Campisi模型核心原理及方法 [page::3][page::4][page::8]

• 纯债基金总收益分解为收入效应（票息）、国债效应（无风险利率变动）、利差效应（信用利差变动）及择券效应（主动债券选择）。

- 基准收益分解后三个效应与基金对应效应的差异析出超额收益。

• 期初久期和业绩基准的确定关键，结合持仓法与净值法分别估计基金久期。

- 面值和票息率采用持仓法加权计算，利差效应基于基准利差变化计算。

两只纯债基金实证归因分析 [page::9][page::10][page::12][page::13]

• 基金A（利率债基金）采用持仓法估计久期（约2.1年），基准为中债-总财富（1-3年）指数。

- 基金B（信用债基金）采用净值法估计久期（约1.66年），基准为中债-信用债总财富（1-3年）指数。

• 两基金均以收入效应为总收益主因，择券效应为超额收益最大来源。

- 基金A二季度择券效应贡献超0.33%，总阿尔法中择券效应占比最高。

• 基金B三季度择券效应亦贡献明显，且久期配置差异带来国债效应阿尔法。

全市场纯债基金业绩归因统计分析 [page::14][page::15][page::16][page::17][page::18]

• 收入效应稳定且持续贡献约每季度1%的收益，不同基金之间差异小。

- 国债效应波动大，且与总收益率呈高正相关，影响基金的周期性风险暴露。

• 择券效应波动最大，不同基金间差异显著，是总收益与超额收益的核心驱动。

- 超过50%纯债基金大部分时间未能跑赢基准，说明择优选基准基金难度较大。

• 筛选出的24只择券效应表现优异且稳定的基金，75%2021年以来收益排名全市场前1/3，验证择券效应的重要性。

业绩归因结果关键统计指标及相关性分析 [page::16][page::17][page::18]

• 总收益率与国债效应均值相关系数高达0.91，显示无风险利率波动为主要影响因素。

- 不同基金择券效应与总收益率相关系数最高，达0.9152，表明择券能力决定个体基金表现。

• 总阿尔法与择券阿尔法正相关性最大（0.8258），择券阿尔法的跨基金标准差远高于其他效应。

- 统计分析强调纯债基金投资应重点关注择券效应及基金经理个券选择能力。

华泰证券债券基金业绩归因之Campisi模型研究报告详尽分析

---

一、元数据与报告概览

• 报告标题：债券基金业绩归因之Campisi模型

- 作者及机构：林晓明、黄晓彬、张泽，华泰证券股份有限公司研究所

• 发布日期：2021年4月10日

- 页数及字数：约24页，约6.84万字

• 研究主题：Campisi模型在纯债型基金业绩归因中的应用与实证分析

- 核心论点与结论：
- Campisi模型通过分解债券组合的总收益和超额收益为收入效应、国债效应、利差效应和择券效应四部分，实现对纯债型基金业绩的多维度分析。
- 纯债基金的总收益主要来源于稳定的收入效应（票息收入），而不同基金间收益差异主要由择券效应驱动。
- 提供了基于基金久期估计和业绩比较基准选取的完整实践方案。
- 实证表明择券效应在基金业绩优选中应获得重点关注。
- 风险提示包含模型依赖历史规律的局限性及基金例子不完全代表市场。

---

二、逐节深度解读

2.1 Campisi模型的收益分解原理和实现步骤

• 关键论点：

- 債券基金业绩归因不同于股票基金，Brinson模型不适用；Campisi模型专门为纯债基金设计。
- 将基金和基准的总收益及超额收益拆解为四个效应：收入效应（票息收入）、国债效应（无风险利率变化）、利差效应（信用利差变化）、择券效应（基金经理主动择券带来的收益）。

• 推理依据：

- 利用债券定价理论，债券价格的变化与修正久期及到期收益率变化成正负比例关系。
- 到期收益率变化由无风险利率及信用利差两部分组成，分解债券收益形成上述四效应基础。

