

回测跑完总收益 +15%，你很满意。但老板问了一句：**"这 15% 里，多少是选股选的，多少是大盘涨的，多少是你中途加仓加出来的？"**

答不上来，策略就还是黑盒。

策略评估不能只看一个最终数字。本文给你三个归因视角，把收益拆到每一块钱，让每一次调仓都有解释。

## 一、本文你将得到什么

1. **PnL 归因**：把单笔区间收益拆成「价格效应 + 数量效应 + 交易效应」。
2. **持仓归因**：用期初权重 × 区间收益，看每个时间点的持仓对总收益的贡献。
3. **净值归因**：从组合整体视角，把期末净值相对期初的盈亏拆到「初始持仓」和「新增仓位」。
4. 一段可直接复制运行的 Python 代码，输入你的持仓快照就能出三份归因表。

## 二、为什么需要三视角

同一个策略，不同人问的问题不一样：

- **交易员问**：我这次加仓是对是错？→ 看 PnL 归因里的数量效应。
- **研究员问**：这段时间哪些持仓真正贡献了收益？→ 看持仓归因里的权重 × 收益。
- **投资人问**：组合整体赚了还是亏了？→ 看净值归因里的总盈亏拆分。

三视角不是重复计算，而是从「交易动作」「持仓结构」「组合整体」三个维度回答同一个问题。

## 三、核心公式

### 1. PnL 归因（单区间）

设上一期持仓为 `(P_prev, Q_prev)`，本期为 `(P_cur, Q_cur)`：

- 价格效应 = `(P_cur - P_prev) × Q_prev`
- 数量效应 = `(Q_cur - Q_prev) × P_prev`
- 交易效应 = `(P_cur - P_prev) × (Q_cur - Q_prev)`
- 总 PnL = 三者之和

### 2. 持仓归因

每个时间点的贡献 = `该时点持仓市值 / 总初始市值 × 该区间收益率`

### 3. 净值归因

- 总盈亏 = 期末净值 - 期初净值 - 期间追加投入
- 初始持仓盈亏 = `(P_end - P_start) × Q_start`
- 新增仓位盈亏 = `(P_end - P_trade) × ΔQ`

> 注意：有外部资金流入时，简单用 `(期末 - 期初)/期初` 会虚高收益，必须扣掉追加投入。

## 四、代码实战

```python
import json
import random
from mairui import Client

DEMO_LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
CODE = "600519"


def perturb_ohlc(bars, seed=2026091304):
    """演示证返回的是同一份 mock 数据，这里做确定性扰动让序列有起伏。"""
    rng = random.Random(seed)
    out = []
    for b in bars:
        k = 1.0 + (rng.random() - 0.5) * 0.10
        nb = dict(b)
        for f in ("o", "c", "h", "l"):
            if f in nb and nb[f] is not None:
                nb[f] = round(float(nb[f]) * k, 2)
        out.append(nb)
    return out


def fmt_pct(x):
    return f"{float(x) * 100:.4f}%"


client = Client(DEMO_LICENCE)
bars = perturb_ohlc(client.stock_history(code=CODE, period="d", dividend="f"))[:30]

# 构造 3 个持仓快照：t0 建仓 100 股，t1 加仓到 130 股，t2 持有
snapshots = [
    {"date": bars[0]["t"], "price": float(bars[0]["c"]), "qty": 100},
    {"date": bars[10]["t"], "price": float(bars[10]["c"]), "qty": 130},
    {"date": bars[20]["t"], "price": float(bars[20]["c"]), "qty": 130},
]

# ---------- 1. PnL 归因 ----------
pnl_rows = []
for i in range(1, len(snapshots)):
    prev, cur = snapshots[i - 1], snapshots[i]
    delta_p = cur["price"] - prev["price"]
    delta_q = cur["qty"] - prev["qty"]

    price_effect = delta_p * prev["qty"]
    quantity_effect = delta_q * prev["price"]
    trading_effect = delta_p * delta_q
    total_pnl = price_effect + quantity_effect + trading_effect

    pnl_rows.append({
        "区间": f"{prev['date']} -> {cur['date']}",
        "价格效应": round(price_effect, 2),
        "数量效应": round(quantity_effect, 2),
        "交易效应": round(trading_effect, 2),
        "总 PnL": round(total_pnl, 2),
    })

# ---------- 2. 持仓归因 ----------
holding_rows = []
total_initial_value = sum(s["price"] * s["qty"] for s in snapshots)
for i, s in enumerate(snapshots):
    weight = (s["price"] * s["qty"]) / total_initial_value
    ret = 0.0 if i == 0 else (s["price"] - snapshots[i - 1]["price"]) / snapshots[i - 1]["price"]
    holding_rows.append({
        "日期": s["date"],
        "初始权重": fmt_pct(weight),
        "区间收益": fmt_pct(ret),
        "归因贡献": fmt_pct(weight * ret),
    })

# ---------- 3. 净值归因 ----------
p0, p1, p2 = snapshots[0]["price"], snapshots[1]["price"], snapshots[2]["price"]
q0, q2 = snapshots[0]["qty"], snapshots[2]["qty"]
delta_q = q2 - q0
nav_start = p0 * q0
cash_inflow = p1 * delta_q
nav_end = p2 * q2

total_pnl = nav_end - nav_start - cash_inflow
hold_pnl = (p2 - p0) * q0
trade_pnl = (p2 - p1) * delta_q

nav_attribution = {
    "初始净值": round(nav_start, 2),
    "追加投入": round(cash_inflow, 2),
    "期末净值": round(nav_end, 2),
    "总盈亏": round(total_pnl, 2),
    "初始持仓盈亏": round(hold_pnl, 2),
    "新增仓位盈亏": round(trade_pnl, 2),
    "对应收益率": fmt_pct(total_pnl / (nav_start + cash_inflow)),
}

print(json.dumps({
    "PnL归因": pnl_rows,
    "持仓归因": holding_rows,
    "净值归因": nav_attribution,
}, ensure_ascii=False, indent=2))
```

