【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型之python实现

【更新日志】
8/6/2020 对代码中计算择时与择股收益公式的错误进行了修正，并将数据结构框架补充在了附录中

---

1. 引言

在上文中，我们已经介绍了Brinson归因模型的基本思想和基本方法。在这篇文章中，就让我们动起手来实现这一方法吧！

在Brinson多期归因模型实现的过程中，本文使用模块化方法，将整个实现过程划分为如下五个功能板块：
Module 1: 基准数据读取模块（功能函数：benchmark_load）
Module 2: 持仓数据读取模块（功能函数：positions_load）
Module 3: 持仓收益与基准计算模块（功能函数：w_r_calculation）
Module 4: Brinson多期归因模型核心算法（功能函数：Brinson_Multiple）
Module 5: 主函数模块

注1：由于每个人数据都不一样，因此读者可以仅参考自己认为有用的模块（比如Brinson模型的核心算法）。

注2：由于本人自己的持仓数据比较敏感，在此仅展示代码实现框架。读者可以将自己的数据稍作处理后套用与本模板。

---

2. Brinson多期归因模型的Python实现

2.1 基准数据读取模块

# 0. 导入pandas库
import pandas as pd

# 1. 基准数据读取函数
'''
· 函数功能：读取基准数据
· 输入变量：基准数据存储的地址路径，格式为str
· 输出变量：基准的权重矩阵和收益矩阵，格式为DataFrame的list
· 数据样式介绍：
	1） 基准的权重存储于某xlsx或xls文件中，共有两个sheets，分别命名为"Weights"和"Return";
	2） 数据的第一列为交易日日期，列名为“日期”，其列格式为“datatime64”；
	3） 数据表头为各行业名称。
'''
def benchmark_load(benchmark_path):
    benchmark_weights = pd.read_excel(benchmark_path, sheet_name='Weights', index_col='日期')
    benchmark_returns = pd.read_excel(benchmark_path, sheet_name='Return', index_col='日期')
    return [benchmark_weights, benchmark_returns]

注：除本地导入基准数据外，可以通过API接口直接获取基准数据，如wind数据库、tushare数据库等

2.2 持仓数据读取模块

# 2. 读取持仓数据
'''
· 函数功能：读取持仓数据
· 输入变量：持仓数据存储的地址路径，格式为str
· 输出变量：标准持仓数据，格式为DataFrame，columns为数据名称，index为对应股票的持仓日期
· 数据样式介绍：
	1） 全部的持仓数据，包括：持仓股票代码，股票所属行业，持仓日期、市值、当日卖出金额、当日买入金额等；
	2） 数据表头为各数据名称；
	3） 原始数据可以不按照交易日先后顺序排列。
'''
def positions_load(positions_path):
    pf_data= pd.read_excel(positions_path)
    pf_data.drop_duplicates()  # 数据去重
    pf_data = pf_data[['持仓日期', '市值', '行业', '当日卖出金额', '当日买入金额']]  # 选定需要使用的列
    pf_data['持仓日期'] = pf_data['持仓日期'].astype('datetime64')  # 转化日期格式
    return pf_data

2.3 持仓收益与基准计算模块

# 3. calculate the weights and the returns of the portfolio
'''
· 函数功能：计算所持仓位的权重和收益矩阵
· 输入变量：
	1） trading_dates：从基准值提取的交易日信息，格式为list
	2)  sectors: 从基准中提取行业名称（本码为申万一级），格式为list
	3) pf_data：使用读取函数读取到的数据
· 输出变量：持仓的权重矩阵和收益矩阵，格式为DataFrame的list
'''
def w_r_calculation(trading_dates, sectors, pf_data):
    # sectors: 从基准中提取行业名称（申万一级）
    # trading_dates 从基准值提取交易日信息
	
	# Part 1: 初始化一些存储用的中间变量
    pf_weights = pd.DataFrame(0, columns=sectors, index=td_dates).astype('float') # 存储持仓权重