绩效23归因分析的概念(绩效归因分析是什么)

时间:2023-07-24 | 标签: | 作者:Q8 | 来源:网络

小提示:您能找到这篇{绩效23归因分析的概念(绩效归因分析是什么)}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的绩效23归因分析的概念(绩效归因分析是什么)内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您!

是投资经理进行策略评估与修正

投资者度量基金经理各方面能力的重要工具

本文主要对基金绩效归因的经典理论和方法进行梳理和总结

为投资者提供一个绩效归因的基础框架



  绩效归因方法简要回顾

  绩效归因主要有两大类方法

基于净值的绩效归因和基于持仓的绩效归因

前者主要是对基金的收益率序列进行分析

而后者则是根据组合的实际持仓进行分析



  基于净值的绩效归因

  基于净值的绩效归因是将基金的收益序列对风格因子进行时间序列回归

然后根据回归结果考察每种风格对组合收益的贡献

以及基金经理的主动管理能力

Alpha

对组合收益的贡献

这种方法所需数据较少且易于获取

一些金融服务机构

如晨星

一般会采用此类方法向投资机构提供净值分析的结果



  净值分析起源较早

Treynor和Mazuy

1966

提出的T-M模型

将基金经理的能力分为选股和择时两类

他们在CAPM的基础上

增加了市场风险溢价的二次项

并以二次项的回归系数代表择时能力

以整个模型的截距项代表选股能力



  Henriksson和Merton

1981

T-M模型进行修正

将二次项改为市场风险溢价与虚拟变量

市场风险溢价大于0时

1

反之

0

的乘积

提出了H-M模型

类似地

虚拟变量的系数代表择时能力

而回归截距项代表选股能力



  Chang和Lewellen

1984

H-M模型的基础上作了进一步修改

加入两个虚拟变量

得到基金在市场风险溢价大于0和小于0时的beta

并通过比较这两个beta的差值来分析基金的特点



  Sharpe

1992

通过一个二次规划问题估计基金的风格头寸

并首次提出基于风格分析来为每只基金单独制定一个绩效基准

以便更加精确地衡量基金经理的贡献



  在此之后

许多学者提出了与Sharpe的风格分析理念非常相似的绩效归因方法

用一系列风格因子解释基金收益

不同之处是他们采用了回归模型

而非二次规划



  Fama和French三因子模型

1993

):

市场因子

规模因子和价值因子



  Carhart四因子模型

1997

):

在三因子基础上增加了动量因子

适用性更广



  Fama和French五因子模型

2015

):

市场

规模



价值

投资和盈利



  Hou-Xue-Zhang四因子模型

2015

):