• 细节说明：

- 模型定义了基准组合择券效应为零，基金择券效应即为超额收益来源。
- 精确计算总收益率中票息及价格的贡献，凸显基金经理的主动管理价值。

• 数学公式解释：

- 价格变化率 $\approx -D \times \Delta y$，$D$为修正久期，$\Delta y$为到期收益率变动。
- 总收益率 = 票息收益率 + （-久期）×国债收益率变化 + （-久期）×信用利差变化。

2.2 参数估计及业绩比较基准选取

• 关键论点：

- 基金分类（利率债基金或信用债基金）依赖于利率债占比（50%为界）。
- 基金期初久期估计采用持仓法（前五大重仓券占比>30%）或净值法（占比≤30%）。
- 基准选取依赖于基金类型和估计出的期初久期，详细分为不同期限段对应不同指数。

• 支撑逻辑：

- 持仓法利用具体债券久期加权较为直观精准，净值法通过回归基金收益与指数收益来估计久期。
- 基准指数面值缺失，通过债券定价公式倒推出。

• 公式及流程：

- 持仓法：$\hat{D} = \sum wi Di$, 权重基于持仓市值前五券；
- 净值法：基金收益与多个分期限指数收益线性回归，回归系数作为权重求期初久期；

• 基准选择表（图表3）明确对应规则。

- 估值参数（票息率、面值等）也主要用持仓法估算。

2.3 实证案例分析

基金A（利率债基金）

• 数据和方法：

- 前五大重仓为全部持仓，持仓法估计；
- 基金2019年成立，关注2020年二季度表现。

• 关键数据：

- 期初久期2.0982年；
- 期初票息率约3.83%；
- 面值约0.9801，基准对应指数点位与面值也估计计算完整。

• 收益分析：

- 2020Q2基金总收益率0.2035%，基准为-0.0887%；
- 四个效应构成中，收入效应最大贡献，择券效应跟随；
- 国债效应因久期配置相对偏长出现负影响，利差效应微弱负。

• 结论：

- 择券效应是基金阿尔法最大来源，体现主动管理优势。

基金B（信用债基金）

• 数据和方法：

- 前五大重仓券占比仅约17.51%，采用净值法估计期初久期；
- 结合信用债指数多子指数回归；

• 关键数据：

- 期初久期约1.6634年；
- 票息率5.63%（受部分债券偿本影响），基金面值1.0752；

• 收益分析：

- 2020年三季度总收益率0.7614%，基准为0.2222%；
- 收入效应最大，国债效应负因利率上涨，利差效应略正；
- 择券效应为阿尔法重要贡献部分，表现优异。

• 市场背景：

- 利率上升导致功效显著，基金久期配置较短获得正国债阿尔法。

2.4 全市场统计分析

• 样本定义：2017Q3至2020Q4，含“中长期纯债型”和“短期纯债型”开放式基金。

- 数据筛选：
- 排除净值大波动（>±10%）或大额申购赎回及基金转型季度，避免异常对业绩归因的影响。

• 核心发现：

- 收入效应在所有季度均稳定约1%/季度，且不同基金间差异很小；
- 收益波动主要由国债效应驱动，体现市场无风险利率走势影响；
- 择券效应差异最大，且在不同基金间与总收益或总阿尔法的相关性最高；
- 总体来看，超半数纯债基金无法跑赢基准。

• 相关系数数据：

- 总收益率与国债效应相关性最高（0.91），不同基金间择券效应与总收益相关最高（0.92）；
- 总阿尔法与择券阿尔法相关度为0.83，择券阿尔法差异大且稳定是超额收益关键；

• 基金筛选：

- 按择券效应排名，筛选24只择券表现优异且稳定的基金；
- 其中75%以上在2021年初至3月25日的总收益排名全部基金前1/3，验证择券效应的筛选效用。

---

三、图表深度解读

• 图表1：Campisi模型业绩归因框架图（page 3）

- 展示收益分解四个效应的层级逻辑关系；
- 明确票息收入、价格变化及价格变化内部的无风险利率及信用利差因素。

• 图表3：业绩比较基准选取标准（page 5）

- 系统列出久期区间对应利率债基金与信用债基金的主要基准指数代码；
- 兼顾基金类型与久期特征，结合实际市场指数。

• 图表5：Campisi模型参数运算逻辑框图（page 8）

- 由基金及基准的基础数据（黄色）至计算参数（绿色、黑色）到最终业绩结果（蓝色）的全流程；
- 作为完整的参数输入、推导及业绩归因结果输出步骤说明。

• 图表6-7 & 10-11：基金A与B持仓和输入参数表（pages 10-13）

- 明确展示基金资产构成、债券类别、久期、票息率、面值计算及基金/基准参数；
- 数据详细支撑实证分析，反映持仓法和净值法估计差异与应用。

• 图表14-16：全市场各效应及总收益均值和标准差（pages 14-16）

- 体现收入效应均值最高且最稳定，择券效应波动及差异最大；
- 相关矩阵支持国债效应为总收益主要变异源。

• 图表17 & 21：2020年四季度相关系数矩阵（pages 16,18）

- 不同基金效应对总收益及总阿尔法的贡献相关性明确体现择券效应为主导。

• 图表18 & 22：总阿尔法及其效应均值与标准差（pages 16,18）

- 说明择券阿尔法是超额收益主要来源，且差异最大，反映管理能力差异。

• 图表23：择券效应优异稳定基金列表（page 18）

- 展现具体基金代码、择券效应排名领先季度占比、2021年收益及排名，链接理论和实际投资。

• 附录图表（page 20）

- 修正久期与债券价格关系的数学推导，理论基础完整。

---

四、估值分析

• 本报告核心为债券基金业绩归因模型的理论与实证分析，不涉及传统股票估值。

- Campisi模型通过久期、票息率、收益率变化拆分债基收益，无需直接估算内在价值。

• 关键参数估计：

- 基金久期估计、基准选取影响后续收益拆分和超额收益的归因；
- 面值倒推公式基于经典债券定价，确保收益率与收益金额匹配。

• 估值逻辑：

- 依赖久期乘以收益率变动近似价格变动，属一阶线性近似，足够捕捉价格敏感度但存在误差。
- 利差效应等通过代数方法配平收益拆分，理论与实践结合。

• 报告强调参数估计的合理性对应用结果的影响，并提供了对参数估计的科学流程。

---

五、风险因素评估

• 模型局限：基于历史经验，市场规律变化可能导致模型滞后或失效。

- 数据偏差：基金具体事件（大额申购赎回、基金转型）带来净值异常，影响归因准确性。

• 样本代表性：报告举例基金不能覆盖中国或全球市场全部基金，投资决策需谨慎。

- 估计误差：久期估计及基准选择若偏差较大，将影响归因精度。

• 投资风险提示未具体提出缓解手段，提示模型和数据应用的固有限制和情境依赖性。

---

六、批判性视角与细微差别

• 报告偏重于Campisi模型的有效性展示，强调择券效应重要性，但对模型误差来源表述略保守，未深入量化误差对归因结果影响。

- 久期估计方法虽然结合持仓及收益法，但市场异动和债券特性（如提前偿还等）可能引入误差，模型精度受限制。

• 基准选择基于久期与债券类型，虽较严谨，部分特殊基金可能难匹配准确基准，影响超额收益判断。

- 报告中强调收入效应稳定，这与债市整体收益率特性一致，但对票息收入的稳健性风险（如利率或违约风险）未过多论述。

• 基金选择和择券效应排名筛选有效样本较少序列是否存在幸存者偏差，报告未指明。

- 结论中指出择券效应决定基金优劣，但未完全区分运气因素和真实选券能力，可能存在一定正向偏差。

---

七、结论性综合

该华泰证券研究报告围绕Campisi模型展开，充分论证了采用该模型对纯债型基金进行多因素业绩归因的理论基础、参数估计方法以及业绩归因实证的科学性。报告系统介绍了模型将纯债基金收益拆分为票息收入（收入效应）、无风险利率变动贡献（国债效应）、信用利差变动贡献（利差效应）以及主动基金经理择券贡献（择券效应）四大核心构成部分。

通过定量实证分析，报告揭示：

1. 收入效应是纯债型基金收益的基础且最稳定的来源，幅度约每季度1%，体现债券长期持有票息合理回报特性。

2. 总收益波动主要由国债效应驱动，反映市场无风险利率波动对基金表现的显著影响。

1. 基金间业绩差异主要体现在择券效应，择券效应与总收益及超额收益相关性最高，充分体现基金经理主动管理水平是超额收益的决定要素。

4. 择券效应差异大，且相对稳定，故择券效应可作为基金优选的重要指标。

1. 实证案例（基金A/B）深度展示了模型参数估计（持仓法与净值法）及归因过程，数据详尽，符合市场实际环境，提升了模型的实操性与普适性。

6. 全市场分析覆盖2017年至2020年多个季度，剔除异常期样本，保证统计分析的稳健性。

此外，报告针对模型局限提出风险提示，体现研究的科学谨慎态度。技术角度结合债券定价与利率敏感度理论，对Campisi模型参数的计算公式详细推导齐备。

综上，Campisi模型为纯债型基金业绩归因提供了完备且可操作的分析框架，帮助精准分离基金收益来源。尤其在基金经理选优方面，择券效应的引入和系统化量化为投资者提供了重要决策依据。报告建议投资者和机构在评价纯债基金时，除了关注稳定的收入效应，也应重点关注择券效应的表现，作为基金经理选拔和投资配置的重要参考。

---

八、重要图表总结（含溯源标注）

| 图表 | 内容概述 | 关键见解 | 溯源页码 |
|-------|----------|----------|----------|
| 图表1 | Campisi模型收益归因框架 | 定义收益拆分为四效应，展示模型架构 | [page::3] |
| 图表3 | 纯债基金基准选取标准 | 明确利率债信用债基金及久期对应的市场基准指数 | [page::5] |
| 图表5 | 参数运算逻辑框图 | 展示参数估计与业绩归因全流程，体现数据库与计算流程 | [page::8] |
| 图表6-7 | 基金A持仓数据及模型输入 | 重点显示持仓法估计久期、票息率及面值 | [page::10] [page::11] |
| 图表9 | 国债收益率与信用利差走势 | 显示2020Q2利率上行环境背景 | [page::12] |
| 图表10-11 | 基金B持仓及参数 | 净值法估计久期案例，信用债基金特征 | [page::12] [page::13] |
| 图表13 | 2020Q3国债收益率与信用利差走势 | 利率与信用环境解读支持归因结果 | [page::13] |
| 图表14 | 单季度及各效应均值时序 | 收入效应稳定、国债效应驱动波动趋势明显 | [page::14] |
| 图表15 | 各效应标准差时序 | 择券效应波动最大，不同基金差异突出 | [page::15] |
| 图表16 | 总收益率与效应均值相关系数矩阵 | 国债与总收益正相关最高 | [page::15] |
| 图表17 | 2020Q4各基金相关矩阵 | 不同基金择券效应与收益相关最高 | [page::16] |
| 图表18 | 总阿尔法及效应均值时序 | 择券阿尔法与总阿尔法走势最为贴合 | [page::16] |
| 图表20 | 总阿尔法与效应阿尔法相关性矩阵 | 择券阿尔法正相关最高 | [page::17] |
| 图表21 | 2020Q4阿尔法相关矩阵 | 择券阿尔法与总阿尔法相关度最高 | [page::18] |
| 图表22 | 阿尔法标准差时序 | 择券阿尔法差异最大 | [page::18] |
| 图表23 | 择券效应优异基金名单 | 择券效应优异基金大多业绩领先 | [page::18] |

---

总体来看，该报告不仅理论论证充分，且提供了详实可操作的估算步骤和实证数据，为投资者科学理解纯债基金绩效归因及择优提供了极具价值的工具和方法论。[page::0] [page::1] [page::3] [page::4] [page::5] [page::6] [page::7] [page::8] [page::9] [page::10] [page::11] [page::12] [page::13] [page::14] [page::15] [page::16] [page::17] [page::18] [page::19] [page::20]

---

如需进一步具体细节解读或模型计算辅助，欢迎继续咨询。

报告