相对收益-固定收益组合归因-加权久期归因模型
固定收益组合归因-加权久期归因模型和Campisi模型
- 1 加权久期归因模型--推导方式1
- 1.1 债券策略组合收益率的分解
- 1.1.2 加权久期归因
- (1)总久期贡献
- (2)债券类属配置贡献
- 1.1.3 如何应用加权久期归因
- 2 加权久期归因模型--推导方式2
- 2.1 Wagner-Tito债券组合收益分解
- 2.2 加权久期分析方法
- 模型介绍
- 券种配置能力(Variety Allocation Effect简称VAE):
- 久期配置能力(Duration Allocation Effect简称DAE):
- 个券选择能力(Security Selection Effect简称SSE):
- 3 加权久期归因模型--货币利率变化
- 3.1 背景
- 3.2 债券组合的超额收益
- 3.3 久期贡献
- 3.4 市场配置贡献与债券选择贡献
- 3.5 交互作用
- 3.6 案例分析
1 加权久期归因模型–推导方式1
将介绍加权久期归因模型,主要包括债券策略组合收益率的分解、加权久期归因模型计算逻辑和归因结果的应用三个部分。
介绍加权久期归因模型,包括债券组合收益率的分解,加权久期归因模型计算逻辑和归因结果的解读。
- 债券组合收益率可以被分解为持有的收益和因到期收益率变动导致的收益,
- 债券组合的到期收益率变化无法直接通过个券到期收益率变化加权平均获得,因此需要推导出到期收益率的变化。
- 加权久期归因模型通过创建两个参考组合来拆分固定收益组合投资管理过程中不同投资操作的贡献,即总久期、债券类属配置和证券选择。
- 除了可以应用在分析组合相对基准的超额收益外,加权久期归因也可以用来比较两个策略的收益差异,即将其中一个组合作为基准组合来分析两个产品的收益差异来源。
- 在使用加权久期归因的时候,我们使用不同的债券类属分类方式也会对最终的分析结果造成差异。
1.1 债券策略组合收益率的分解
加权久期归因模型主要应用于相对收益的分解,通过构建参考组合,将债券组合相对基准的超额收益拆分到投资管理过程中总久期选择、债券类属配置和证券选择的收益贡献。
债券策略组合收益率
r = ∑ ω i × r i r=\sum\omega_i\times r_i r=∑ωi×ri
其中:
r i r_i ri为债券类别 i i i的收益率, w i w_i wi为债券类别 i i i的权重
对每类债券的收益率,可近似得到
r i = y i × Δ t − D i ∗ Δ y i r_i=y_i\times \Delta t-D_i *\Delta y_i ri=yi×Δt−Di∗Δyi
其中:
D i D_i Di为修正久期; y i y_i yi为到期收益率; Δ y i \Delta y_i Δyi为到期收益率; Δ t \Delta t Δt为时间变化;
由于直接使用单只债券的到期收益率变化的加权平均无法真实反映债券组合的到期收益率变化,因此我们需要通过上式反推出各类债券的到期收益率变化。当我们在 r i r_i ri、 y i y_i yi、 Δ t Δ_t Δt和 D i D_i Di已知的条件下,
可以推导出隐含的到期收益率变化:

我们可以将债券组合收益率和基准债券收益率分别表示为:

通过上式我们可以看出,基金经理想要增加在某一债券类别的敞口暴露,可以通过增加在该类型的配置权重,或者增加该类型债券久期来达到。
1.1.2 加权久期归因
通过对债券组合收益率和基准收益率的分解,我们可以得到组合的超额收益率为:
债券组合超额收益率:

和Brinson归因类似的,Van Breukelen提出可以通过创建两个参考组合来拆分固定收益组合投资管理过程中不同投资操作的贡献,即总久期、债券类属配置和证券选择。
(1)总久期贡献
通过构建参考组合,我们可以将基准组合久期和实际组合久期调整成一致的,总久期贡献即为参考组合收益率与基准收益率的差。总久期贡献反映了组合整体久期与基准久期差异产生的收益,分析的是基金经理判断判断利率走势并调节组合久期的能力。想要计算总久期贡献,我们需要将基准组合的久期调整成和债券组合一致。
类似于股票beta,我们计算久期beta:
D β = D p / D b D_\beta=D_p/D_b Dβ=Dp/Db
将基准组合调整为实际组合久期构建总久期参考组合,即:

计算总久期贡献:

(2)债券类属配置贡献
类属资产配置贡献表示在总久期一致的情况下,由于组合中各类属债券权重和久期配置与基准不同而产生的收益,分析的是基金经理在债券类属资产配置的能力。
债券类属可以按债券类型、剩余期限、评级维度进行分类等。
久期调整参考组合代表的是一个各类属债券权重与久期配置和实际组合相同,而类属中的债券到期收益率和到期收益率变化与基准相同的虚拟组合。

###(3)证券选择贡献
证券选择贡献表示在整体久期和各类属债券配置完全相同的条件下,由于个券选择不同,投资组合中的各类属债券中债券收益率和收益率变化与基准不同而产生的收益,反映了基金经理在各个类别中选择个券能力的强弱。

1.1.3 如何应用加权久期归因
加权久期归因模型主要是针对债券组合相对基准的超额收益进行归因分析。因此,在使用这种归因模型时,应该要注意选择使用的基准指数应该和债券组合拥有相似的投资范围和限制。
除了可以应用在分析组合相对基准的超额收益外,加权久期归因也可以用来比较两个策略的收益差异,即将其中一个组合作为基准组合来分析两个产品的收益差异来源。
在使用加权久期归因的时候,我们使用不同的债券类属分类方式也会对最终的分析结果造成差异。比如,假设我们使用评级对债券类别进行分类,那么当我们使用高、中、低评级进行分类时,明细评级之间的差异,如高评级中的AAA和AA+之间的差异就会被归入证券选择贡献中,作为基金经理对证券的选择。
而当我们使用明细评级作为债券类属进行分类时,评级差异都会被归入类属配置中,证券选择就是在每个细分评级上不同债券的收益差异。
在实务中,我们希望我们的归因模型尽可能贴合实际的投资决策流程,但我们也很难给出一个完全匹配投资过程的模型,所以业绩归因的结果更多是对收益来源进行比较合理的拆解,但是这种拆解很难做到精细匹配,因此,我们也很少对于归因中各项贡献的具体数值再进一步延展做出结论,而是运用归因的结果结合投资策略作为定性分析和风格刻画的辅助工具。
2 加权久期归因模型–推导方式2
2.1 Wagner-Tito债券组合收益分解
Wagner-Tito债券组合收益分解模型介绍进行股票型基金分析的时候Fama的因子分解模型应用广泛,基本形式如下:

为了更为适合债券组合分析,基于债券的收益来源,应运而生了Wagner-Tito模型(以下简称“W-T模型”),使用久期代替Fama模型中的系统性风险指标beta,将债券组合的收益分解为主动管理的超额收益率与基准久期的收益率,并进一步将主动管理的超额收益率分解为债券选择与久期配置两部分。由于该模型仅考虑了投资组合和基准中的久期差异和个券收益率差异,分解也比较粗糙,因此在实务使用中运用较少。
W-T模型将债券组合的收益率简单的分解为以下部分:

利率的变化对组合收益率影响程度通过组合管理者调整组合的久期来控制,相同久期的组合差异则由个券选择来解释。
模型局限性W-T模型针对债券组合绩效归因做出了有效的尝试,是后面一些更为复杂模型的基础,其主要缺陷在于分解结果过于简单,久期只能解释一部分超额收益,类似于早期的CAPM模型只使用beta来衡量股票或股票组合的风险,而后发展出了三因子、四因子乃至多因子模型,债基的归因模型也在朝着细化收益来源的方向发展。
2.2 加权久期分析方法
W-T模型分析框架比较简单,Brinson模型又不适应债券组合的归因分析,因此在2000年Van Breukelen尝试将两种模型结合起来,构建了加权久期分析模型(也称为Breukelen模型)。
模型介绍
与W-T模型一样,Breukelen模型将久期作为债券组合系统性风险的度量,债券的收益率用以下公式来描述:

然后借鉴Brinson归因模型的做法,首先将债券组合中个券按照品种分类,然后设置基准组合,通过构建两个中间组合的方式来计算券种配置贡献、久期配置贡献及个券选择贡献。
假设债券组合中有n种类型的债券,类似于传统的Brinson归因模型,可以构建如下表格:


券种配置能力(Variety Allocation Effect简称VAE):
与股票的分类类似,债券也可以按照品种、评级、期限及所在行业进行分类。与基准相比债券组合在某一券种a上的高配低配带来的超额收益归结为券种配置能力,可以通过组合2和组合3进行分解。


久期配置能力(Duration Allocation Effect简称DAE):
衡量债券组合的系统性风险,一般而言,当基金经理对债市的预期乐观时会偏好配置长久期,可以通过构建久期加权组合与基准组合进行比较来计算。

个券选择能力(Security Selection Effect简称SSE):
保持其他条件相同,由于持有的个券不同带来的收益差异由个券选择来解释。构建组合3时与投资组合相比只有券种配置比例上相同,两个组合的差异体现了个券选择收益。

除此之外,在进行全球配置的时候还需要考虑货币配置贡献,即当投资组合和基准组合的计价币种不同时,由债券还款的货币利率变化所带来的收益。-见3
模型局限性债券的加权久期归因模型针对性较强,对于全球配置及平衡组合的分解能够清晰的反映出组合管理人从券种配置到个券选择的能力,不过其普及性不及下面重点介绍的Campisi归因模型,主要原因在于1)、加权久期分析模型的计算及推导过程略微复杂;
2)、利息是固定收益类产品很重要的收益来源之一,加权久期分析模型没有考虑债券的利息收益部分;3)、与Brinson归因模型一样,选择合适的基准也是一个难题。
3 加权久期归因模型–货币利率变化
3.1 背景
Wagner和Tito(1997)借鉴了Fama的分解模型,将债券久期替代beta系数度量系统性风险。

Van Breukelen(2000)将W-T模型(Wagner和Tito模型)和BHB模型(Brinson、Hood和Beebower模型)相结合, 针对“自上而下”的投资决策过程提出了一种债券投资组合业绩归因模型,称为加权久期归因模型,他提出的模型强调债券投资组合最大的风险因素——加权久期。
从本质上说,该方法是对BHB模型进行风险调整后的进一步完善,并且将久期作为系统风险的度量。这种归因分析方式特别适用于全球债券投资组合和平衡的投资组合的基金。

3.2 债券组合的超额收益
Van Breukelen使用以下的近似公式来表示债券收益率:

使用Karnosky和Singer的收益率定义公式:

假设:

分别为Karnosky和Singer模型中的包含货币效应的投资组合和参考基准的无风险收益率。债券组合的超额收益率为:

3.3 久期贡献
Van Breukelen提出创建两个虚拟的投资组合(名义基金)来测量固定收益管理的贡献(不包括货币管理),即久期贡献、市场配置贡献和债券选择贡献。
总久期名义基金组合将基准组合的修正久期调整为投资组合的修正久期,其他因素保持不变。
总久期名义基金组合收益率定义为:

3.4 市场配置贡献与债券选择贡献
久期调整的市场配置名义基金组合是将基准组合的配置权重与修正久期调整为投资组合的配置权重与修正久期,其他因素保持不变。
久期调整的市场配置组合收益率为:


3.5 交互作用

3.6 案例分析





具体分析来看,投资组合的修正久期高于参考基准的修正久期,当市场上升时,久期对于投资组合将是一个正贡献,贡献为0.865%。市场配置贡献中,英国债券和日本债券表现稍低于市场整体表现(0.5%、0.2%均低于0.621%),美国债券表现高于市场整体表现(0.933%高于0.621%)。该投资组合在低于参考基准的英国债券进行了高配,因此损失了-0.061%。在日本债券进行了低配,产生一个正贡献,在高于参考基准的美国债券进行了低配,产生了一个负贡献。债券选择贡献中,英国债券和日本债券表现均高于参考基准(0.59%高于0.5%,0.4%高于0.2%),因此在这两类债券的选择贡献为正。而美国债券低于参考基准(0.75%低于0.933%),选择贡献为负。
相关文章:
相对收益-固定收益组合归因-加权久期归因模型
固定收益组合归因-加权久期归因模型和Campisi模型 1 加权久期归因模型--推导方式11.1 债券策略组合收益率的分解1.1.2 加权久期归因(1)总久期贡献(2)债券类属配置贡献 1.1.3 如何应用加权久期归因 2 加权久期归因模型--推导方式22…...
原生鸿蒙版小艺APP接入DeepSeek-R1,为HarmonyOS应用开发注入新活力
原生鸿蒙版小艺APP接入DeepSeek-R1,为HarmonyOS应用开发注入新活力 在科技飞速发展的当下,人工智能与操作系统的融合正深刻改变着我们的数字生活。近日,原生鸿蒙版小艺APP成功接入DeepSeek-R1,这一突破性进展不仅为用户带来了更智…...
RabbitMQ 从入门到精通:从工作模式到集群部署实战(三)
文章目录 使用CLI管理RabbitMQrabbitmqctlrabbitmq-queuesrabbitmq-diagnosticsrabbitmq-pluginsrabbitmq-streamsrabbitmq-upgraderabbitmqadmin 使用CLI管理RabbitMQ RabbitMQ CLI 工具需要安装兼容的 Erlang/OTP版本。 这些工具假定系统区域设置为 UTF-8(例如en…...
AI-学习路线图-PyTorch-我是土堆
1 需求 PyTorch深度学习快速入门教程(绝对通俗易懂!)【小土堆】_哔哩哔哩_bilibili PyTorch 深度学习快速入门教程 配套资源 链接 视频教程 https://www.bilibili.com/video/BV1hE411t7RN/ 文字教程 https://blog.csdn.net/xiaotudui…...
2.1 Mockito核心API详解
Mockito核心API详解 1. 创建Mock对象 Mockito提供两种方式创建模拟对象: 1.1 手动创建(传统方式) // 创建接口/类的Mock对象 UserDao userDao Mockito.mock(UserDao.class);1.2 注解驱动(推荐方式) 结合JUnit 5的…...
傅里叶单像素成像技术研究进展
摘要:计算光学成像,通过光学系统和信号处理的有机结合与联合优化实现特定成像特性的成像系统,摆脱了传统成像系统的限制,为光学成像技术添加了浓墨重彩的一笔,并逐步向简单化与智能化的方向发展。单像素成像(Single-Pi…...
可视化工作流编排参数配置完整方案设计文档
一、背景及需求分析 1. 背景 在复杂的工作流程中,后续程序需要动态构造输入参数,这些参数源自多个前序程序的 JSON 数据输出。为了增强系统的灵活性和可扩展性,配置文件需要支持以下功能: 灵活映射前序程序的 JSON 数据。…...
镜头放大倍率和像素之间的关系
相互独立的特性 镜头放大倍率:主要取决于镜头的光学设计和结构,决定了镜头对物体成像时的缩放程度,与镜头的焦距等因素密切相关。比如,微距镜头具有较高的放大倍率,能将微小物体如昆虫、花朵细节等放大成像࿰…...
MariaDB *MaxScale*实现mysql8读写分离
1.MaxScale 是干什么的? MaxScale是maridb开发的一个mysql数据中间件,其配置简单,能够实现读写分离,并且可以根据主从状态实现写库的自动切换,对多个从服务器能实现负载均衡。 2.MaxScale 实验环境 中间件192.168.12…...