市场

规模

投资和盈利



  此外

也有学者提出对不同时段分别构建因子模型

得到随时间变化的因子敏感度

通过敏感度的对比来判断基金的投资风格是否出现变化

即风格是否发生了漂移



  基于持仓的绩效归因

  归因基于持仓的绩效归因方法是对投资组合在不同时点上的实际持仓进行分析

并将其映射到不同风格中

经典的模型有Brinson绩效归因模型及其多期改进

以及多因子归因模型



  Brinson模型

  Brinson模型最早由Brinson

Hood和Beebower提出

该模型从自上而下的角度将组合相对于基准的超额收益分解为资产配置效应

标的选择效应以及交互效应三部分

随后Brinson和Fachler将交互效应与选择效应合并

提出BF版本的Brinson模型



  基于绩效归因的连续性要求

通常需要将单期归因结果合并为多期

但从单期收益到多期收益需要考虑再投资的影响

而不是简单累加

为此

许多学者都对这个问题进行了深入研究

并提出了多种可由单期拓展至多期的归因算法



  Carino算法

通过引入因子

将原来的多期收益乘积关系转变为多期累加形式

基于此

即可将组合超额收益分解为效应相加形式



  超额收益分解算法

基本思想是将组合收益分解为超额收益及其产生的再投资收益

根据再投资收益的归因区间不同

又可以分为GRAP算法和Frongello算法

其中

GRAP算法将每一阶段产生的超额收益在后期的再投资收益归因到超额收益的产生阶段

Frongello算法则将再投资收益直接归因到其实际发生的阶段

因此在做当期归因时

不会受到未来市场的影响



  概念组合

构建多期概念组合

将多期归因效应用概念组合复合收益率的差来表示



  在实践中

晨星风格盒子是Brinson模型最简单直接的应用

它根据规模和成长/价值两个维度

将股票分成9个资产类别

Brinson模型中的大类资产

)。

在对基金进行分析时

先计算基金持仓组合的规模得分和价值得分

然后根据得分找出对基金影响最大的风格类别

并将其作为这只基金的投资风格



  多因子模型

  基于持仓的多因子模型从自下而上的角度

将组合超额收益分解为共同因子收益部分和残差收益部分

残差收益部分代表了基金经理的选股能力

而共同因子收益部分则反映了基金经理的风格选择能力

和基于净值的绩效归因不同

这种基于持仓的多因子归因模型中

因子暴露是通过个股暴露加总得来

而不是通过回归估计获取



  基于持仓的多因子模型以Barra模型最具代表性

1975年

Barra公司推出美国市场第一个多因子风险模型

——

Barra USE1模型

随后的1985年和1997年

又相继发布了USE2和 USE3版本

USE3版本将股票收益拆解为行业因子

风格因子和特质因子三个部分

并于2002年升级

纳入每日因子回报

2011年

Barra使用新技术发布了USE4版本

新版本作了许多改进

引入国家因子

将纯行业影响从整个市场中分离出来

构建基于日线级别特殊收益的特殊风险模型等



  基于净值的绩效归因

  模型介绍

  基于净值的绩效归因是将基金的收益序列对风格因子进行时间序列回归

然后根据回归结果考察每种风格对组合收益的贡献

以及基金经理的主动管理能力



  基于净值的绩效归因通过时间序列回归

将基金超额收益分解为风格因子收益和特质收益两部分

后者一般被认为来自于基金经理选股和择时的能力



  净值归因模型的一般形式为




  其中

Ri为组合收益

F1

F2

Fn为因子

各风格资产收益

),

bi

1

bi

j

bi

n为组合对因子的敏感度

ai+ei是不能为因子

风格资产

所解释的部分

non-factor

)。



  将基金的收益率序列对一系列因子运行上述时间序列回归

得到的因子系数bi

j即为基金在因子j上的暴露程度

将其与对应因子相乘

得到的bi

jFj为因子j对基金i的收益贡献

进一步除以基金收益Ri

即可得到风格j对基金i的收益贡献率



  上述模型中

常用的因子包括

市场收益

市值因子收益

估值因子收益

国家收益

行业收益等

在实际应用中

因子收益通常采用分散化的模拟组合进行估算



  例如

Fama-French三因子模型中

