CN114187117A - 一种业绩归因方法、装置、设备及存储介质 - Google Patents
一种业绩归因方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114187117A CN114187117A CN202111525872.6A CN202111525872A CN114187117A CN 114187117 A CN114187117 A CN 114187117A CN 202111525872 A CN202111525872 A CN 202111525872A CN 114187117 A CN114187117 A CN 114187117A
- Authority
- CN
- China
- Prior art keywords
- asset classification
- asset
- level
- preset
- performance attribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种业绩归因方法、装置、设备及存储介质，涉及数据分析技术领域，用于通过对业绩归因模型进行灵活配置，以实现对用户资产的全面风险管控。该方法包括：获取用户资产对应的组合持仓数据和基准持仓数据；对所述组合持仓数据和所述基准持仓数据按照预设资产分类规则进行分类，确定所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；根据所述多层级业绩归因模型，确定所述用户资产对应的收益归因项。
Description
技术领域
本申请涉及数据分析技术领域，提供一种业绩归因方法、装置、设备及存储介质。
背景技术
目前，国内的资产管理公司对评估组合投资的业绩还处于初步阶段，很多公司对某类资产具体产生了多少收益还处于初期探索阶段，因此，能够用于分析组合的收益来源，对投资经理投资策略的评估，对投资水平的衡量，以及对投资风格的分析的业绩归因模型变得尤为重要。
在现有技术中，业绩归因方法较为单一，通常会基于Brinson模型或者Campisi模型进行业绩归因，其中，Brinson模型可以将用户资产的超额收益分解为配置收益和选择收益，其要求将业绩归因到统一的分类上，如行业分类，而对固定收益类资产的评价没有什么经济含义，其不适用于偏债型为主的用户。Campisi模型可以将用户资产的超额收益分解为收入效应、国债效应和利差效应，其较为适用于固定收益类的资产，而对于其他类型的资产不太适用。可见，现有的业绩归因技术基本上仅能对一部分类型的资产进行业绩归因，然而，目前对用户资产进行全面风险管理是主流趋势，其需要对多资产进行全面的、总体的评估和管控。
发明内容
本申请实施例提供一种业绩归因方法、装置、设备及存储介质，用于通过对业绩归因模型进行灵活配置，以实现对用户资产的全面风险管控。
一方面，提供一种业绩归因方法，所述方法包括：
获取用户资产对应的组合持仓数据和基准持仓数据；其中，所述组合持仓数据为用户资产的真实持仓数据，所述基准持仓数据为用户资产的公开市场持仓数据；
对所述组合持仓数据和所述基准持仓数据按照预设资产分类规则进行分类，确定所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；其中，所述预设资产分类规则包括各个资产分类级与资产分类之间的关系，且任一资产分类级包括至少一个所述任一资产分类级的下一资产分类级；
根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；其中，每一资产分类级对应所述多层级业绩归因模型中的至少一个多项式；
根据所述多层级业绩归因模型，确定所述用户资产对应的收益归因项；其中，所述收益归因项用于表示用户资产中的各项超额收益的来源。
在本申请实施例中，由于所配置多层级业绩归因模型是根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类来进行确定的，即，所配置的多层级业绩归因模型是根据用户资产的实际投资情况来灵活进行配置的，因此，不同用户资产可能对应不同的多层级业绩归因模型，此外，由于在将用户资产进行按照预设资产分类规则进行分类时，可以将用户资产尽可能的进行详细分类，因此，基于所配置的多层级业绩归因模型而确定的收益归因项，不仅可以将用户收益来源归因到更具体更详细的源头里，还可以满足对用户资产的全面风险管控。
可选的，所述根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型，包括：
确定所述资产分类级数是否不大于预设级数；
在确定不大于预设级数时，根据所述各个资产分类级的资产分类以及第一预设配置规则，对所述各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型；其中，所述第一预设配置规则用于将第一子业绩归因模型配置为由配置收益、选择收益和交互收益组成的模型；
根据所述各个资产分类级各自对应的第一子业绩归因模型，确定所述多层级业绩归因模型。
可选的，在确定所述资产分类级数是否不大于预设级数之后，所述方法包括：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为权益类；
在确定为权益类时，根据所述任一资产分类级对应的资产分类以及第二预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第二子业绩归因模型；其中，所述第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定所述多层级业绩归因模型。
可选的，在确定所述资产分类级数是否不大于预设级数之后，所述方法包括：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为固定资产类；
在确定为固定资产类时，根据所述任一资产分类级对应的资产分类以及第三预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第三子业绩归因模型；其中，所述第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定所述多层级业绩归因模型。
可选的，所述根据所述多层级业绩归因模型、所述组合持仓数据和所述基准持仓数据，确定所述用户资产对应的收益归因项，包括：
根据所述组合持仓数据和所述基准持仓数据，确定各个资产分类级的资产分类所对应的权重与收益；
将所述各个资产分类级的资产分类所对应的权重与收益，带入所述多层级业绩归因模型，确定所述收益归因项。
一方面，提供一种业绩归因装置，所述装置包括：
数据获取单元，用于获取用户资产对应的组合持仓数据和基准持仓数据；其中，所述组合持仓数据为用户资产的真实持仓数据，所述基准持仓数据为用户资产的公开市场持仓数据；
资产分类单元，用于对所述组合持仓数据和所述基准持仓数据按照预设资产分类规则进行分类，确定所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；其中，所述预设资产分类规则包括各个资产分类级与资产分类之间的关系，且任一资产分类级包括至少一个所述任一资产分类级的下一资产分类级；
模型配置单元，用于根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；其中，每一资产分类级对应所述多层级业绩归因模型中的至少一个多项式；
收益归因单元，用于根据所述多层级业绩归因模型，确定所述用户资产对应的收益归因项；其中，所述收益归因项用于表示用户资产中的各项超额收益的来源。
可选的，所述模型配置单元，具体用于：
确定所述资产分类级数是否不大于预设级数；
