一份组合赚了钱，传统解释像是在问：多少来自行业配置，多少来自选股。但如果仓位由因子模型、衍生品或 AI 信号不断调整，这张“成绩单”就可能答非所问。Bruce J. Feibel 指出，Brinson 归因——把超额收益拆为配置、选股及其交互影响——在决策边界清晰时仍有用，却可能无法完整解释现代系统化组合。
文章建议按实际投资流程补上多层底稿：用因子归因解释市场、价值、动量或利率等共同风险来源；再结合敞口、风险、具体决策和模型可解释性分析，检查收益由什么推动、组合是否按预期运行。对 AI 策略，模型可解释性可以连接输入、信号与仓位变化，但不能据此证明因果。生成式 AI 也能协助把分析写成面向客户和受托人的说明，前提是依据经过验证的分析与可追溯数据，并保留控制流程和专家复核。