市值因子SMB和估值因子HML是采用2*3分组取交集的方法获得

对于市值

以中位数为分界点

将全市场股票分为2组

对于估值

30%

70%为分界点

将股票分为3组

然后取交集得到2*3=6个组合

如下图所示

)。

市值因子收益SMB即为3个小市值组合收益均值与3个大市值组合收益均值之差

估值因子收益为2个低估值组合收益均值与2个高估值组合收益均值之差




  净值分析仅需要基金的收益率序列

可以在没有具体持仓的情况下

对基金投资风格进行分析

因此

适用范围广

内外部人员均可使用



  在应用过程中需要注意的是

若因子之间存在较强的相关性

则在回归过程中容易出现多重共线性

导致模型无法识别出基金的实际风险暴露

归因结果失真

因此

在构建因子时

应尽量保证因子间的相关性处在一个相对较低的水平之上

控制相关性的方法通常有两种

一是构建多空组合以剥离市场因素的影响

二是通过回归剥离共同因素的影响



  模型应用示例

  本文以基金A为例

对常用绩效归因模型的应用方法和结果进行演示和说明

基金A的投资目标是在控制跟踪误差的基础上

采用量化方法对基准指数进行增强

按照基金契约

股票资产的投资比例不低于基金资产的90%

基准指数指数成分股和备选成分股的资产不低于股票资产的80%

投资范围不包括股指期货品种



  采用基金收益率序列对因子进行回归

可以得到基金相对于基准指数的行业和风格暴露

具体结果如下图所示




  由上图可见

该基金在行业上的控制非常严格

相对于基准指数没有明显的偏离

若从显著性的角度考虑

仅在非银和银行两个板块上存在轻微的低配

在建材上存在轻微的高配

由此推测

该基金在构建投资组合时

可能采取了行业中性的处理方法



  从风格角度来看

该基金相对基准指数存在明显的小市值偏离

但在估值/成长维度上的偏离并不显著

此外

该基金还在盈利与增长两个基本面因子上有非常明显的偏离



  下图展示了基金A近5年的绩效归因结果

其中

黑色柱状图为基金收益

由各因子的贡献

蓝色柱状图

Alpha

红色柱状图

组成




  除市场因子外

该基金最主要的收益来源是风格因子中的小市值和基本面因子中的盈利与增长

而行业因子几乎不存在明显的收益贡献

按照净值归因模型的定义

因子贡献以外的剩余收益即为基金Alpha

是基金经理通过选股与择时获取的收益



  下图展示了该基金近3年的绩效归因结果

从中可看出

最主要的因子收益来源仍然是小市值

盈利和增长

此外

该基金近三年的剩余Alpha进一步提升

足见基金经理自身管理能力的贡献在基金超额收益中的比重越来越大




  基于持仓的Brinson模型

  Brinson模型是绩效归因的经典理论和方法

该模型根据实际持仓自上而下地对组合超额收益进行分解

与实际投资联系紧密

具有直观准确的投资意义

而且

模型对输入数据的要求也不高

只需组合和基准在各大类资产上的配置权重及对应的收益率

Brinson模型在组合绩效评价领域中

得到了广泛的应用



  Brinson模型主要有两种版本

BHB模型以及BF模型

BHB模型将超额收益分解为资产配置效应

标的选择效应以及两者的交互效应三部分

BF模型将超额收益分解为资产配置效应和标的选择效应两部分



  需要注意的是

在考察配置效应时

Brinson模型由于对资产采用了定性分类法

因而存在天然的缺陷

即分类维度过高时

处理难度会呈几何倍增长

因此

该模型更适合在较低的分类维度下应用



  单期Brinson归因模型

  假设组合中共有I类资产

股票

债券

行业

或风格

)、

基金

衍生品等



  表示实际投资组合中大类资产i的权重



  表示基准组合中大类资产i的权重



  表示实际组合中大类资产i的收益率



  表示基准组合中大类资产i的收益率

Brinson模型的收益分解过程如下图所示




  上图共设有4个概念组合

其中

Q1代表基准组合

Q2代表基金资产配置组合

大类资产配置权重与基准不同

而大类资产内部的证券标的与基准相同

),

Q3代表积极选择组合

大类资产配置比例与基准相同

而大类资产内部证券标的不同

),

Q4为实际投资组合



  实际投资组合相对于基准的超额收益记为

  

按照定义有

  