在确定不大于预设级数时，根据所述各个资产分类级的资产分类以及第一预设配置规则，对所述各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型；其中，所述第一预设配置规则用于将第一子业绩归因模型配置为由配置收益、选择收益和交互收益组成的模型；
根据所述各个资产分类级各自对应的第一子业绩归因模型，确定所述多层级业绩归因模型。
可选的，所述模型配置单元，具体用于：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为权益类；
在确定为权益类时，根据所述任一资产分类级对应的资产分类以及第二预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第二子业绩归因模型；其中，所述第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定所述多层级业绩归因模型。
可选的，所述模型配置单元，具体用于：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为固定资产类；
在确定为固定资产类时，根据所述任一资产分类级对应的资产分类以及第三预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第三子业绩归因模型；其中，所述第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定所述多层级业绩归因模型。
可选的，所述收益归因单元，具体用于：
根据所述组合持仓数据和所述基准持仓数据，确定各个资产分类级的资产分类所对应的权重与收益；
将所述各个资产分类级的资产分类所对应的权重与收益，带入所述多层级业绩归因模型，确定所述收益归因项。
一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方面所述的方法的步骤。
一方面，提供一种计算机存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述方面所述的方法的步骤。
一方面，提供一种计算机程序产品，其上存储有计算机程序代码，当所述计算机程序代码在计算机上运行时，实现上述方面所述的方法的步骤。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的业绩归因模型配置装置的架构示意图；
图3为本申请实施例提供的业绩归因方法的一种流程示意图；
图4为预设资产分类规则对应的分类树的一种示意图；
图5为本申请实施例提供的配置多层级业绩归因模型的一种流程示意图；
图6为上一资产分类级属于权益类的多层级业绩归因模型配置流程示意图；
图7为上一资产分类级属于固定收益类的多层级业绩归因模型配置流程示意图；
图8为本申请实施例提供的业绩归因装置的一种结构示意图；
图9为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。此外，本申请技术方案中，对数据的采集、传播、使用等，均符合国家相关法律法规要求。
首先，对本申请中的部分用语进行解释说明。
(1)业绩归因，是指在计算出用户资产的超额收益的基础上，可以将用户资产的超额收益进行分解，以研究用户资产的超额收益的组成。通俗来说，就是把组合的收益归结到一系列基本上彼此之间并无关系的风险因素上。
(2)Brinson模型，适用于对股票、投资、基金等资产进行业绩归因，这个模型需要获取在给定时刻用户的持仓数据(包括持有的证券及数目)，如果能够获取的横截面持仓数据越多，数据越完备，则归因分析就越准确。
在基于Brinson模型进行业绩归因时，可以将用户资产的超额收益分解为资产配置收益、个股选择收益和交互收益。其中，资产配置收益可以理解为能够看清楚大类资产的强弱走势，能够判断出哪类资产将来收益会比较高，即，通过配置各类资产之间投资比例而获得的收益。个股选择收益可以理解为在股票市场和债券市场上能否选出高于市场基准收益的资产，即在相同资金分配比例下，通过选择个别类型的资产而获得的收益。交互收益可以指有由资产配置与个股选择所共同产生的收益。
(3)Campisi模型，适用于对固定收益类(股票、债券等)资产进行业绩归因。在基于Campisi模型进行业绩归因时，可以将超额收益分解为收入效应、国债效应和利差效应这三种效应。
其中，收入效应是可以指在资产持有期间，资产利息所带来的收益。国债效应可以指由于国债到期收益率变动导致的价格变动所带来的收益。利差效应可以指由于除了国债到期收益率以外的其他因素导致价格变动所带来的收益。
(4)BHB模型，是由Brinson、Hood和Beebower在1986年提出的，其是Brinson模型的两种超额收益分解方案之一。该模型的主要思路为：对比基准组合，如果在业绩更好的板块上配置更多的权重，则反应了投资者配置能力；如果在相同的板块里，由于个股选择导致与基准在该板块上的收益不同，这部分的差异体现了投资者选股的能力；交互收益是由于选股能力和配置能力共同作用带来的。因此，在BHB模型中，可以将超额收益分解为配置效应、选择效应和交互效应。
但是BHB模型存在一个问题，即，如果板块配置部分想要真正合理的运转，实际上需要基于一个假设，就是如果这个板块的表现更好，那么投资者就应该超配这个板块。但在BHB方法中，在板块配置部分我们并不知道每个板块的收益是否好于基准，那么就很可能出现，板块本身的收益很糟糕，但我们在这个行业的配置相对较低，或者实际上这个板块的收益并不好于基准整体，但是我们超配了这个行业，在这两种情况下，分析的结果都会是我们有很好的行业配置能力，这都不符合我们对配置能力的认知。因此，对于投资者来说，板块好坏的判断基准也应该是这个板块能否取得比基准更好的表现，而不是这个板块的绝对收益。因此，在改进BHB模型时，可以将选择效应和交互效应合并为选择收益。
(5)BF模型，由Brinson和Fachler在1985年提出，其同样也为Brinson模型的两种超额收益分解方案之一。其相对于BHB模型来说，其将BHB中的交叉项和选股业绩两个部分进行了合并。在BF模型中，可以将收益分解成为板块配置、选股能力和择时能力三个部分，使得不仅可以避免板块本身表现不佳对归因结果的影响，还可以避免交叉项带来的解释的困难，此外，由于又加入了一个评价投资能力的新维度，因此，可以使得归因分析的内容更加丰富。
目前，在现有技术中，业绩归因方法较为单一，通常会基于Brinson模型或者Campisi模型进行业绩归因，其中，Brinson模型可以将用户资产的超额收益分解为配置收益和选择收益，其要求将业绩归因到统一的分类上，如行业分类，而对固定收益类资产的评价没有什么经济含义，其不适用于偏债型为主的用户。Campisi模型可以将用户资产的超额收益分解为收入效应、国债效应和利差效应，其较为适用于固定收益类的资产，而对于其他类型的资产不太适用。可见，现有的业绩归因技术基本上仅能对一部分类型的资产进行业绩归因，然而，目前对用户资产进行全面风险管理是主流趋势，其需要对多资产进行全面的、总体的评估和管控。
基于此，本申请实施例中，在获取用户资产对应的组合持仓数据和基准持仓数据之后，可以对组合持仓数据和基准持仓数据按照预设资产分类规则进行分类，来确定组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；进而，可以根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，来配置多层级业绩归因模型；从而，可以根据多层级业绩归因模型，来确定出用户资产对应的收益归因项。可见，在本申请实施例中，由于所配置多层级业绩归因模型是根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类来进行确定的，即，所配置的多层级业绩归因模型是根据用户资产的实际投资情况来灵活进行配置的，因此，不同用户资产可能对应不同的多层级业绩归因模型，此外，由于在将用户资产进行按照预设资产分类规则进行分类时，可以将用户资产尽可能的进行详细分类，因此，基于所配置的多层级业绩归因模型而确定的收益归因项，不仅可以将用户收益来源归因到更具体更详细的源头里，还可以满足对用户资产的全面风险管控。
