第26章基差交易的绩效归因

第26章基差交易的绩效归因：Brinson归因、因子归因、交易成本归因、策略改进方向

做基差交易的朋友，最怕什么？

怕赚了钱不知道为啥赚，亏了钱不知道为啥亏。

我见过太多人，回测曲线漂亮得不行，实盘一跑就变形。为什么？因为绩效归因没做好。你连钱是怎么来的都不清楚，怎么敢上仓位？

这一章，我们就来拆解基差交易的绩效归因。说白了，就是给策略做「体检」——看看哪些地方做对了，哪些地方在拖后腿。

26.1 Brinson归因：拆解超额收益的来源

Brinson归因最早用在股票组合上，但用在基差交易里，一样好使。

它的核心逻辑很简单：把总收益拆成三部分——配置收益、选券收益、交互收益。

基差交易中的Brinson三因子：

配置收益：你选择做多哪个品种、做空哪个品种带来的收益
选券收益：同一品种内，你选的具体合约带来的超额
交互收益：配置和选券的交叉影响

举个例子。你同时做多IC主力合约、做空IF主力合约。如果IC涨得比IF多，配置收益就是正的。但如果你选的是IC次月合约而不是主力合约，次月合约涨得更多，那这部分就是选券收益。

我个人习惯用Python写一个简单的Brinson分解函数。代码不长，但很实用：

def brinson_decomposition(portfolio_returns, benchmark_returns, 
                          portfolio_weights, benchmark_weights):
    """
    基差交易的Brinson归因
    portfolio_returns: 组合各品种收益率
    benchmark_returns: 基准各品种收益率
    """
    # 配置收益
    allocation = (portfolio_weights - benchmark_weights) * benchmark_returns
    # 选券收益
    selection = benchmark_weights * (portfolio_returns - benchmark_returns)
    # 交互收益
    interaction = (portfolio_weights - benchmark_weights) * \
                  (portfolio_returns - benchmark_returns)
    
    return {
        'allocation': allocation.sum(),
        'selection': selection.sum(),
        'interaction': interaction.sum(),
        'total': (allocation + selection + interaction).sum()
    }

嗯，这里要注意：基准怎么选？我一般用「等权做多所有品种」作为基准。这样配置收益就能反映出你主动偏离基准的能力。

26.2 因子归因：找到驱动收益的底层逻辑

Brinson归因告诉你「赚了多少钱」，因子归因告诉你「为什么赚」。这是两个层次的问题。

基差交易的因子归因，我通常关注这几个因子：

因子名称	含义	计算方式
基差动量因子	基差趋势的延续性	过去N日基差变化率
基差均值回复因子	基差偏离历史均值的程度	当前基差 - 历史均值
波动率因子	基差波动带来的交易机会	基差标准差
流动性因子	合约流动性对滑点的影响	持仓量/成交量

我在项目中遇到过这样的情况：一个基差策略回测年化收益20%，但因子归因一做，发现80%的收益来自基差动量因子。这意味着什么？意味着策略本质上就是个趋势跟踪策略。一旦基差趋势反转，策略就会大幅回撤。

因子归因的代码实现，我习惯用线性回归：

import statsmodels.api as sm

def factor_attribution(returns, factor_data):
    """
    returns: 策略日收益率序列
    factor_data: 各因子暴露度 DataFrame
    """
    X = sm.add_constant(factor_data)
    model = sm.OLS(returns, X).fit()
    
    # 因子贡献 = 因子暴露 * 因子收益率
    factor_contribution = model.params[1:] * factor_data.mean()
    
    return {
        'factor_contribution': factor_contribution,
        'r_squared': model.rsquared,
        'residual': model.resid.std()
    }

R方很重要。如果R方太低，说明还有重要的因子没抓到。我曾经有个策略R方只有0.3，后来发现是忽略了「交割日效应」这个因子——交割日前后的基差行为完全不同。

避坑指南：因子之间可能存在多重共线性。比如基差动量因子和基差均值回复因子，在趋势行情里相关性很高。做归因前，先算一下因子间的相关系数矩阵。我一般设阈值0.7，超过的就合并或剔除一个。

26.3 交易成本归因：别让手续费吃掉你的利润

交易成本归因，是基差交易里最容易忽略、也最致命的一环。

你想想看，基差交易的利润本来就不厚。一个跨期套利，基差从5个点回归到0，毛利也就5个点。如果双边手续费加滑点吃掉3个点，那实际利润就只剩2个点了。

交易成本归因，我把它拆成三块：

显性成本：手续费、印花税、过户费。这些是固定的，好算。
隐性成本：滑点、冲击成本。这些是变动的，难算。
机会成本：保证金占用、资金成本。这个容易被忽略。

我建议用「实际成交价 vs 理论成交价」的差值来估算滑点。代码实现：

def slippage_analysis(trade_records, theoretical_prices):
    """
    trade_records: 实际成交记录
    theoretical_prices: 理论成交价（如盘口中间价）
    """
    trade_records['slippage'] = abs(
        trade_records['actual_price'] - theoretical_prices
    )
    
    avg_slippage = trade_records['slippage'].mean()
    total_slippage_cost = avg_slippage * trade_records['volume'].sum()
    
    return {
        'avg_slippage_per_trade': avg_slippage,
        'total_slippage_cost': total_slippage_cost,
        'slippage_ratio': total_slippage_cost / trade_records['pnl'].sum()
    }

警告：滑点估算一定要用实盘数据，别用回测数据。回测里的滑点假设往往太乐观。我见过一个策略，回测滑点设了0.5个tick，实盘滑点平均1.8个tick——直接导致策略从盈利变成亏损。

26.4 策略改进方向：从归因结果出发

归因做完了，下一步就是改进。我总结了几条常见的改进路径：

如果配置收益低：说明品种选择有问题。试试加入更多品种，或者用机器学习做品种筛选。
如果选券收益低：说明合约选择不够精细。可以考虑加入「主力合约切换」信号，或者做跨期价差的动态调整。
如果因子归因R方低：说明还有重要因子没抓到。试试加入「市场情绪因子」或「资金流向因子」。
如果交易成本占比高：降低交易频率，或者改用限价单代替市价单。

我个人最常用的是「分层改进法」：先改成本最高的那块，再改次高的。别想着一次把所有问题都解决，那样反而容易顾此失彼。

举个例子。我有个学生做螺纹钢基差交易，归因后发现交易成本占了总利润的60%。他第一反应是优化策略参数，想提高胜率。我说别急，先把成本降下来。后来他把交易频率从每天10次降到每天3次，滑点成本直接砍了一半。策略从亏损变成了微利。

你看，有时候改进方向不在策略本身，而在执行层面。

知识体系总览

下面这张图，把基差交易绩效归因的完整框架画出来了。你可以把它当作一个检查清单——每次复盘策略时，按这个流程走一遍。

最后说一句：绩效归因不是一次性工作。我建议每季度做一次全面归因，每月做一次快速归因。市场在变，策略也在变，归因结果能帮你及时发现问题。

嗯，这一章的内容就到这里。归因做得好，策略才能走得远。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录