基于上述4个概念组合可以将超额收益分解为大类资产配置收益

Allocation Return

AR

)、

选择收益

Selection Return

SR

和交互收益

Interaction Return

IR

),




  由以上定义可知



  配置效应

AR

= 超额权重*基准资产收益率

是在不进行证券选择的情况下

通过积极的资产配置

即超配具有正收益

低配具有负收益的资产所能获取的收益



  选择效应

SR

= 基准权重*资产超额收益

是各大类资产配置比例与基准相同

通过在每类资产内部进行积极的证券选择所能获取的超额收益



  交互效应

IR

= 超额权重*超额收益率

是投资组合在资产配置和个股选择逐层归因后的剩余部分



  对于股票型基金

可以将行业定义为资产类别

在这种情况下

配置收益AR表示通过超配收益为正

低配收益为负的行业所能获取的超额收益

实时精准营销

选择收益SR表示在行业中性的情况下

通过行业内部的个股选择所能获取的超额收益

交互收益IR则是剩余收益部分



  此外

也可以将风格定义为资产类别

例如

晨星风格盒子就是将基于规模和价值划分的9个风格作为资产类别



  以上是Brinson模型最基础的形式

也称为经典版BHB模型

但是

该模型在实践中却存在一些不合理之处



  首先

该模型配置效应为

即通过超配上涨资产

或行业

)、

低配下跌资产

或行业

即可获取资产配置收益

但实际上

我们通常认为

超配涨幅超过基准总收益的资产类别

同时低配涨幅小于基准总收益的资产类别

才应是资产配置能力

所以

在配置效应上

基础Brinson模型的定义并不十分合理

其次

BHB模型中交互效应的概念相对模糊

很难从实际投资层面对这部分收益进行解释



  基于此



Brinson和Fachler提出了改进版的Brinson模型

——

BF模型

这也是在实践时经常使用的版本



  相比于BHB模型

BF主要有两个方面的变化

首先

BF模型增加了基准对资产配置效应AR的影响

AR变为




  从资产配置总效应角度来讲

BF归因模型与BHB归因模型是相同的

两者的区别主要体现在具体资产

或行业

收益贡献的计算上



  其次

BF模型还将BHB模型中的选择效应和交互效应进行了合并

得到了新的选择效应




  可见

BF模型将投资组合的超额收益分解为配置效应AR和标的选择效应SR两个部分



  Brinson归因采用的是一种自上而下的方式

即第一层归因是将整个组合作为研究对象

从资产配置角度分析组合收益来源

第二层归因则是将大类资产内部的具体证券标的作为研究对象

考察个股推广东莞选择的收益贡献

在实践中

许多投资经理也常常会采取自上而下的方式进行投资

例如

先判断未来每个行业的景气程度

然后再在行业中选择有代表性的优质公司构建组合

Brinson模型自上而下的分解思想一致



  多期Brinson归因模型

  单期Brinson模型对某个特定时期内

基金的绩效进行了有效分解

但实际的投资组合评价过程中

往往需要对一只基金在多个时间段内的整体绩效表现进行归因

这就需要将模型由单期拓展到多期



  从单期归因到多期归因需要考虑再投资的影响

组合T期的累计收益并不是简单的单期收益加总

而是经过前期累计收益放缩后的单期收益之和




  其中



  为组合在第t个子期间的收益

因此

绩效归因也并不是将每个子时段的归因效应简单加总

而是需要通过适当放缩来达到目的



 网络营销的种类 常用的多期归因模型的基本构建思想主要有以下两种



  第一种是将各个概念组合的累计收益率作为各自绩效的放缩因子

例如AKH算法

具体分析框架如下图所示




  其中




  分别是基金实际投资组合

Q4

)、

积极资产配置组合

Q2

)、

积极选择组合

Q3

和基准组合

Q1

t-1期的累计收益率



  与单期Brinson模型类似

资产配置收益AR为


  标的选择贡献SR为




  剩余部分Q4-Q2-Q3+Q1即为交叉贡献IR



  第二种是将每期的超额收益分解为前期超额收益投资于基准的再投资收益

与前期累计收益在当期的超额收益之和



  考虑一个2期的投资过程

以表示基金在t期的超额代运营公司定位怎么写收益




  由上式可知

对于一个只有2期的投资过程而言

整个投资过程的超额收益可以分解为每一期经过调整后的超额收益之和

而这个超额收益又由两个部分组成

一是前期超额收益在当期投资于基准的再投资收益

二是该期初始投资额

即前期累计收益

在当期的超额收益



  第1期由于尚未累计超额收益

因此第一部分为0

第二部分则是初始投资额在该期的超额收益

1期的初始投资额为1

因此这一项为

  

于是

1期的调整超额收益即为

  



  对于第2期

由于前期的超额收益为

  

另外

2期的初始投资额为

  

其在第2期可获取的超额收益为

  

因此

2期的调整超额收益为


  