在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
本申请实施例的技术方案可以应用于任何可能的业绩归因场景中。如图1所示，为本申请实施例提供的一种应用场景示意图。该业绩归因的应用场景可以包括用户终端10与业绩归因设备11。
用户终端10可以为能够使用户进行业绩归因操作的设备，例如，可以为手机、个人计算机(personal computer，PC)、笔记本电脑等。
业绩归因设备11可以是为业绩归因过程提供数据存储与数据计算的服务器，其可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。该业绩归因设备11可以包括一个或多个处理器101、存储器102以及与其他设备交互的I/O接口103等。此外，业绩归因设备11还可以配置数据库104，数据库104可以用于存储本申请实施例提供的方案中涉及到的组合持仓数据、基准持仓数据、资产分类级数等数据。其中，业绩归因设备11的存储器102中可以存储本申请实施例提供的业绩归因方法的程序指令，这些程序指令被处理器101执行时能够用以实现本申请实施例提供的业绩归因方法的步骤，以对用户资产进行全面风险管理。
在一种可能的实施方式中，当业绩归因设备11通过I/O接口103检测到用户在用户终端10上进行业绩归因操作时，例如，点击资产管控软件中的业绩归因按钮等，业绩归因设备11的处理器101会运行存储器102中存储的业绩归因方法的程序指令，从而对用户资产进行全面风险管理，且在程序指令执行过程中获取的组合持仓数据、基准持仓数据，以及生成的资产分类级数等数据存储于数据库104中。
如图2所示，为本申请实施例提供的业绩归因模型配置装置的架构示意图，该业绩归因模型配置装置20可以由组合持仓信息处理组件201、基准持仓信息处理组件202、自定义基准组件203、分类规则信息处理组件204和模型配置组件205这五个组件构成。其中，上述的各个模块可全部部署于上述的用户终端10或者业绩归因设备11中，也可以部分部署于用户终端10中，另一部分部署于业绩归因设备11中，本申请实施例对此不做限制。具体的，各个组件的作用如下：
组合持仓信息处理组件201，可以用于获取组合持仓数据，主要包括证券名称、持仓占比、每日收益率以及证券市场估值信息等。此外，该组合持仓信息处理组件还可以分别获取成分指数下的各个指数成分券的权重和收益。
基准持仓信息处理组件202，可以用于获取基准持仓数据，主要包括证券名称、持仓占比、每日收益率以及证券市场估值信息等。且，该基准持仓信息处理组件还可以分别获取成分指数下的各个指数成分券的权重和收益，根据缩放比例和多空类型进行基准组合的权重收益调整。此外，基准持仓信息处理组件需要从自定义基准组件获取基准构建规则。
自定义基准组件203，可以用于构建多资产类型的基准指数，支持比例缩放和多空类型。例如，自定义股票和债券的混合基准指数，为30％上证50指数+70％中证全债指数，30％和70％即为缩放比例。因投资风格需要，可能需要考虑做空指数基准的情况，例如70％沪深300指数+50％中债总财富指数-20％上证50ETF指数，连接各个指数之间的+、-号，即为多空类型。
分类规则信息处理组件204，可以用于构建分类树，即按照具体证券的标签进行灵活的多层级分类配置，同一层级不同分类下的次级分类方式可以单独配置。分组规则分为自上而下和自下而上两种方式。自下而上的方式简单来说就是获取满足规则的证券进行向上层级汇总，即设定标签规则，满足规则设定的下层资产将进入上层汇总；自上而下的方式简单来说就是过滤筛选上层资产进入下层分析，即将上层资产池进行规则分类，不满足的资产归为其他。两者的区别在于，自下而上是按照用户关心的资产进行筛选，构建了一个新的投资组合池，而自上而下的方式是从公司管理的角度对所有资产进行分类分析。
模型配置组件205，可以提供多种业绩归因算法模型，通过与分类规则信息处理组件结合使用配置每一个分类下使用的模型，灵活的构建了业绩归因的结构。此外，该模型配置组件还可以提供多种多期连接的方式，例如递归法、Carino法、Menchero法、Frongello法以及GRAP法。
在一种可能的实施方式中，如图2所示，在基于组合持仓信息处理组件201和基准持仓信息处理组件202获取到用户的组合持仓数据和基准持仓数据之后，进而，可以根据分类规则信息处理组件204来对组合持仓数据进行分类，以及根据从自定义基准组件203中获取的基准构建规则来对基准持仓数据进行分类，从而，确定出用户资产对应的资产分类级数，以及各个资产分类级的资产分类，进而，模型配置组件205可以基于用户资产对应的资产分类级数，以及各个资产分类级的资产分类来配置出用户资产的超额资产对应的多层级业绩归因算法模型。进而，在采用该多层级业绩归因算法模型来对用户资产进行业绩归因时，不仅可以将用户收益来源归因到更具体更详细的源头里去，还可以满足对用户资产的全面风险管控。
当然，本申请实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其他可能的应用场景，本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。下面，将结合附图对本申请实施例的方法进行介绍。
如图3所示，为本申请实施例提供的业绩归因方法的一种流程示意图，该方法可以通过图1中的用户终端10和业绩归因设备11共同执行，也可以由用户终端10或者业绩归因设备11执行，本申请实施例对此不做限制，该方法的流程介绍如下。
步骤301：获取用户资产对应的组合持仓数据和基准持仓数据。
在本申请实施例中，组合持仓数据可以为用户资产的真实持仓数据；基准持仓数据可以为用户资产的公开市场持仓数据，例如，可以包括基准信息，基准成分明细信息，基准成分行情信息等。
在实际应用时，组合持仓可以指用户构建的由股票、债券、基金等投资标组成的投资组合，该组合持仓对应的组合收益为基于该投资组合在一段时期内的投资收益较期初投入所取得的投资回报，例如，资本利得、分红收入、利息收入等等，进而，在本申请中，组合持仓数据可以用于指代与用户构建的投资组合相关的数据，例如，具体由哪些投资标(股票、债券、基金等)所组成的投资组合，各个投资标的购买比例，以及一段时期内的资本利得、分红收入、利息收入等信息。
基准持仓可以指选择市场上的指数，或者复合指数来确定的投资组合，例如，其能够代表某一市场平均表现的市场指数，如泸深300等股票指数。进而，在本申请中，基准持仓数据可以用于指代与公开市场相关的数据，其中，该基准持仓数据可以包括具体由哪些投资标(股票、债券、基金等)所组成投资组合，各个投资标的购买比例，以及一段时期内的资本利得、分红收入、利息收入等信息。
由于本申请的技术方案主要用于对用户资产的超额收益的来源进行确定，而超额收益又是由组合收益与基准收益的收益差额进行表示，如下公式所示：
超额收益＝rP-rB
其中，rP为组合收益，rB为基准收益，P为组合收益对应的分类数，B为基准收益对应的分类数。
因此，若需要对用户资产的超额收益的来源进行确定，则需要先获取更够确定出组合收益的组合持仓数据，以及能够确定出基准收益的基准持仓数据。
步骤302：对组合持仓数据和基准持仓数据按照预设资产分类规则进行分类，确定组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类。
