简介 | Ricequant Docs

# 简介

RQPAttr 是由 Ricequant 开发的绩效分析引擎，支持权益类 Brinson 行业归因、因子归因。使用 RQPAttr，您可以对您的策略进行进一步的分析，通过分析策略的收益来源，对策略进行评估与修正。

# API


performance_attribute( model, daily_weights, daily_return=None, benchmark_info=None)

# 参数

参数	类型	说明
model	str OR str list	模型类型，可选以下几种的混合： "equity/brinson"、"equity/factor" 、"equity/factor_v2"
daily_weights	pd.Series	每日每个合约的权重, index 为 ['date', 'order_book', 'asset_type'] , 值为 weight, 其中 asset_type 字段支持 'stock' 和 'cash'
daily_return	pd.Series	每日的总收益率, 其中 index 为 'date', 值为收益率，收益率的开始时间应是权重的开始时间的下一个交易日, 结束时间应是权重结束时间的下一个交易日
benchmark_info	dict	基准，无基准信息输入则以上证 300 作为基准。基准支持 4 种类型, 如下所示: 1. {'type': 'index', 'name': '上证 300', 'detail': '000300.XSHG'} 2. {'type': 'mixed_index', 'name': '20% 上证 300 + 80% 上证综指', 'detail': {'000300.XSHG': 0.2, '000008.XSHG': 0.8}} 3. {'type': 'yield_rate', 'name': '1 年期国债', 'detail': 'YIELD1Y'} 4. {'type': 'cash', 'name': "零收益现金", 'detail': 0.0} 其中 name 为可选字段

注：daily_weights 的 date 每一项都向后取一个交易日即为 daily_return 的日期

# 其他可选参数

参数	类型	说明
leverage_ratio	pd.Series OR float	杠杆率, 组合收益率当日的杠杆率
standard	str	brinson 行业归因标准，可选：'sws', 'citics'
special_assets_return	pd.Series	index 为 date, order_book_id，value return，其中收益率为真实组合收益率

# 返回

dict

returns_decomposition：list，混合资产 Brinson 归因
attribution：dict，根据选择的模型，返回以下相应结果
- "equity/brinson"：brinson 归因
- "equity/factor"：
  - factor_attribution：各因子对投资组合与基准组合收益贡献
  - factor_exposure：投资组合与基准组合对因子的风险暴露
  - sensitivity：敏感度分析
- "equity/factor_v2" ：
  - factor_attribution：各因子对投资组合与基准组合收益贡献
  - factor_exposure：投资组合与基准组合对因子的风险暴露
  - sensitivity：敏感度分析
excel_report：dict，收益趋势

# 归因模型说明

# 1. 混合资产 Brinson 归因

对于包含多种标的的混合型投资组合，米筐采用无交互作用项，BHB 形式的 Brinson 模型对投资组合的收益进行归因，以反映投资策略在各类资产中的配置能力和标的选择能力。部分归因项说明、归因结构图示例见下表及下图，其中：

第一步归因中，投资组合的收益可分为交易收益和持仓收益两部分。交易收益产生于交易执行时选择合适价格点位，进行低买高卖所产生的收益，通常来源于交易人员或者交易算法的交易能力，而与策略本身的投资能力无关。因此通过分解交易收益和持仓收益，能够分别评估账户的交易执行能力和策略投资能力。
第二步归因中，投资组合持仓收益可分解为“主动收益”和“基准持仓收益”；
第三步归因中，计算各类资产对主动收益的贡献；
第四步归因中，对各类资产的主动收益进行 Brinson 归因，计算其配置收益和选择收益。其中配置能力反映投资策略对于资产收益整体变动的判断能力，而选择收益反映投资策略对于各资产类别中优质资产的挑选能力；
对于仅有投资组合或基准组合配置的资产，其主动收益均计入配置收益，表示投资组合配置基准以外的资产，或不配置基准中的特定资产所带来的超额收益均为配置收益；
归因中使用联接算法，保证归因项之和等于累积持仓主动收益

归因项	说明
交易收益	指交易成交价和日终价格之间的价差，以及交易费用所产生的收益
持仓收益	指日终价格变化所带来的收益
主动收益	指投资组合相对于基准的收益差
配置收益	指投资组合相对于基准超配/低配某一类资产所产生的超额收益
选择收益	指在各类资产中，投资组合相对于基准选择不同标的所产生的超额收益

混合资产归因结构示意图

# 2. 股票行业 Brinson 归因

股票行业归因采用 BF 版本，无交互作用项的 Brinson 模型，对股票的行业收益进行“配置-选股”分解。其中：

配置收益表示投资策略基于行业走势调整行业权重所带来主动收益；
选股收益表示投资策略在行业内挑选优质个股所带的主动收益；
现金作为一个特殊版块，与行业并列，现金板块的主动收益反映策略的大盘择时收益；
对于仅有投资组合或基准组合配置的行业，其主动收益均计入配置收益，表示投资组合配置基准以外的行业，或不配置基准中的特定行业所带来的超额收益均为配置收益

BF 的归因项形式如下：

配置收益=\sum_{i=1}^{N_{asset}}　(w_{p,i}-w_{b,i})\cdot(r_{b,i}-r_{b})

选择收益=\sum_{i=1}^{N_{asset}}　w_{p,i} \cdot(r_{p,i}-r_{b,i} )

其中 $N_{asset}$ 为资产总数； $w_{p,i}$ 和 $w_{b,i}$ 分别为投资组合和基准组合中资产 i 的权重； $r_{p,i}$ 和 $r_{b,i}$ 分别为投资组合和基准组合中资产 i 的收益。考虑基准收益为各类资产的加权平均：

r_{b}=\sum_{i=1}^{N}\ w_{b,i} r_{b,i}

因为 $\sum_{i=1}^{N}w_{p,i} =\sum_{i=1}^{N}w_{b,i} =1$ ，有：

\sum_{i=1}^{N}\ w_{p,i} r_{b} =\sum_{i=1}^{N}\ w_{b,i} r_{b}

# 3. 因子归因

多因子风险模型认为股票组合收益有四个收益来源：风格偏好、行业偏好、市场联动、以及特异收益，其中：

风格偏好：风格为影响股票收益的共同风格因素（包括市值、盈利性、成长性、动量等）。例如，若投资组合偏好于持有小市值股票，同时小市值股票表现显著优于大市值股票，则小市值的风格偏好能为投资组合带来超额收益；
行业偏好：例如，若投资组合偏好于持有“医药生物”行业，同时该行业总体优于其它行业的表现，此时“医药生物”的行业偏好能为投资组合带来超额收益；
市场联动：市场联动表示股票市场整体涨落对投资组合的收益影响。对于任意两个满仓组合，其获得的市场收益及承担的市场整体波动风险相同；而对于“股票+现金”的组合，随着组合中的股票仓位比例的增加，市场联动对组合收益影响越大；
特异收益：特异收益表示影响个股收益的特殊因素（例如上市公司管理层变动，政府政策优惠等）

因子归因模型从基于上述四类因素对股票组合业绩进行分解，评估投资策略的主要收益及风险来源。

股票组合收益来源示意图

在股票因子归因部分，对股票主动收益按如下形式进行因子分解：

r_{p}^{A}=\sum_{i=1}^{N}\ X_{i}^{A} f_{i} + μ^{A}

其中 $r_{p}^{A}$ 为投资组合主动收益， $N$ 为因子（风格+行业+市场联动）数目； $X_{i}^{A}$ 为投资组合对因子 $i$ 的主动暴露度 $（X_{p,i}-X_{b,i}）$ ； $f_{i}$ 为因子 $i$ 的因子收益； $μ^{A}$ 为投资组合主动残余收益 $（μ_{p}-μ_{b}）$ 。
基于 MSCI Barra 提出的 X-Sigma-Rho 归因模型，因子主动风险归因表达式为：

\sigma (r_{p}^{A})=\sum_{i=1}^{N}\ X_{i}^{A}\cdot　\sigma (f_{i} )\cdot　ρ(f_{i},r_{p}^{A}) +\sigma (μ^{A})\cdot　ρ(μ^{A},r_{p}^{A})

由上述表达式可知，因子对投资组合主动风险贡献取决于以下因素：

投资组合的因子主动暴露度 $X_{i}^{A}$
因子收益波动率 $\sigma(f_{i} )$
因子收益和主动收益的相关性 $ρ(f_{i},r_{p}^{A})$

上述三项中，因子主动暴露度是投资组合主动押注的部分，反映的是投资组合的因子风险暴露偏离基准的程度，即其风格/行业偏好；因子收益波动率反映市场风格转换/行业轮动变化所带来的被动风险；相关性部分反映的则是投资组合收益和因子表现的风险联动程度。

# 使用范例

该范例所使用的组合数据来自于通过 rqalpha-plus 回测框架回测后所保存的回测结果。

import os
import pandas as pd
import numpy as np
import rqdatac
import pickle
from rqalpha.mod.rqalpha_mod_sys_analyser.plot import *
from rqdatac import *
import rqpattr
from rqpattr.api import performance_attribute
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
rqdatac.init()
#读取回测后保存的回测结果
path = os.getcwd()+'\\bts\\bts'
files = '000906.XSHG_factor1_liquidity_v2_asfc.pkl'
result = pd.read_pickle(os.path.join(path, files))
print('result')
#out:
# {'sys_analyser': {'summary': {'strategy_name': 'strategy',
#    'start_date': '2020-06-10',
#    'end_date': '2022-06-30',
#    'strategy_file': 'strategy.py',
#    'run_type': 'BACKTEST',
#    'starting_cash': 'STOCK:1000000000.0',
#    'STOCK': 1000000000.0,
#    'benchmark': '000906.XSHG',
#    'benchmark_symbol': '中证800',
#    'alpha': 0.04161847252000668,
#    'beta': 0.9689441949400958,
#    'sharpe': 0.42678333868827145,
#    'excess_sharpe': 0.3582160902725003,
#    'information_ratio': 0.3453132024893898,
#    'downside_risk': 0.1655438441069776,
#    'tracking_error': 0.12271422135189096,
#    'sortino': 0.5852185528297059,
#    'volatility': 0.22699885420999039,
#    'excess_volatility': 0.007730269334000854,
#    'excess_annual_volatility': 0.12271422135189096,
#    'max_drawdown': 0.3449066882507446,
#    'excess_max_drawdown': 0.16459229054214705,
#    'excess_returns': 0.07486020583373909,
#    'excess_annual_returns': 0.03712968826159724,
#    'var': 0.023450724628239612,
#    'total_value': 1203328714.4768782,
#    'cash': 8210.926878128295,
#    'total_returns': 0.20332871447687806,
#    'annualized_returns': 0.09798110622545697,
#    'unit_net_value': 1.203328714476878,
#    'units': 1000000000.0,
#    'benchmark_total_returns': 0.11694720785066992,
#    'benchmark_annualized_returns': 0.05744300314969153,
#    'excess_cum_returns': 0.08638150662620814,
#    'max_drawdown_duration': IndexRange(start=305, end=498, start_date=datetime.date(2021, 9, 7), end_date=datetime.date(2022, 6, 30)),
#    'max_drawdown_duration_start_date': '2021-09-07',
#    'max_drawdown_duration_end_date': '2022-06-30',
#    'max_drawdown_duration_days': 296,
#    'turnover': 19.746910020902284,
#    'avg_daily_turnover': 0.03878575014506964,
#    'excess_max_drawdown_duration': IndexRange(start=69, end=277, start_date=datetime.date(2020, 9, 17), end_date=datetime.date(2021, 7, 29)),
#    'excess_max_drawdown_duration_start_date': '2020-09-17',
#    'excess_max_drawdown_duration_end_date': '2021-07-29',
#    'excess_max_drawdown_duration_days': 315,
#    'weekly_alpha': 0.0407174667550259,
#    'weekly_beta': 0.9442199165766891,
#    'weekly_sharpe': 0.4328984550718106,
#    'weekly_sortino': 0.6233499038107769,
#    'weekly_information_ratio': 0.38383642721331795,
#    'weekly_tracking_error': 0.015232196824837712,
#    'weekly_max_drawdown': 0.2874243182734171},
#   'trades':                                 datetime     trading_datetime order_book_id  \
#   datetime
#   2020-06-10 15:00:00  2020-06-10 15:00:00  2020-06-10 15:00:00   000671.XSHE
#   2020-06-10 15:00:00  2020-06-10 15:00:00  2020-06-10 15:00:00   603806.XSHG
#   2020-06-10 15:00:00  2020-06-10 15:00:00  2020-06-10 15:00:00   002773.XSHE
#   2020-06-10 15:00:00  2020-06-10 15:00:00  2020-06-10 15:00:00   000988.XSHE
#   2020-06-10 15:00:00  2020-06-10 15:00:00  2020-06-10 15:00:00   601811.XSHG
#   ...                                  ...                  ...           ...
#   2022-06-13 15:00:00  2022-06-13 15:00:00  2022-06-13 15:00:00   511220.XSHG
#   2022-06-16 15:00:00  2022-06-16 15:00:00  2022-06-16 15:00:00   511220.XSHG
#   2022-06-23 15:00:00  2022-06-23 15:00:00  2022-06-23 15:00:00   511220.XSHG
#   2022-06-29 15:00:00  2022-06-29 15:00:00  2022-06-29 15:00:00   511220.XSHG
#   2022-06-30 15:00:00  2022-06-30 15:00:00  2022-06-30 15:00:00   511220.XSHG
#                          symbol side position_effect         exec_id  tax  \
#   datetime
#   2020-06-10 15:00:00       阳光城  BUY            OPEN  16710930284727  0.0
#   2020-06-10 15:00:00       福斯特  BUY            OPEN  16710930284728  0.0
#   2020-06-10 15:00:00      康弘药业  BUY            OPEN  16710930284729  0.0
#   2020-06-10 15:00:00      华工科技  BUY            OPEN  16710930284730  0.0
#   2020-06-10 15:00:00      新华文轩  BUY            OPEN  16710930284731  0.0
#   ...                       ...  ...             ...             ...  ...
#   2022-06-13 15:00:00  海富通城投ETF  BUY            OPEN  16710930286411  0.0
#   2022-06-16 15:00:00  海富通城投ETF  BUY            OPEN  16710930286412  0.0
#   2022-06-23 15:00:00  海富通城投ETF  BUY            OPEN  16710930286413  0.0
#   2022-06-29 15:00:00  海富通城投ETF  BUY            OPEN  16710930286414  0.0
#   2022-06-30 15:00:00  海富通城投ETF  BUY            OPEN  16710930286415  0.0
#                         commission  last_quantity  last_price        order_id  \
#   datetime
#   2020-06-10 15:00:00  54331.39440       26711600       6.780  16710930364951
#   2020-06-10 15:00:00  38711.06820        3062100      42.140  16710930364963
#   2020-06-10 15:00:00  28030.80870        2358900      39.610  16710930364972
#   2020-06-10 15:00:00  24600.08340        3723900      22.020  16710930364985
#   2020-06-10 15:00:00  22208.87760        7243600      10.220  16710930365008
#   ...                          ...            ...         ...             ...
#   2022-06-13 15:00:00     11.89320            400      99.110  16710930376692
#   2022-06-16 15:00:00    178.43040           6000      99.128  16710930376694
#   2022-06-23 15:00:00      5.00000            100      99.259  16710930376696
#   2022-06-29 15:00:00   1844.92842          62600      98.239  16710930376698
#   2022-06-30 15:00:00      8.84205            300      98.245  16710930376700
#                        transaction_cost
#   datetime
#   2020-06-10 15:00:00       54331.39440
#   2020-06-10 15:00:00       38711.06820
#   2020-06-10 15:00:00       28030.80870
#   2020-06-10 15:00:00       24600.08340
#   2020-06-10 15:00:00       22208.87760
#   ...                               ...
#   2022-06-13 15:00:00          11.89320
#   2022-06-16 15:00:00         178.43040
#   2022-06-23 15:00:00           5.00000
#   2022-06-29 15:00:00        1844.92842
#   2022-06-30 15:00:00           8.84205
#   [1689 rows x 13 columns],
#   'portfolio':                  cash   total_value  market_value  unit_net_value  \
#   date
#   2020-06-10   153.0189  9.997001e+08  9.996999e+08        0.999700
#   2020-06-11   153.0189  9.918064e+08  9.918062e+08        0.991806
#   2020-06-12  1984.0438  9.998441e+08  9.998421e+08        0.999844
#   2020-06-15  1984.0438  9.891545e+08  9.891525e+08        0.989154
#   2020-06-16  1984.0438  1.006052e+09  1.006050e+09        1.006052
#   ...               ...           ...           ...             ...
#   2022-06-24   161.1973  1.187876e+09  1.187876e+09        1.187876
#   2022-06-27   161.1973  1.196714e+09  1.196679e+09        1.196714
#   2022-06-28   161.1973  1.205983e+09  1.205948e+09        1.205983
#   2022-06-29  2893.2689  1.168880e+09  1.168843e+09        1.168880
#   2022-06-30  8210.9269  1.203329e+09  1.203321e+09        1.203329
#                      units  static_unit_net_value
#   date
#   2020-06-10  1.000000e+09                 1.0000
#   2020-06-11  1.000000e+09                 0.9997
#   2020-06-12  1.000000e+09                 0.9918
#   2020-06-15  1.000000e+09                 0.9998
#   2020-06-16  1.000000e+09                 0.9892
#   ...                  ...                    ...
#   2022-06-24  1.000000e+09                 1.1671
#   2022-06-27  1.000000e+09                 1.1879
#   2022-06-28  1.000000e+09                 1.1967
#   2022-06-29  1.000000e+09                 1.2060
#   2022-06-30  1.000000e+09                 1.1689
#   [499 rows x 6 columns],
#   'benchmark_portfolio':             unit_net_value
#   date
#   2020-06-10        0.998862
#   2020-06-11        0.989584
#   2020-06-12        0.991023
#   2020-06-15        0.982023
#   2020-06-16        0.997713
#   ...                    ...
#   2022-06-24        1.096298
#   2022-06-27        1.107309
#   2022-06-28        1.119947
#   2022-06-29        1.101584
#   2022-06-30        1.116947
#   [499 rows x 1 columns],
#   'stock_account':                  cash  transaction_cost  market_value   total_value
#   date
#   2020-06-10   153.0189       299909.9811  9.996999e+08  9.997001e+08
#   2020-06-11   153.0189            0.0000  9.918062e+08  9.918064e+08
#   2020-06-12  1984.0438         1853.5725  9.998421e+08  9.998441e+08
#   2020-06-15  1984.0438            0.0000  9.891525e+08  9.891545e+08
#   2020-06-16  1984.0438            0.0000  1.006050e+09  1.006052e+09
#   ...               ...               ...           ...           ...
#   2022-06-24   161.1973            0.0000  1.187876e+09  1.187876e+09
#   2022-06-27   161.1973            0.0000  1.196679e+09  1.196714e+09
#   2022-06-28   161.1973            0.0000  1.205948e+09  1.205983e+09
#   2022-06-29  2893.2689         1844.9284  1.168843e+09  1.168880e+09
#   2022-06-30  8210.9269            8.8421  1.203321e+09  1.203329e+09
#   [499 rows x 4 columns],
#   'stock_positions':            order_book_id symbol    quantity  last_price  avg_price  \
#   date
#   2020-06-10   000671.XSHE    阳光城  26711600.0        6.78      6.780
#   2020-06-10   603806.XSHG    福斯特   3062100.0       42.14     42.140
#   2020-06-10   002773.XSHE   康弘药业   2358900.0       39.61     39.610
#   2020-06-10   000988.XSHE   华工科技   3723900.0       22.02     22.020
#   2020-06-10   601811.XSHG   新华文轩   7243600.0       10.22     10.220
#   ...                  ...    ...         ...         ...        ...
#   2022-06-30   002460.XSHE   赣锋锂业     38100.0      148.70    141.450
#   2022-06-30   600316.XSHG   洪都航空    101100.0       30.24     31.603
#   2022-06-30   601117.XSHG   中国化学    300600.0        9.41      9.644
#   2022-06-30   600079.XSHG   人福医药    149200.0       16.00     18.070
#   2022-06-30   600588.XSHG   用友网络     42500.0       21.71     29.880
#               market_value
#   date
#   2020-06-10   181104648.0
#   2020-06-10   129036894.0
#   2020-06-10    93436029.0
#   2020-06-10    82000278.0
#   2020-06-10    74029592.0
#   ...                  ...
#   2022-06-30     5665470.0
#   2022-06-30     3057264.0
#   2022-06-30     2828646.0
#   2022-06-30     2387200.0
#   2022-06-30      922675.0
#   [19797 rows x 6 columns],
#   'yearly_risk_free_rates': {2020: 0.020009000000000002, 2021: 0, 2022: 0}}}

获取回测结果中持仓及权益数据


positions = result['sys_analyser']['stock_positions']
portfolio = result['sys_analyser']['portfolio']
positions = positions.join(portfolio['total_value'])
positions['asset_type'] = 'stock'
positions = positions.reset_index()
positions = positions.set_index(['date','order_book_id','asset_type'])
daily_return  = portfolio['unit_net_value'].pct_change().dropna()
weights = positions['market_value']/positions['total_value']
print('daily_return')
#   out:
#   date
#   2020-06-11   -0.007896
#   2020-06-12    0.008104
#   2020-06-15   -0.010692
#   2020-06-16    0.017083
#   2020-06-17    0.005524
#                   ...
#   2022-06-24    0.017760
#   2022-06-27    0.007440
#   2022-06-28    0.007745
#   2022-06-29   -0.030766
#   2022-06-30    0.029472
#   Name: unit_net_value, Length: 498, dtype: float64
print('weights')
# out:
# date        order_book_id  asset_type
# 2020-06-10  000671.XSHE    stock         0.181159
#             603806.XSHG    stock         0.129076
#             002773.XSHE    stock         0.093464
#             000988.XSHE    stock         0.082025
#             601811.XSHG    stock         0.074052
#                                            ...
# 2022-06-30  002460.XSHE    stock         0.004708
#             600316.XSHG    stock         0.002541
#             601117.XSHG    stock         0.002351
#             600079.XSHG    stock         0.001984
#             600588.XSHG    stock         0.000767
# Length: 19797, dtype: float64

传入 rqpattr 计算引擎，对策略进行归因

result = rqpattr.performance_attribute(model="equity/factor_v2", daily_weights=weights, daily_return=daily_return,
                               benchmark_info={'type': 'index',  'name': '中证800', 'detail': '000906.XSHG'})

混合资产 Brinson 归因


result['returns_decomposition']
#out:
# [{'factor': '总收益',
#   'value': 0.20369010703210916,
#   'children': [{'factor': '交易收益',
#     'value': -0.025843778212483993,
#     'children': None},
#    {'factor': '杠杆收益', 'value': 0.0, 'children': None},
#    {'factor': '持仓收益',
#     'value': 0.2295338852445934,
#     'children': [{'factor': '主动收益',
#       'value': 0.06632185697753212,
#       'children': [{'factor': '可转债收益',
#         'value': 0.0,
#         'children': [{'factor': '可转债配置收益', 'value': 0.0, 'children': None},
#          {'factor': '可转债选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '基金收益',
#         'value': 0.0,
#         'children': [{'factor': '基金配置收益', 'value': 0.0, 'children': None},
#          {'factor': '基金选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '指数收益',
#         'value': 0.0,
#         'children': [{'factor': '指数配置收益', 'value': 0.0, 'children': None},
#          {'factor': '指数选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '期权收益',
#         'value': 0.0,
#         'children': [{'factor': '期权配置收益', 'value': 0.0, 'children': None},
#          {'factor': '期权选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '期货收益',
#         'value': 0.0,
#         'children': [{'factor': '期货配置收益', 'value': 0.0, 'children': None},
#          {'factor': '期货选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '港股收益',
#         'value': 0.0,
#         'children': [{'factor': '港股配置收益', 'value': 0.0, 'children': None},
#          {'factor': '港股选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '现金收益',
#         'value': 0.0,
#         'children': [{'factor': '现金配置收益', 'value': 0.0, 'children': None},
#          {'factor': '现金选择收益', 'value': 0.0, 'children': None}]},
#        {'factor': '股票收益',
#         'value': 0.06632185697753212,
#         'children': [{'factor': '股票配置收益',
#           'value': 3.054056964001931e-06,
#           'children': None},
#          {'factor': '股票选择收益',
#           'value': 0.06631880292056812,
#           'children': None}]},
#        {'factor': '非标资产收益',
#         'value': 0.0,
#         'children': [{'factor': '非标资产配置收益', 'value': 0.0, 'children': None},
#          {'factor': '非标资产选择收益', 'value': 0.0, 'children': None}]}]},
#      {'factor': '基准持仓收益',
#       'value': 0.1632120282670611,
#       'children': [{'factor': '基准收益',
#         'value': 0.1182192041711989,
#         'children': None},
#        {'factor': '穿透效应',
#         'value': 0.04499282409586221,
#         'children': None}]}]}]}]

展示组合风格因子主动暴露及主动收益


style_factor_attr = pd.DataFrame(
    result['attribution']['factor_attribution'][0]['factors'])
plt.figure()
style_factor_attr.set_index('factor')['active_exposure'].plot(kind='bar',figsize=(15,7),legend='active_exposure',fontsize=15)
plt.figure()
(style_factor_attr.set_index('factor')['active_return']*100).plot(kind='bar', figsize=(15, 7),legend='active_return',fontsize=15)

组合主动暴露
组合主动风险