  由于每种归因效应都可以理解为一种超额收益

因此根据上述推导

我们可以对各期的原始归因效应按照如上方式进行调整

则整个期间的累计归因效应即为各期调整归因效应之和

其中

调整的归因效应是前期累计投资额与当期归因效应的乘积

加上前期累计归因效应再投资于基准的当期收益



  若以

  代表第t期Brinson单期模型得到的归因效应

例如

对于BF模型

归因效应为资产配置效应AR和标的选择效应SR

对于BHB模型

则除这两个效应外

还包括交互效应IR

),

则经过调整后的t期归因效应为




  简单加总各期调整后的归因效应

即可得到整个区间的归因效应



  模型应用示例

  对于基金A

我们分别根据季报

仓位

)、

半年报

行业和个股

其中行业采用中信一级分类

披露的持仓数据

计算其资产配置和行业配置的比例

并假定相邻报告期之间

持仓比例是均匀变化的

下表给出了Brison模型的归因结果




  由上表可见

资产配置对基金A超额收益的贡献很低

应当是由于该基金一直以来都保持着较高的权益仓位

虽然通过行业配置获取了一部分超额收益

但基金A的主要收益来源还是个股选择

由于Brinson模型将管理费

交易费等成本均归入了个股选择收益

因此

我们认为

个股选择对该基金超额收益的实际贡献应该更高



  下图进一步展示了基金A的超额收益及其中资产配置贡献

行业配置贡献和个股选择贡献的历史表现




  基金A相对基准的超额收益自2014年下半年起

便开始稳步上升

期间即使遭遇小幅回撤

也能迅速恢复并再创新高

根据Brinson模型的归因结果

紫色曲线代表的个股选择贡献是该基金超额收益的主要来源

其中

2015年年中至2016年年中以及2017年6月至7月

是贡献最大的时期

行业配置的贡献主要发生在2014年年末至2015年年中及2017年7月以来

而资产配置的贡献在整个区间内都极其微弱



  下图进一步给出了该基金的行业配置变化




  整体来看

基金A存在一定的行业偏离

具体表现在长期低配非银金融

国防军工

医药

有色金属

计算机和电力及公用事业这几个行业

基金A长期超配的行业较少

更多地体现出了优秀的行业轮动能力



  例如

2017年以来

食品饮料行业表现突出

而根据上图的分析显示

基金A自2017年中报后

便已及时地将食品饮料行业由低配转为超配

又如

电子行业在2017和18年的表现大相径庭

而基金A在其上的超配幅度也保持了相同的变化方向

2017年

行业表现优异

当年中报显示

该基金已将电子行业从前期的低配转向超配

进入2018年后

电子行业整体表现低迷

超配幅度也随之大幅降低



  若考虑行业超低配的贡献

则可以发现

长期低配非银金融为基金A带来了较高的超额收益

低配国防军工和超配建材

银行的贡献次之

但是

对医药行业的低配

则使基金A原本可以更优秀的绩效略有失色



  基于持仓的多因子归因模型

  Brinson模型对组合超额收益的分解简单直观

与投资逻辑紧密相连

但由于模型采用的是交叉分组的方法

在分类变量较多时

容易产生

维数灾祸

dimension curse

”,

因而在实际使用中存在一定的局限性

此时

多因子模型便是一个很好的替代者

它可以方便地实现多维度

多层次的归因



  多因子模型将组合收益分解为共同因子收益和残差收益两部分

其中

残差收益代表基金经理的选股能力

而共同因子收益则反映了基金经理的风格选择能力



  在基于持仓对组合进行多因子模型归因时

所需的数据是组合的因子暴露和因子收益

其中

前者可直接由所持股票的因子暴露求得

后者则往往通过横截面回归估算

将全样本股票对标准化后的因子进行回归

将因子的回归系数作为因子收益



  基于风格的多因子归因模型

  在基于风格因子的归因模型下

股票收益是公共因子收益与残差/特质收益之和




  其中



  为股票n的收益率



  表示股票n在风格因子k上的暴露

通过横截面回归即可求得风格因子k的收益率

以及股票n的残差/特质收益



  为降低模型的估计误差

通常采用加权最小二乘法

WLS

估计回归系数

在实践中

常以市值的平方根为权重

若记W为权重矩阵

因子收益可由如下解析表达式求得




  根据多因子模型

1

),

组合的超额收益率可以分解为




  其中



  是股票n的积极权重

即实际组合中的权重与基准组合中的权重之差

是组合对因子k的积极暴露




  



  由上式可知其中

组合的超额收益可以分解为因子的积极配置收益与特质资产选择收益两部分

其中

对于任意因子k

组合对该因子的积极配置超额收益为因子收益fk与积极暴露

  之积



  

特质资产选择收益是组合对每只个股的积极配置权重与个股特质收益乘积之和



  上述分析表明

组合的超额收益来源于对正收益因子的积极暴露和对正特质收益个股的积极配置



  基于风格和行业的多因子归因模型

  在同时包含风格

连续变量



  

和行业

虚拟变量



  

的多因子模型下

股票收益可以表示为




  风格因子为连续变量

回归前需标准化

使所有股票风格因子的市值加权均值为0

标准差为1

行业因子为0-1变量

由于每只股票必然属于且仅属于某一行业

即个股在所有行业因子上的暴露之和恒等于1

因此

模型包含截距项时会产生完全共线性

导致最优解不唯一

为避免这种情况

通常会增加一个约束条件



例如

Barra模型将行业因子的市值加权收益设为0




  其中



  为行业i所有股票的市值之和与全部股票市值之和的比值

即行业i的市值占比



  对于同时包含风格

连续变量

和行业

虚拟变量

的多因子模型

因子收益率为如下二次规划问题的解




  上式中



  为单只股票n的回归权重

通常设为市值的平方根



  求出因子收益和行业收益后

即可将组合超额收益分解为行业收益部分

风格因子三只松鼠网络市场调查报告收益部分和特质收益部分



  模型应用示例

  我们根据基金A半年度公布的持仓数据

测算其在以下几个因子上的暴露



  市值

size

):