在本申请实施例中，预设资产分类规则可以包括各个资产分类级与资产分类之间的关系，且任一资产分类级可以包括至少一个任一资产分类级的下一资产分类级。
在实际应用时，为了能够对用户资产进行全面风险管控与评估，可以先对具体的各类资产进行打标签，然后按照根据各类资产标签来设置预设资产分类规则，其中，针对同一资产分类级中的不同资产分类，该不同资产分类下的资产分类级的分类方式可以单独设置，即可以按照不同的分类进行设置，进而，可以构建出能够与预设资产分类规则对应的分类树。
以将用户资产进行6个层级的分类为例，如图4所示，为本申请实施例提供的预设资产分类规则对应的分类树的一种示意图，其中，可以在第一资产分类级中，将用户资产按照部门进行分类，例如，可以分为部门A和部门B，其中，部门A可以为委外投资部门，部门B可以为内部团队运营部门；进而，在第二资产分类级中，针对部门A可以按照委托人进行分类，针对部门B可以按照投资经理进行分类，其中，在将部门A分类至委托人层已经不能再细分；进而，在第三资产分类级中，对投资经理可以按照资产一级大类进行细分，进而分为权益类、固定收益类和其他类；在第四资产分类级中，可以将权益类分为股票类和基金类，固定收益类可以分为债券类、回购类和可转债类，其中，出于监管要求，非上述资产类(股票类、基金类、债券类、回购类和可转债类等)基本上属于禁止投资的，因此，可以将非上述资产类型归为其他(银行存款等)，其中，银行存款和可转债类设置为不能再细分；第五资产分类级中，对股票类可以按照证券市场分类进行细分，例如，可以细分为上海证券交易所类、深圳证券交易所类以及北京证券交易所等等，基金类可以按照证监会一级分类进行细分，例如，可以细分货币类、开放类以及封闭类等等，债券类可以按照债券类型进行细分，例如，可以细分为政府债券类、金融债券类等等，而回购类可以按照正回购类和逆回购类进行分类；在第六资产分类级中，可以对股票证券市场类按照申万、万得、中信、中证、深证以及证监会行业类等进行细分，可以对不同的债券类按照信用评级进行细分。
为方便用户理解，这里具体对股票证券市场类按照申万一级行业类进行举例说明，申万一级行业类具体可以细分为28类，它们分别为采掘、化工、钢铁、有色金属、建筑材料、建筑装饰、电气设备、机械设备、国防军工、汽车、家用电器、轻工制造、农林牧渔、食品饮料、纺织服装、医药生物、商业贸易、休闲服务、电子、计算机、传媒、通信、公用事业、交通运输、房地产、银行、非银金融以及综合，那么假设用户购买了“***制药股份有限公司”的股票，进而，按照申万一级行业类分类，可以将该股票归类于医药生物类。
进而，在获取到用户资产对应的组合持仓数据和基准持仓数据之后，便可以按照预设资产分类规则对用户资产进行分类，例如，可以按照图4所示的分类树进行分类，从而，确定出组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类。由于将用户资产尽可能的详细进行了分类，因此，基于所配置的多层级业绩归因模型而确定的收益归因项，可以将用户收益来源归因到更具体更详细的源头里去。
步骤303：根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型。
在本申请实施例中，每一资产分类级对应多层级业绩归因模型中的至少一个多项式。
在实际应用时，由于不同用户可能会选择不同的投资组合，例如，用户A可以选择股票类和基金类进行投资，而用户B可以选择债券类进行投资，进而，在基于预设资产分类规则进行分类之后，用户A的资产对应的资产分类级数以及各个资产分类级的资产分类，与用户B的资产对应的资产分类级数以及各个资产分类级的资产分类是不相同的。基于此，由于多层级业绩归因模型A和多层级业绩归因模型B均是基于自身资产的实际情况进行配置，即，需要根据各自组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，来配置多层级业绩归因模型，因此，用户A的资产对应的多层级业绩归因模型A与用户A的资产对应的多层级业绩归因模型B也是不相同的。基于此可以看出多层级业绩归因模型会根据用户资产的实际情况灵活进行配置，不同用户资产可能对应不同多层级业绩归因模型，因此，使得所配置的多层级业绩归因模型可以满足全面的绩效评估要求。
以资产分类级数为2，且采用Brinson模型下的改进的BHB模型为例，进行来配置多层级业绩归因模型，可得到如下所示的多层级业绩归因模型：
其中，rP为组合收益；rB为基准收益；Ni为第一资产分类级对应的资产分类的个数；Nj为第二资产分类级对应的资产分类的个数；
为基准持仓在第一资产分类级的资产分类i上的收益；
为组合持仓在第一资产分类级的资产分类i上的权重；
为基准持仓在第一资产分类级的资产分类i上的权重；
为组合持仓在第二资产分类级的资产分类j的收益；
为基准持仓在第二资产分类级的资产分类j的收益；
为组合持仓在第二资产分类级的资产分类j的权重；
为基准持仓在第二资产分类级的资产分类j的权重；
为组合持仓第一资产分类级的资产分类i上的配置收益；
为组合持仓在第二资产分类级的资产分类j上的配置收益；
为组合持仓在第二资产分类级的资产分类j上的选择收益。
此外，第一资产分类级对应多层级业绩归因模型中
第二资产分类级对应多层级业绩归因模型中
步骤304：根据多层级业绩归因模型，确定用户资产对应的收益归因项。
在本申请实施例中，收益归因项用于表示用户资产中的各项超额收益的来源。
在实际应用时，在确定出用户资产对应的多层级业绩归因模型之后，根据用户资产对应的组合持仓数据和基准持仓数据，来确定各个资产分类级的资产分类所对应的权重与收益，进而，可以通过将各个资产分类级的资产分类所对应的权重与收益，带入对应的配置多层级业绩归因模型中，从而确定出用户资产的超额收益的收益归因项。
例如，上述的以资产分类级数为2，且采用Brinson模型下的BHB模型而确定的多层级业绩归因模型，在该多层级业绩归因模型中，超额收益的收益归因项具体包括配置收益和选择收益这两项，其中，
为配置收益，
为选择收益，那么在根据组合持仓数据和基准持仓数据，确定出第一、第二资产分类级的资产分类所对应的权重w与收益r之后，可以将该第一、第二资产分类级的资产分类所对应的权重w与收益r的具体数值，带入上述配置多层级业绩归因模型中，从而，确定出配置收益对应的具体收益数值和选择收益的具体收益数值。进而，用户可以基于配置收益对应的具体收益数值和选择收益的具体收益数值来了解到超额收益的来源，且，基于所得的业绩归因项的分析，还可以对用户资产进行相应管控。
在一种可能的实施方式中，由于不同的投资组合在基于预设资产分类规则进行分类之后，所确定的资产分类级数和各个资产分类级具体的资产分类并不相同，因此，为进一步配置出更符合用户实际投资情况的多层级业绩归因模型，可以针对在进行分类时所确定的资产分类级数来进一步具体对多层级业绩归因模型进行配置，如图5所示，为本申请实施例提供的配置多层级业绩归因模型的一种流程示意图，流程介绍如下。
步骤501：确定资产分类级数是否不大于预设级数。
在实际应用时，可以将预设级数设置为3级。
步骤502：在确定不大于预设级数时，根据各个资产分类级的资产分类以及第一预设配置规则，对各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型。
在本申请实施例中，第一预设配置规则用于将第一子业绩归因模型配置为由配置收益和选择收益组成的模型。例如，第一预设配置规则可以为采用Brinson模型下的BHB模型，如下式所示：
其中，
为配置收益，
为选择收益，
为互交收益，即，可以将用户资产的超额收益归因为配置收益、选择收益和交互收益中。
进而，基于上述采用Brinson模型下的BHB模型，可以对各个资产分类级分别进行业绩归因配置，从而，生成各个资产分类级各自对应的第一子业绩归因模型。如上述以资产分类级数为2为例，在采用Brinson模型下的BHB模型对第一资产分类级进行配置，可得到第一资产分类级对应的第一子业绩归因模型为
