“海量”专题（130） 债券基金的选择方法

Brinson模型

Brinson模型最早由Brinson、Hood和Beebower提出，该模型从自上而下的角度将组合相对于基准的超额收益分解为资产配置效应、标的选择效应以及交互效应三部分。随后Brinson和Fachler将交互效应与选择效应合并，提出BF版本的Brinson模型。

基于业绩归因的连续性要求，通常需要将单期归因结果合并为多期。但从单期收益到多期收益需要考虑再投资的影响，而不是简单累加。为此，许多学者都对这个问题进行了深入研究，并提出了多种可由单期拓展至多期的归因算法。

Carino算法：通过引入因子，将原来的多期收益乘积关系转变为多期累加形式。基于此，即可将组合超额收益分解为效应相加形式。

超额收益分解算法：基本思想是将组合收益分解为超额收益及其产生的再投资收益。根据再投资收益的归因区间不同，又可以分为GRAP算法和Frongello算法。其中，GRAP算法将每一阶段产生的超额收益在后期的再投资收益归因到超额收益的产生阶段；而Frongello算法则将再投资收益直接归因到其实际发生的阶段，因此在做当期归因时，不会受到未来市场的影响。

概念组合：构建多期概念组合，将多期归因效应用概念组合复合收益率的差来表示。

Carino算法：通过引入因子，将原来的多期收益乘积关系转变为多期累加形式。基于此，即可将组合超额收益分解为效应相加形式。

超额收益分解算法：基本思想是将组合收益分解为超额收益及其产生的再投资收益。根据再投资收益的归因区间不同，又可以分为GRAP算法和Frongello算法。其中，GRAP算法将每一阶段产生的超额收益在后期的再投资收益归因到超额收益的产生阶段；而Frongello算法则将再投资收益直接归因到其实际发生的阶段，因此在做当期归因时，不会受到未来市场的影响。

概念组合：构建多期概念组合，将多期归因效应用概念组合复合收益率的差来表示。

在实践中，晨星风格盒子是Brinson模型最简单直接的应用。它根据规模和成长/价值两个维度，将股票分成9个资产类别（即Brinson模型中的大类资产）。在对基金进行分析时，先计算基金持仓组合的规模得分和价值得分，然后根据得分找出对基金影响最大的风格类别，并将其作为这只基金的投资风格。

1.2.2

多因子模型

基于持仓的多因子模型从自下而上的角度，将组合超额收益分解为共同因子收益部分和残差收益部分。残差收益部分代表了基金经理的选股能力，而共同因子收益部分则反映了基金经理的风格选择能力。和基于净值的业绩归因不同，这种基于持仓的多因子归因模型中，因子暴露是通过个股暴露加总得来，而不是通过回归估计获取。

基于持仓的多因子模型以Barra模型最具代表性。1975年，Barra公司推出美国市场第一个多因子风险模型——Barra USE1模型。随后的1985年和1997年，又相继发布了USE2和 USE3版本。USE3版本将股票收益拆解为行业因子、风格因子和特质因子三个部分，并于2002年升级，纳入每日因子回报。2011年，Barra使用新技术发布了USE4版本。新版本作了许多改进，如，引入国家因子，将纯行业影响从整个市场中分离出来，构建基于日线级别特殊收益的特殊风险模型等。

2

基于净值的业绩归因

2.1

模型介绍

基于净值的业绩归因是将基金的收益序列对风格因子进行时间序列回归，然后根据回归结果考察每种风格对组合收益的贡献，以及基金经理的主动管理能力。

基于净值的业绩归因通过时间序列回归，将基金超额收益分解为风格因子收益和特质收益两部分，后者一般被认为来自于基金经理选股和择时的能力。

其中，Ri为组合收益，F1、F2、…、Fn为因子（各风格资产收益），bi,1、…、bi,j、…、bi,n为组合对因子的敏感度。ai+ei是不能为因子（风格资产）所解释的部分（non-factor）。

将基金的收益率序列对一系列因子运行上述时间序列回归，得到的因子系数bi,j即为基金在因子j上的暴露程度。将其与对应因子相乘，得到的bi,jFj为因子j对基金i的收益贡献；进一步除以基金收益Ri，即可得到风格j对基金i的收益贡献率。

上述模型中，常用的因子包括，市场收益、市值因子收益、估值因子收益、国家收益、行业收益等。在实际应用中，因子收益通常采用分散化的模拟组合进行估算。

例如，在Fama-French三因子模型中，市值因子SMB和估值因子HML是采用2*3分组取交集的方法获得。即，对于市值，以中位数为分界点，将全市场股票分为2组；对于估值，以30%、70%为分界点，将股票分为3组；然后取交集得到2*3=6个组合（如下图所示）。市值因子收益SMB即为3个小市值组合收益均值与3个大市值组合收益均值之差，估值因子收益为2个低估值组合收益均值与2个高估值组合收益均值之差。

净值分析仅需要基金的收益率序列，可以在没有具体持仓的情况下，对基金投资风格进行分析。因此，适用范围广，内外部人员均可使用。

在应用过程中需要注意的是，若因子之间存在较强的相关性，则在回归过程中容易出现多重共线性，导致模型无法识别出基金的实际风险暴露，归因结果失真。因此，在构建因子时，应尽量保证因子间的相关性处在一个相对较低的水平之上。控制相关性的方法通常有两种，一是构建多空组合以剥离市场因素的影响，二是通过回归剥离共同因素的影响。

2.2