzer.brinson_attribution(
portfolio_returns=pf_returns,
benchmark_returns=bm_returns,
portfolio_weights=pf_weights,
benchmark_weights=bm_weights
)
# 因子归因
result = analyzer.factor_attribution(
fund_code='000001',
factors=['value', 'momentum', 'size']
)
将超额收益分解为三个部分：
超额收益 = 资产配置效应 + 个股选择效应 + 交互效应
R_p - R_b = Σ(w_pi - w_bi) × R_bi [资产配置]
+ Σw_bi × (R_pi - R_bi) [个股选择]
+ Σ(w_pi - w_bi) × (R_pi - R_bi) [交互效应]
其中：
几何归因:
(1 + R_p) / (1 + R_b) - 1 = 配置贡献 + 选择贡献 + 交互贡献
对数归因:
ln(1 + R_p) - ln(1 + R_b) = 配置效应 + 选择效应
| 因子 | 定义 | 计算方式 |
|---|---|---|
| 市场(MKT) | 市场风险暴露 | 市场组合收益 - 无风险利率 |
| 价值(HML) | 高减低价值因子 | 高BP组合收益 - 低BP组合收益 |
| 规模(SMB) | 小减大规模因子 | 小市值组合收益 - 大市值组合收益 |
| 动量(MOM) | 动量因子 | 过去12月高收益 - 过去12月低收益 |
| 质量(QUAL) | 质量因子 | 高ROE - 低ROE |
| 低波(LOWV) | 低波动因子 | 低波动组合 - 高波动组合 |
R_p - R_f = α + β₁ × MKT + β₂ × HML + β₃ × SMB + β₄ × MOM + ε
解释度 = 1 - Var(ε) / Var(R_p)
{
"attribution_id": "ATTR_20260321_001",
"fund_code": "000001",
"fund_name": "华夏成长混合",
"period": "2024Q1",
"analysis_date": "2026-03-21",
"returns": {
"portfolio": 0.085,
"benchmark": 0.062,
"excess": 0.023
},
"brinson_attribution": {
"allocation_effect": 0.008,
"selection_effect": 0.012,
"interaction_effect": 0.003,
"total_excess": 0.023
},
"sector_attribution"
输入:
分析基金000001相对于沪深300的Brinson归因
输出:
📊 Brinson归因分析报告
基金: 华夏成长混合 (000001)
对比基准: 沪深300指数 (000300)
分析区间: 2024Q1 (2024-01-01 ~ 2024-03-31)
收益表现:
组合收益: 8.5%
基准收益: 6.2%
超额收益: 2.3% ✅
归因分解:
资产配置效应: +0.8% (贡献35%)
个股选择效应: +1.2% (贡献52%) ⭐
交互效应: +0.3% (贡献13%)
─────────────────────────────
合计超额收益: +2.3%
行业归因:
科技:
超配 +10% × 基准收益8% = 配置贡献 +0.8%
组合收益12% - 基准8% = 选股贡献 +0.6%
金融:
低配 -5% × 基准收益4% = 配置贡献 -0.2%
组合收益3% - 基准4% = 选股贡献 -0.1%
结论:
✅ 基金经理选股能力突出
✅ 科技行业超配和选股均有正贡献
⚠️ 金融板块低配虽减少拖累但选股偏弱
输入:
分析基金的风格因子暴露
输出:
📊 因子归因分析报告
基金: 华夏成长混合 (000001)
分析区间: 2023-03-21 ~ 2026-03-21 (3年)
因子暴露:
暴露系数 t值 显著性
市场因子: 0.92 15.2 ***
价值因子: -0.35 -4.8 *** (偏向成长)
规模因子: 0.28 3.2 ** (偏向小盘)
动量因子: 0.15 2.1 * (有动量暴露)
质量因子: 0.42 5.6 ***
解释度: R² = 0.87 (模型解释87%的收益波动)
阿尔法: α = 2.3% (年化)
→ 剔除因子暴露后的纯主动收益
→ 信息比率: 0.85
风格画像:
成长型小盘质量股
偏好: 高成长 + 小市值 + 高质量
回避: 低估值价值股
风险提示:
⚠️ 成长风格暴露较高，风格切换时波动大
⚠️ 小盘暴露可能面临流动性风险
numpy>=1.20.0
pandas>=1.3.0
scipy>=1.7.0
statsmodels>=0.13.0
FinClaw - 上海财经大学金融研究工具