同样的，对第二资产分类级进行配置，可得到第二资产分类级对应的第一子业绩归因模型为
步骤503：根据各个资产分类级各自对应的第一子业绩归因模型，确定多层级业绩归因模型。
在实际应用时，在确定出各个资产分类级各自对应的第一子业绩归因模型之后，可将各个资产分类级各自对应的第一子业绩归因模型进行相加，以确定出用户资产对应的多层级业绩归因模型。继续沿用上述资产分类级数为2的例子，由于第一资产分类级对应的第一子业绩归因模型为
第二资产分类级对应的第一子业绩归因模型为
因此，最终确定出多层级业绩归因模型可以为：
在一种可能的实施方式中，由于权益类和固定收益类之间存在收益和产品风险的不同，固定收益类的预期收益要小于权益类的预期收益，同样的，固定收益类的风险也是要小于权益类的风险的。因此，为进一步配置出更符合用户实际投资情况的多层级业绩归因模型，可以具体针对上一资产分类级是属于权益类还是固定收益类来进一步进行多层级业绩归因模型的配置，如图6所示，为本申请实施例提供的上一资产分类级属于权益类的多层级业绩归因模型配置流程示意图，流程介绍如下。
步骤601：在确定大于预设级数时，针对大于预设级数的至少一个资产分类级中任一资产分类级，确定任一资产分类级的上一资产分类级的资产分类是否为权益类。
在实际应用时，如图4所示的分类树，其中，权益类位于分类树的第三资产分类级，因此，在确定资产分类级的资产分类是否为权益类之前，为了快速对多资产业绩归因模型进行配置，可以先确定对用户资产进行分类时所得的资产分类级数是否大于预设级数，例如，资产分类级数是否大于3级，若是大于3级，则可以确定出在用户资产进行分类之后，其分类中可能包含有权益类的，进而，便可以针对大于预设级数的至少一个资产分类级中任一资产分类级，来确定任一资产分类级的上一资产分类级的资产分类是否为权益类了。
步骤602：在确定为权益类时，根据任一资产分类级对应的资产分类以及第二预设配置规则，对任一资产分类级进行业绩归因配置，以生成任一资产分类级对应的第二子业绩归因模型。
其中，第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型。例如，第二预设配置规则可以为采用Brinson模型下的BF模型，如下式所示：
其中，
为配置收益，
为选择收益，即，可以将用户资产的超额收益归因为配置收益和选择收益中。
进而，可以基于上述采用Brinson模型下的BF模型，来对大于预设级数的各个资产分类级分别进行业绩归因配置，如图4所示，可以对第四、五和六资产分类级基于采用Brinson模型下的BF模型进行模型配置，从而，生成第四、五和六资产分类级各自对应的第二子业绩归因模型。
步骤603：根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，对预设级数的各个资产分类级进行业绩归因配置，以生成预设级数的各个资产分类级各自对应的第一子业绩归因模型。
在实际应用时，在对大于预设级数的各个资产分类级分别进行业绩归因配置，生成大于预设级数的各个资产分类级各自对应的第二子业绩归因模型之后，为了保证业绩归因模型的完整性，还需要对预设级数的各个资产分类级进行业绩归因配置，例如，需要对第第一、二和三资产分类级进行业绩归因配置。在本申请中，具体可以根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，来对预设级数的各个资产分类级进行业绩归因配置，即，可以采用Brinson模型下的BF模型，来对预设级数的各个资产分类级进行业绩归因配置，从而，生成预设级数的各个资产分类级各自对应的第一子业绩归因模型。
步骤604：根据预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定多层级业绩归因模型。
在实际应用时，在对用户资产对应的各个资产分类级均生成对应的子业绩归因模型之后，可以将这些资产分类级各自对应的子业绩归因模型进行相加，以确定出用户资产最终对应的多层级业绩归因模型。即，可以预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第二子业绩归因模型进行相加，来确定出用户资产最终对应的多层级业绩归因模型。
在一种可能的实施方式中，如图7所示，为本申请实施例提供的上一资产分类级属于固定收益类的多层级业绩归因模型配置流程示意图，流程介绍如下。
步骤701：在确定大于预设级数时，针对大于预设级数的至少一个资产分类级中任一资产分类级，确定任一资产分类级的上一资产分类级的资产分类是否为固定资产类。
在实际应用时，如图4所示的分类树，其中，固定收益类位于分类树的第三资产分类级，因此，在确定资产分类级的资产分类是否为固定收益类之前，为了快速对多资产业绩归因模型进行配置，可以先确定对用户资产进行分类时所得的资产分类级数是否大于预设级数，例如，资产分类级数是否大于3级，若是大于3级，则可以确定出在用户资产进行分类之后，其分类中可能包含有固定收益类的，进而，便可以针对大于预设级数的至少一个资产分类级中任一资产分类级，来确定任一资产分类级的上一资产分类级的资产分类是否为固定收益类了。
步骤702：在确定为固定资产类时，根据任一资产分类级对应的资产分类以及第三预设配置规则，对任一资产分类级进行业绩归因配置，以生成任一资产分类级对应的第三子业绩归因模型。
其中，第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型。例如，第三预设配置规则可以采用Campisi模型，如下式所示：
其中，
为收入效应，
为国债效应，
为利差效应，即，可以将用户资产的超额收益归因为收入效应、国债效应和利差效应中。
进而，可以基于上述Campisi模型来对大于预设级数的各个资产分类级分别进行业绩归因配置，如图4所示，可以对第四、五和六资产分类级基于Campisi模型进行模型配置，从而，生成第四、五和六资产分类级各自对应的第三子业绩归因模型。
步骤703：根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，对预设级数的各个资产分类级进行业绩归因配置，以生成预设级数的各个资产分类级各自对应的第一子业绩归因模型。
在实际应用时，在对大于预设级数的各个资产分类级分别进行业绩归因配置，生成大于预设级数的各个资产分类级各自对应的第二子业绩归因模型之后，为了保证业绩归因模型的完整性，还需要对预设级数的各个资产分类级进行业绩归因配置，例如，需要对第第一、二和三资产分类级进行业绩归因配置。在本申请中，具体可以根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，来对预设级数的各个资产分类级进行业绩归因配置，即，可以采用Brinson模型下的BHB模型，来对预设级数的各个资产分类级进行业绩归因配置，从而，生成预设级数的各个资产分类级各自对应的第一子业绩归因模型。
步骤704：根据预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定多层级业绩归因模型。
在实际应用时，在对用户资产对应的各个资产分类级均生成对应的子业绩归因模型之后，可以将这些资产分类级各自对应的子业绩归因模型进行相加，以确定出用户资产最终对应的多层级业绩归因模型。即，可以预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第三子业绩归因模型进行相加，来确定出用户资产最终对应的多层级业绩归因模型。