计算机毕业设计Spark+大模型知网文献论文推荐系统 知识图谱 知网爬虫 知网数据分析 知网大数据 知网可视化 预测系统 大数据毕业设计 机器学习
温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 作者简介:Java领…...
MySQL的事务实现原理和隔离级别?
目录 MySQL 事务实现原理 1. 事务的基本概念 2. 实现原理 日志系统 锁机制 MySQL 隔离级别 1. 隔离级别概述 2. 各隔离级别详解 读未提交(Read Uncommitted) 读已提交(Read Committed) 可重复读(Repeatable Read) 串行化(Serializable) 3. 设置隔离级别 My…...
JVM做GC垃圾回收时需要多久,都由哪些因素决定的
JVM进行垃圾回收(GC)的时间长短受多种因素影响,主要包括以下几个方面: 1. 堆内存大小 堆内存越大,GC需要扫描和回收的对象越多,耗时越长。堆内存较小时,GC频率增加,但每次回收的时…...
padding: 20rpx 0rpx 20rpx 20rpx(上、右、下、左的填充(顺时针方向))
CSS样式 padding: 20rpx 0rpx 20rpx 20rpx; 用于设置元素的填充区域。以下是对每个值的详细解释: 20rpx(上边距):设置元素顶部的填充为20rpx。0rpx(右边距):设置元素右侧的填充为0rpx。20rpx&a…...
2025-2-10-4.4 双指针(基础题1)
文章目录 4.4 双指针(基础题)**344. 反转字符串****125. 验证回文串****1750. 删除字符串两端相同字符后的最短长度****167.两数之和 II - 输入有序数组****2105. 给植物浇水 II****977. 有序数组的平方****658. 找到K个最接近的元素****1471. 数组中的k…...
Qt - 地图相关 —— 2、Qt调用百度在线地图功能示例全集,包含线路规划、地铁线路查询等(附源码)
效果:由于录制软件导致exe显示不正常,实际运行没有任何问题。 说明:exe试用下载(提取码: 4d8y )...
微信小程序如何使用decimal计算金额
第三方库地址:GitHub - MikeMcl/decimal.js: An arbitrary-precision Decimal type for JavaScript 之前都是api接口走后端计算,偶尔发现这个库也不错,计算简单,目前发现比较准确 上代码 导入js import Decimal from ../../uti…...
【AI学习】关于 DeepSeek-R1的几个流程图
遇见关于DeepSeek-R1的几个流程图,清晰易懂形象直观,记录于此。 流程图一 来自文章《Understanding Reasoning LLMs》, 文章链接:https://magazine.sebastianraschka.com/p/understanding-reasoning-llms?continueFlagaf07b1a0…...
C++模板编程——typelist的实现
文章最后给出了汇总的代码,可直接运行 1. typelist是什么 typelist是一种用来操作类型的容器。和我们所熟知的vector、list、deque类似,只不过typelist存储的不是变量,而是类型。 typelist简单来说就是一个类型容器,能够提供一…...
Python3 ImportError: cannot import name ‘XXX‘ from ‘XXX‘
个人博客地址:Python3 ImportError: cannot import name XXX from XXX | 一张假钞的真实世界 例如如下错误: $ python3 git.py Traceback (most recent call last):File "git.py", line 1, in <module>from git import RepoFile &quo…...
数据可视化与交互融合:APP 界面设计的新维度
在数字化浪潮汹涌的当下,APP 已成为人们生活和工作中不可或缺的工具。如何在众多 APP 中脱颖而出,界面设计至关重要。而数据可视化与交互的融合,正为 APP 界面设计开辟了全新的维度。 数据可视化,简单来说,就是将复杂…...
502 Bad Gateway 错误详解:从表现推测原因,逐步排查直至解决
502 Bad Gateway 错误通常意味着服务器之间的通信失败,但导致的具体原因往往因场景而异。 场景一:高峰期频繁出现 502 错误 1.1 现象 在流量高峰期间(如促销活动、直播发布等),页面访问变慢甚至出现 502 错误&#…...
控制论与信息论:维纳和香农的核心分歧在于对「信息本质」的理解
控制论与信息论:维纳和香农的核心分歧在于对「信息本质」的理解 核心结论 控制论是「系统的方向盘」,通过反馈调节实现目标信息论是「信息的尺子」,量化信息传输的精度与效率根本分歧:维纳认为信息是「系统维持秩序的工具」&…...
Baklib优化数字化内容管理用科技提升商业效率与增值潜力
内容概要 在当今数字化迅速发展的时代,数字化内容管理已成为企业提升竞争力的重要手段。Baklib作为一款强大的智能优化内容管理系统,通过先进的科技手段,帮助企业在内容管理和数据整合方面实现高效运作。Baklib 是什么类型的工具,…...
一个基于ESP32S3和INMP441麦克风实现音频强度控制RGB灯带律动的代码及效果展示
一个基于ESP32S3和INMP441麦克风实现音频强度控制RGB灯带律动的代码示例,使用Arduino语言: 硬件连接 INMP441 VCC → ESP32的3.3VINMP441 GND → ESP32的GNDINMP441 SCK → ESP32的GPIO 17INMP441 WS → ESP32的GPIO 18INMP441 SD → ESP32的GPIO 16RG…...
利用二分法进行 SQL 时间盲注
什么是时间盲注? SQL 盲注(Blind SQL Injection)是一种常见的 Web 安全漏洞,其中时间盲注是基于查询延迟的 SQL 注入方式。当服务器不返回可见的错误信息时,我们可以利用 SLEEP() 函数来判断查询结果是否符合预期。 …...
Linux运维——用户管理
Linux用户管理 一、Linux用户管理要点二、常用命令2.1、groupadd2.2、groupdel2.3、groupmod2.4、groups2.5、useradd2.6、userdel2.7、passwd2.9、su2.10、sudo2.10.1、给普通用户授权 sudo2.10.2、 免密码授权 sudo 一、Linux用户管理要点 创建用户组 - 使用 groupadd删除用…...
基于STM32的声纹识别智能门锁
一、项目背景与意义 行业痛点:传统指纹锁存在表皮磨损识别失败风险,声纹具备活体检测特性 技术优势: - 采用MFCC(梅尔频率倒谱系数)替代传统FFT,提升说话人特征区分度 - 动态时间规整(DTW)算法解决语…...
【密评】 | 商用密码应用安全性评估从业人员考核题库(19)
在SM9数字签名的生成和验证过程之前,杂凑函数( )。 A.仅对待签名消息进行压缩 B.仅对待验证消息进行压缩 C.对待签名消息和待验证消息都要压缩 D.不起任何作用 SM9密钥封装机制封装的秘密密钥是( )生成的。 A.根据主公钥 B.根据接受者的用户标识 C.由随机数发生器 D.以上都…...
redis底层数据结构——链表
文章目录 定义内部实现总结 定义 链表提供了高效的节点重排能力,以及顺序性的节点访间方式,并且可以通过增删节点来灵活地调整链表的长度。 作为一种常用数据结构,链表内置在很多高级的编程语言里面,因为Redis使用的C语言并没有…...
在CT107D单片机综合训练平台上实现外部中断控制LED闪烁
引言 在单片机开发中,外部中断是一个非常重要的功能,它可以让单片机在检测到外部信号变化时立即做出响应。本文将详细介绍如何在CT107D单片机综合训练平台上使用外部中断来控制LED灯的闪烁。我们将使用两种不同的方式来实现这一功能:一种是在…...
