【Python】Brinson绩效归因模型（指数增强策略--2）

Brinson 模型是一种常用的投资组合绩效归因模型，用于解析和量化投资组合的绩效来源。它可以帮助投资者和投资经理更好地理解投资组合的表现，并确定导致绩效变化的主要因素。

Brinson 模型的核心思想是将一个投资组合的超额回报拆解为三个主要部分：选股（Stock Selection）、配置（Asset Allocation）和交互作用（Interaction）。这三个部分分别衡量了投资经理在个股选择、资产配置以及两者之间的交互方面对投资组合绩效的贡献。

具体而言，Brinson 模型通过比较投资组合与某个基准之间的差异，将超额回报分解为以下三个部分：

1. 选股（Stock Selection）：选股部分衡量了投资经理通过选择相对于基准表现更好或更差的个股而获得的超额回报。这部分指示了投资经理的个股择时能力。

2. 配置（Asset Allocation）：配置部分衡量了投资经理通过在不同资产类别或行业之间调整权重来获得超额回报。这部分反映了投资经理的资产配置能力。

3. 交互作用（Interaction）：交互作用部分衡量了选股和配置之间的交互效应，即选股和配置共同对投资组合绩效的影响。这部分显示了选股和配置之间的协同效应。

通过使用 Brinson 模型，投资者和投资经理可以了解到投资组合绩效背后的主要驱动因素，从而更好地评估投资经理的能力、制定投资策略和进行投资组合管理决策。此外，Brinson 模型还可以用于比较不同投资经理或不同投资组合之间的绩效表现，并进行绩效归因分析。

本文采用数据是前序文章根据夏普最大化构建指数增强策略的思想构建的, 回顾一下投资组合构建方式（跑起来会有些慢）：

# 引入必要包
import akshare as ak
import pandas as pd
import numpy as np
from pylab import plt, mpl
import scipy.optimize as sco
import scipy.interpolate as sci
from pyecharts import options