基金业绩归因:一个 t 值 9.49 的 alpha,换个基准就没了

样本 000051 的 alpha
  用沪深300 价格指数当基准    +1.79%   t = 9.49    ← 极其显著
  用全收益口径当基准          -0.11%   t = -0.58   ← 不显著，而且是负的

一、单因子归因:α 与 β

r_fund − rf = α + β·(r_mkt − rf) + ε

t 值一律用 Newey-West(5 阶) 稳健标准误——因为残差有自相关与异方差(p3.1)。

(市场因子同期年化 3.94%;「β 解释的部分」= rf + β×(市场年化 − rf))

为什么这里是 3.94%,而 p6.2 说沪深300 同期年化 1.61%? 同一条价格指数、同一段区间, 差别只在年化口径:本节按日均收益算术年化((1+日均)^244−1,与回归模型同一套口径, 基金那一列 基金年化% 也是这么算的);p6.2/p6.3 按累计收益复利年化((1+累计)^(1/年数)−1)。 波动越大,两者差得越多 —— 这里差的 2.3 个百分点基本就是这么来的。 本节表内各列互相可比(都是算术口径),但别把 3.94% 直接和 p6.2 的 1.61% 放一起比。

看 270002 那一行:β 只有 0.508,R² 只有 0.639。

它的年化 7.03% 里,只有 2.99% 能用市场解释——剩下的既可能是 α,也可能是它压根不在这个基准的风格里(单因子模型解释不了的部分,会全部堆进 α)。

R² 低意味着这个基准不适合这只基金,而不是意味着 α 更真。

这是单因子归因最常见的误读:把"模型没解释掉的"当成"经理创造的"。

二、择时能力:TM 与 HM

TM：r_f − rf = α + β·(r_m − rf) + γ·(r_m − rf)²      + ε
HM：r_f − rf = α + β·(r_m − rf) + γ·max(r_m − rf, 0) + ε

γ > 0 且显著,才算有择时能力。γ < 0 意味着反向择时——涨之前反而减仓。

5 只里 4 只没有择时证据,其中 270002 的 HM γ 显著为负(t = -2.75)——统计上是"反向择时"。

注意 270002 同时也是【一】里 α 最像"有本事"的那只(3.94%、β 只有 0.508)。

拆开之后:它的超额不来自择时,而它的低 β 意味着它大部分时间根本没跟着这个市场走。

三、基准口径:一个 t 值 9.49 的 α,换个基准就没了

按 p6.2 的实测量级,沪深300 价格指数每年比全收益口径少约 2%。把市场因子加回这 2% 再回归:

🔧 动手做:一个 t=9.49 的"显著 alpha",换个基准就没了(6 分钟)

跑 python attribution.py,看第三节:同一只基金、同一段数据,只把基准从价格指数换成全收益指数。

你会看到(实测):alpha 从 +1.79%(t=9.49,极显著) 变成 -0.11%(t=-0.58,不显著)。

想明白:t=9.49 看着铁证如山,但它测的"超额"里,一大半只是价格指数基准漏掉的那份股息(p6.2 那个坑)。换成正确的全收益基准,所谓的 alpha 直接归零。任何"显著跑赢/显著 alpha",先问:基准对不对?

四、多重检验:从 N 只里挑 α 最高的那只

110003 的 t = 2.41,过了未校正的 1.96,没过校正后的 2.58。

"我们找到了一只有显著 α 的基金"——如果这句话是从 N 只里挑出来的,它就是 N 次比较的最大值(p3.4)。

而真实场景里的 N 不是 5,是几千。

五、归因报告的四条最低要求

本节只讲方法,不评价任何基金,也不推荐任何基金。

📌 免责:本课为技术教学,只讲归因方法,样本按代码取样(非精选),不评价、不推荐任何基金;历史模拟不构成投资建议。