在一种可能的实施方式中，预设资产分类规则可以分为“自下而上”和“自上而下”两种方式。具体的，“自下而上”的方式简单来说就是获取满足规则的证券进行向上层级汇总，即设定标签规则，满足规则设定的下层资产将进入上层汇总。“自上而下”的方式简单来说就是过滤筛选上层资产进入下层分析，即将上层资产池进行规则分类，不满足的资产归为其他。“自下而上”与“自上而下”之间的区别在于：“自下而上”是按照用户关心的资产进行筛选，构建了一个新的投资组合池，而“自上而下”的方式是从公司管理的角度对所有资产进行分类分析。在实际应用时，可以基于不同用户的需求，来具体选择是采用“自下而上”的预设资产分类规则，还是采用“自上而下”的预设资产分类规则。
在一种可能的实施方式中，由于Campisi模型适用于固定收益类，BHB模型适用于衡量绝对收益，BF模型适用于衡量相对收益，如图4所示，从图4的第四资产分类级开始，目前市场上存在有对应的同层级收益率，因此，可以做相对收益的比较，但是，上级市面上没有真实存在的收益率可以比较，因此，可以采用绝对收益评价的BHB模型更适合。进而，由于逆回购同样没有真实存在的组合收益率，因此，针对逆回购类资产可以采用Brinson模型下的BHB模型来构建对应的业绩归因模型。
综上所述，在本申请实施例中，由于所配置多层级业绩归因模型是根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类来进行确定的，即，所配置的多层级业绩归因模型是根据用户资产的实际投资情况来灵活进行配置的，因此，不同用户资产可能对应不同的多层级业绩归因模型，此外，由于在将用户资产进行按照预设资产分类规则进行分类时，可以将用户资产尽可能的进行详细分类，因此，基于所配置的多层级业绩归因模型而确定的收益归因项，不仅可以将用户收益来源归因到更具体更详细的源头里，还可以满足对用户资产的全面风险管控。
如图8所示，基于同一发明构思，本申请实施例提业绩归因装置80，该装置包括：
数据获取单元801，用于获取用户资产对应的组合持仓数据和基准持仓数据；其中，组合持仓数据为用户资产的真实持仓数据，基准持仓数据为用户资产的公开市场持仓数据；
资产分类单元802，用于对组合持仓数据和基准持仓数据按照预设资产分类规则进行分类，确定组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；其中，预设资产分类规则包括各个资产分类级与资产分类之间的关系，且任一资产分类级包括至少一个任一资产分类级的下一资产分类级；
模型配置单元803，用于根据组合持仓数据和基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；其中，每一资产分类级对应多层级业绩归因模型中的至少一个多项式；
收益归因单元804，用于根据多层级业绩归因模型，确定用户资产对应的收益归因项；其中，收益归因项用于表示用户资产中的各项超额收益的来源。
可选的，模型配置单元803，具体用于：
确定资产分类级数是否不大于预设级数；
在确定不大于预设级数时，根据各个资产分类级的资产分类以及第一预设配置规则，对各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型；其中，第一预设配置规则用于将第一子业绩归因模型配置为由配置收益、选择收益和交互收益组成的模型；
根据各个资产分类级各自对应的第一子业绩归因模型，确定多层级业绩归因模型。
可选的，模型配置单元803，具体还用于：
在确定大于预设级数时，针对大于预设级数的至少一个资产分类级中任一资产分类级，确定任一资产分类级的上一资产分类级的资产分类是否为权益类；
在确定为权益类时，根据任一资产分类级对应的资产分类以及第二预设配置规则，对任一资产分类级进行业绩归因配置，以生成任一资产分类级对应的第二子业绩归因模型；其中，第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型；
根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，对预设级数的各个资产分类级进行业绩归因配置，以生成预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定多层级业绩归因模型。
可选的，模型配置单元803，具体还用于：
在确定大于预设级数时，针对大于预设级数的至少一个资产分类级中任一资产分类级，确定任一资产分类级的上一资产分类级的资产分类是否为固定资产类；
在确定为固定资产类时，根据任一资产分类级对应的资产分类以及第三预设配置规则，对任一资产分类级进行业绩归因配置，以生成任一资产分类级对应的第三子业绩归因模型；其中，第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型；
根据预设级数的各个资产分类级的资产分类以及第一预设配置规则，对预设级数的各个资产分类级进行业绩归因配置，以生成预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定多层级业绩归因模型。
可选的，收益归因单元804，具体用于：
根据组合持仓数据和基准持仓数据，确定各个资产分类级的资产分类所对应的权重与收益；
将各个资产分类级的资产分类所对应的权重与收益，带入多层级业绩归因模型，确定收益归因项。
该装置可以用于执行图3～图7所示的实施例中所述的方法，因此，对于该装置的各功能模块所能够实现的功能等可参考图3～图7所示的实施例的描述，不多赘述。
请参见图9，基于同一技术构思，本申请实施例还提供了一种计算机设备90，可以包括存储器901和处理器902。
所述存储器901，用于存储处理器902执行的计算机程序。存储器901可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备的使用所创建的数据等。处理器902，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等等。本申请实施例中不限定上述存储器901和处理器902之间的具体连接介质。本申请实施例在图9中以存储器901和处理器902之间通过总线903连接，总线903在图9中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线903可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器901可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器901也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器901是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器901可以是上述存储器的组合。
处理器902，用于调用所述存储器901中存储的计算机程序时执行如图3～图7所示的实施例中设备所执行的方法。
在一些可能的实施方式中，本申请提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行如图3～图7所示的实施例中所述的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (13)
1.一种业绩归因方法，其特征在于，所述方法包括：
获取用户资产对应的组合持仓数据和基准持仓数据；其中，所述组合持仓数据为用户资产的真实持仓数据，所述基准持仓数据为用户资产的公开市场持仓数据；
对所述组合持仓数据和所述基准持仓数据按照预设资产分类规则进行分类，确定所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；其中，所述预设资产分类规则包括各个资产分类级与资产分类之间的关系，且任一资产分类级包括至少一个所述任一资产分类级的下一资产分类级；