股票的总市值



  市净率

PB

):

反映了股票估值水平的高低



  市盈率

PE

):

反映了股票估值水平的高低



  盈利收益率

Earning Yield

):

由净资产报酬率

预期净资产报酬率和现金收入比等指标加权而成

综合反映了公司的盈利能力



  增长率

Growth

):

由公司收入增长率

净利润预计增长率等指标加权而成

反映了公司绩效在未来的增长潜力



  系统性风险

Beta

):

个股收益对全市场市值加权组合收益的回归系数

是个股对市场波动的反应灵敏度



  波动率



Volatility

):

由个股股价的振幅

收益波动率等指标加权而得

反映了个股的风险



  动量

Momentum

):

将个股过往的收益用指数衰减法进行加权

反映了股价在过去一段时间的趋势



  流动性

Liquidity

饥饿营销的局限性

由个股过去一段时间的换手率加权而得

反映个股交易活跃度



  在计算因子暴露时

为解决量纲不同和指标稳定性等问题

我们将个股的因子值先转化为它在同期全部A股中的分位点

再按照持股比例计算组合整体分位点

以此代表组合的因子暴露



  由下图可见

根据多因子归因模型

基金A在各因子上的暴露展现出以下特征



  

1

     在两个与风险相关的因子

系统性风险和波动率

和两个技术因子

动量和流动性

上没有稳定的暴露

大体围绕基准上下波动



  

2

     在市值上有持续的负向暴露

即偏好市值小于基准的个股



  

3

     在PE上的暴露始终小于基准

PB上的暴露则没有明显的规律



  

4

     在基本面因子上的暴露明显且稳定

体现为在盈利和增长因子上的暴露一直高于基准



  上文中

我们通过基于净值的时间序列回归发现

基金A的超额收益主要来自市值

盈利和增长三个因子

此处

通过基于持仓的多因子归因模型也得到了相同的结论

在实际应用中

投资者可根据所能获取的数据类型挑选相应的方法








  总结与讨论

  基金绩效归因主要有两大类方法

基于净值的时间序列回归法

基于持仓的横截面分析法

其中

基于持仓的绩效归因主要包括Brinson模型和多因子模型



  基于净值的时间序列回归法

将一段时间内基金的超额收益分解为风格因子收益和特质收益两部分

后者一般被认为来自于基金经理选股和择时的能力

净值分析所需数据少

操作简单

适用范围广

在使用过程中

需注意因子的多重共线性

若因子间相关性较高

容易导致结果失真

降低相关性的方法主要有两种

一是构建多空组合

二是通过回归进行正交处理



&n舆情 预警系统bsp; 基于持仓的横截面分析法是对投资组合在不同时点上的实际持仓进行分析

并将其映射到不同风格中

持仓分析包含更多信息

同时派出了基金大额申购

赎回等对基金的干扰

但需要基金的具体持仓

数据获取难度大

对于外部投资者而言

只能根据较低频的数据在一定假设条件下进行归因分析



  Brinson绩效归因模型采用自上而下的方式将超额收益分解为配置效应和选择效应

它的优点在于归因过程与实际投资逻辑紧密相连

易于理解



  基于持仓的多因子模型采用自下而上的方式将组合超额收益分解为风格因子的积极配置收益与特质资产选择收益两部分

这种方法可以方便地将超额收益进行多维度归因



  下表总结了各种基金绩效归因方法的基本特征与优缺点

以备投资者查询与对比


绩效23归因分析的概念(绩效归因分析是什么)

上一篇:社交媒体145营销上你应该避免的7个失误(社交媒
下一篇:推销产品的话术怎么讲(上来就逼底价的239客户


版权声明:以上主题为“绩效23归因分析的概念(绩效归因分析是什么)"的内容可能是本站网友自行发布,或者来至于网络。如有侵权欢迎联系我们客服QQ处理,谢谢。
相关内容
扫码咨询
    绩效23归因分析的概念(绩效归因分析是什么)
    打开微信扫码或长按识别二维码

小提示:您应该对本页介绍的“绩效23归因分析的概念(绩效归因分析是什么)”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通绩效23归因分析的概念(绩效归因分析是什么)的相关事宜。

关键词:归因分析,营销归因分析

关于 | 业务 | 案例 | 免责 | 隐私
客服邮箱:545321@QQ.com
电话:400-021-1330 | 客服QQ:545321
沪ICP备12034177号 | 沪公网安备31010702002418号