## 五、运行结果（演示环境）

```json
{
  "PnL归因": [
    {
      "区间": "2025-09-15 -> 2025-09-29",
      "价格效应": 3.0,
      "数量效应": 328.2,
      "交易效应": 0.9,
      "总 PnL": 332.1
    },
    {
      "区间": "2025-09-29 -> 2025-10-21",
      "价格效应": -37.7,
      "数量效应": 0.0,
      "交易效应": -0.0,
      "总 PnL": -37.7
    }
  ],
  "持仓归因": [
    {"日期": "2025-09-15", "初始权重": "27.99%", "区间收益": "0.0000%", "归因贡献": "0.0000%"},
    {"日期": "2025-09-29", "初始权重": "36.49%", "区间收益": "0.2742%", "归因贡献": "0.1001%"},
    {"日期": "2025-10-21", "初始权重": "35.52%", "区间收益": "-2.6436%", "归因贡献": "-0.9391%"}
  ],
  "净值归因": {
    "初始净值": 1094.0,
    "追加投入": 329.1,
    "期末净值": 1388.4,
    "总盈亏": -34.7,
    "初始持仓盈亏": -26.0,
    "新增仓位盈亏": -8.7,
    "对应收益率": "-2.4383%"
  }
}
```

可以看到：

- 第一区间总 PnL +332.1 元里，**数量效应占绝对大头**（328.2 元），说明这次盈利主要来自加仓，而不是价格本身上涨。
- 第二区间没有调仓，亏损 -37.7 元全部来自价格效应。
- 净值视角下，虽然期末市值高于期初，但扣除追加投入后**真实盈亏是 -34.7 元**，对应收益率 -2.44%。

## 六、常见坑与注意

1. **别把市值增长当收益**。中途加了钱，期末市值高不等于赚钱，必须扣掉现金流入。
2. **归因残差要归零**。如果三效应之和不等于总 PnL，说明公式写错了。
3. **多标的同理**。把单只股票的快照换成每只股票的 `(市值, 股数)`，就能做组合层面的 Brinson + PnL 联合归因。
4. **演示证数据有限**。正式环境换成自己的 licence 后，`stock_history` 会返回真实日线，去掉 `perturb_ohlc` 即可。

## 七、小结

- PnL 归因回答「单笔调仓赚了哪部分钱」。
- 持仓归因回答「哪个时间段的持仓结构贡献最多」。
- 净值归因回答「组合整体的真实盈亏来源」。

三者结合，才能把「策略赚了 15%」变成「选股贡献 8%、择时贡献 3%、加仓时点贡献 4%」。

下篇预告：【Python量化策略评估体系 #05】极端行情扛得住吗？用 2008/2015/2020 三场景做压力测试。

---

## 了解更多

- 代码与文档：https://github.com/MaiRuiApi

**免责声明**：本文仅为技术方法演示，不构成投资建议。历史表现不代表未来收益，投资有风险，入市需谨慎。


回测跑完总收益 +15%，你很满意。但老板问了一句："这 15% 里，多少是选股选的，多少是大盘涨的，多少是你中途加仓加出来的？"

【Python量化策略评估体系 #04】策略赚了钱，到底是谁的功劳？PnL·持仓·净值三视角归因

编程语言

算法

后端

回测收益+15%不够，必须拆解选股、择时、加仓三类归因。本文提供PnL、持仓、净值三视角公式与Python代码，自动分解价格效应、数量效应、交易效应，识别真实盈利来源，扣除追加资金避免虚高，让策略从黑盒变透明。

压力测试

代码解释

Python

GitHub

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化策略评估体系 #04】策略赚了钱，到底是谁的功劳？PnL·持仓·净值三视角归因-腾讯云开发者社区-腾讯云

【Python量化策略评估体系 #04】策略赚了钱，到底是谁的功劳？PnL·持仓·净值三视角归因

【Python量化策略评估体系 #04】策略赚了钱，到底是谁的功劳？PnL·持仓·净值三视角归因

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