根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；其中，每一资产分类级对应所述多层级业绩归因模型中的至少一个多项式；
根据所述多层级业绩归因模型，确定所述用户资产对应的收益归因项；其中，所述收益归因项用于表示用户资产中的各项超额收益的来源。
2.如权利要求1所述的方法，其特征在于，所述根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型，包括：
确定所述资产分类级数是否不大于预设级数；
在确定不大于预设级数时，根据所述各个资产分类级的资产分类以及第一预设配置规则，对所述各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型；其中，所述第一预设配置规则用于将第一子业绩归因模型配置为由配置收益、选择收益和交互收益组成的模型；
根据所述各个资产分类级各自对应的第一子业绩归因模型，确定所述多层级业绩归因模型。
3.如权利要求2所述的方法，其特征在于，在确定所述资产分类级数是否不大于预设级数之后，所述方法包括：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为权益类；
在确定为权益类时，根据所述任一资产分类级对应的资产分类以及第二预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第二子业绩归因模型；其中，所述第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定所述多层级业绩归因模型。
4.如权利要求2所述的方法，其特征在于，在确定所述资产分类级数是否不大于预设级数之后，所述方法包括：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为固定资产类；
在确定为固定资产类时，根据所述任一资产分类级对应的资产分类以及第三预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第三子业绩归因模型；其中，所述第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定所述多层级业绩归因模型。
5.如权利要求1所述的方法，其特征在于，所述根据所述多层级业绩归因模型、所述组合持仓数据和所述基准持仓数据，确定所述用户资产对应的收益归因项，包括：
根据所述组合持仓数据和所述基准持仓数据，确定各个资产分类级的资产分类所对应的权重与收益；
将所述各个资产分类级的资产分类所对应的权重与收益，带入所述多层级业绩归因模型，确定所述收益归因项。
6.一种业绩归因装置，其特征在于，所述装置包括：
数据获取单元，用于获取用户资产对应的组合持仓数据和基准持仓数据；其中，所述组合持仓数据为用户资产的真实持仓数据，所述基准持仓数据为用户资产的公开市场持仓数据；
资产分类单元，用于对所述组合持仓数据和所述基准持仓数据按照预设资产分类规则进行分类，确定所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类；其中，所述预设资产分类规则包括各个资产分类级与资产分类之间的关系，且任一资产分类级包括至少一个所述任一资产分类级的下一资产分类级；
模型配置单元，用于根据所述组合持仓数据和所述基准持仓数据各自对应的资产分类级数，以及各个资产分类级的资产分类，配置多层级业绩归因模型；其中，每一资产分类级对应所述多层级业绩归因模型中的至少一个多项式；
收益归因单元，用于根据所述多层级业绩归因模型，确定所述用户资产对应的收益归因项；其中，所述收益归因项用于表示用户资产中的各项超额收益的来源。
7.如权利要求6所述的装置，其特征在于，所述模型配置单元，具体用于：
确定所述资产分类级数是否不大于预设级数；
在确定不大于预设级数时，根据所述各个资产分类级的资产分类以及第一预设配置规则，对所述各个资产分类级分别进行业绩归因配置，以生成各个资产分类级各自对应的第一子业绩归因模型；其中，所述第一预设配置规则用于将第一子业绩归因模型配置为由配置收益、选择收益和交互收益组成的模型；
根据所述各个资产分类级各自对应的第一子业绩归因模型，确定所述多层级业绩归因模型。
8.如权利要求7所述的装置，其特征在于，所述模型配置单元，具体用于：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为权益类；
在确定为权益类时，根据所述任一资产分类级对应的资产分类以及第二预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第二子业绩归因模型；其中，所述第二预设配置规则用于将第二子业绩归因模型配置为由配置收益和选择收益组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第二子业绩归因模型，确定所述多层级业绩归因模型。
9.如权利要求7所述的装置，其特征在于，所述模型配置单元，具体用于：
在确定大于预设级数时，针对大于所述预设级数的至少一个资产分类级中任一资产分类级，确定所述任一资产分类级的上一资产分类级的资产分类是否为固定资产类；
在确定为固定资产类时，根据所述任一资产分类级对应的资产分类以及第三预设配置规则，对所述任一资产分类级进行业绩归因配置，以生成所述任一资产分类级对应的第三子业绩归因模型；其中，所述第三预设配置规则用于将第三子业绩归因模型配置为由收入效应、国债效应和利差效应组成的模型；
根据所述预设级数的各个资产分类级的资产分类以及第一预设配置规则，对所述预设级数的各个资产分类级进行业绩归因配置，以生成所述预设级数的各个资产分类级各自对应的第一子业绩归因模型；
根据所述预设级数的各个资产分类级各自对应的第一子业绩归因模型，以及大于所述预设级数的至少一个资产分类级对应的第三子业绩归因模型，确定所述多层级业绩归因模型。
10.如权利要求6所述的装置，其特征在于，所述收益归因单元，具体用于：
根据所述组合持仓数据和所述基准持仓数据，确定各个资产分类级的资产分类所对应的权重与收益；
将所述各个资产分类级的资产分类所对应的权重与收益，带入所述多层级业绩归因模型，确定所述收益归因项。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述计算机程序时实现权利要求1-5任一项所述方法的步骤。
12.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，
该计算机程序指令被处理器执行时实现权利要求1-5任一项所述方法的步骤。
13.一种计算机程序产品，其特征在于，
所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111525872.6A CN114187117A (zh) | 2021-12-14 | 2021-12-14 | 一种业绩归因方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111525872.6A CN114187117A (zh) | 2021-12-14 | 2021-12-14 | 一种业绩归因方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114187117A true CN114187117A (zh) | 2022-03-15 |
Family
ID=80543701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111525872.6A Pending CN114187117A (zh) | 2021-12-14 | 2021-12-14 | 一种业绩归因方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187117A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227958A (zh) * | 2022-11-24 | 2023-06-06 | 北京汇成基金销售有限公司 | 一种基于持仓与净值动态量化评价偏债型基金经理的方法与系统 |
-
2021
- 2021-12-14 CN CN202111525872.6A patent/CN114187117A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227958A (zh) * | 2022-11-24 | 2023-06-06 | 北京汇成基金销售有限公司 | 一种基于持仓与净值动态量化评价偏债型基金经理的方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Almashhadani et al. | The Impact of Financial Technology on Banking Performance: A study on Foreign Banks in UAE | |
| Kumar et al. | Evaluation of technical efficiency and ranking of public sector banks in India: An analysis from cross‐sectional perspective | |
| Chen et al. | A first econometric analysis of the CRIX family | |
| Laitinen et al. | Do firm failure processes differ across countries: evidence from Finland and Estonia | |
| Lee et al. | Determinants of corporate R&D investment: An empirical study comparing Korea's IT industry with Its non‐IT industry | |
| Doumpos et al. | Multi–criteria classification methods in financial and banking decisions | |
| Saha et al. | Drivers of technical efficiency in M alaysian banking: a new empirical insight | |
| Biswas et al. | A performance based ranking of initial public offerings (IPOs) in India | |
| Tsolas | Firm credit risk evaluation: a series two-stage DEA modeling framework | |
| Kourantidou et al. | Equitable allocations in northern fisheries: bridging the divide for Labrador Inuit | |
| Budianto et al. | Mapping Research Topics on Financing to Deposit Ratio (FDR) in Sharia and Conventional Banking: VOSviewer Bibliometric Study and Literature Review | |
| Steuer et al. | Non-contour efficient fronts for identifying most preferred portfolios in sustainability investing | |
| Linton et al. | An extension to a DEA support system used for assessing R&D projects | |
| Kabir et al. | Firm life cycle and the disclosure of estimates and judgments in goodwill impairment tests: Evidence from Australia | |
| Aluko et al. | Is foreign direct investment globalization‐induced or a myth? A tale of Africa | |
| Le et al. | Risk-adjusted efficiency and bank size in a developing economy: an analysis of Vietnamese banks | |
| Ho | Comparison of Quantitative Shari'ah-Compliant Screening Methods | |
| Omrani et al. | A novel best‐worst‐method two‐stage data envelopment analysis model considering decision makers' preferences: An application in bank branches evaluation | |
| Zioło et al. | Environmental, social, governance risk versus cooperation models between financial institutions and businesses. Sectoral approach and ESG risk analysis | |
| CN114187117A (zh) | 一种业绩归因方法、装置、设备及存储介质 | |
| Duc et al. | Measuring the digital economy in Vietnam | |
| Hsieh et al. | Mutual fund performance: The decision quality and capital magnet efficiencies | |
| Pramodh et al. | Indian banks' productivity ranking via data envelopment analysis and fuzzy multi-attribute decision-making hybrid | |
| Shabani et al. | Developing imprecise dual-role hybrid measure of efficiency for international market selection using ternary variable | |
| Athanassakos | Separating winners from losers among value and growth stocks in Canada another step in the value investing process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |