1.3 风险与收益的度量

1.3 风险与收益的度量

本节摘要：风险和收益是金融学中最核心的权衡关系——投资者承担更高的风险，理应获得更高的预期收益作为补偿。本节教你用数学工具量化"不确定性"和"补偿"，从单资产的收益分布和波动率，到多资产组合的风险分散效应，建立起一套严谨的风险收益分析框架。理解这套框架，是后续投资组合理论和CAPM模型的基础。

学习目标

阅读完本节，你应当能够：

1. 计算资产的历史收益率（算术平均、几何平均）并理解二者的区别
2. 用方差和标准差量化资产收益的波动性
3. 计算两只资产之间的协方差和相关系数
4. 验证"分散化降低风险"的数学原理，并理解其适用边界
5. 用夏普比率评价风险调整后的收益表现

风险收益的因果关系

把100万存银行定期，一年后拿到101.5万，收益率1.5%。把100万投入某只科技股，一年后可能变成130万，也可能变成70万，预期收益率也许有15%，但不确定性很大。你会选哪个？

答案取决于你的风险偏好。但无论你怎么选，有一个铁律：在充分竞争的市场中，承担更高的风险，才能获得更高的预期收益。这不是什么神秘的市场法则，而是一个简单的经济逻辑——如果低风险资产和高风险资产提供同样的预期收益，谁还去买高风险资产？高风险资产的供给者（借款人、发行股票的公司）必须用更高的预期收益来"贿赂"投资者接受不确定性。

问题是：怎么精确衡量"风险"和"收益"？这正是本节要解决的问题。

收益的度量

持有期收益率

最基础的收益率计算是持有期收益率（Holding Period Return, HPR）：

HPR = (P1 - P0 + D) / P0
​

P0是期初价格，P1是期末价格，D是期间收到的股息或利息。这个公式考虑了资本利得和期间收入两部分。

算术平均 vs 几何平均

当你有多期收益率数据时，可以用两种方式计算"平均收益率"。

算术平均是直接把各期收益率加总除以期数。几何平均则是计算复利增长率：

几何平均 = (1+R1) × (1+R2) × ... × (1+Rn) 的 n 次方根 - 1
​

两者的区别在波动较大时非常明显。假设一只股票两年收益率分别是+50%和-50%。算术平均是0%，但 geometric average 是 -13.4%——因为先涨50%再跌50%，你实际上亏了25%的本金（1×1.5×0.5=0.75），两年平均亏损约13.4%。

💡 关键直觉：几何平均才是投资者真正关心的数字——它反映的是资金的真实增长速度。算术平均只在预测单期期望收益时有意义。

风险溢价

真正有意义的概念不是"绝对收益"，而是风险溢价——某种风险资产的超额收益（超过无风险利率的部分）。如果国债收益率是3%，一只股票的预期收益率是8%，那这只股票的风险溢价就是5%。

金融学的大多数理论都是在解释和预测风险溢价，而不是解释和预测绝对收益水平。CAPM模型解释的是"风险溢价和系统性风险成正比"，APT模型解释的是"风险溢价由多个风险因子驱动"——它们的因变量都是风险溢价。

风险的量化

方差与标准差

风险，在金融学中通常被定义为"收益的不确定性"，用方差或标准差来量化。

方差 = Σ[Ri - E(R)]^2 / n
标准差 = 方差的平方根
​

方差衡量的是收益率围绕期望值波动的幅度。方差越大，说明收益率的波动越剧烈，投资者面对的不确定性越大。

标准差和方差在数学上等价（一个是另一个的平方根），但标准差的好处是单位与收益率相同（百分比），更直观。一个标准差为20%的股票意味着什么？粗略地说，大约68%的情况下，这只股票的年收益率会在期望值上下20个百分点以内波动。

一个直观的理解

假设有两只股票A和B。A每年的收益率稳定在8%左右，波动很小。B的收益率有时高达30%，有时低至-20%，平均下来也是8%左右。

两只股票的期望收益相同，但B的标准差远大于A。你会选A还是B？大多数人会选A——因为同样的收益，为什么要选更不确定的那个？但如果B的期望收益是15%呢？现在就变成一个真正的权衡了：你愿不愿意为了额外7个百分点的预期收益，接受更大的波动性？

这个权衡就是金融学的核心问题。我们后面的CAPM模型就是用一个简洁的公式来回答"多少额外收益对应多少额外风险"。

风险分散的数学原理

"不要把鸡蛋放在同一个篮子里"是金融学中最广为人知的建议。但它之所以成立，背后有坚实的数学基础。

协方差与相关系数

当你要投资两只以上的资产时，最重要的信息不是各自的标准差，而是它们之间的联动关系——协方差（Covariance）。

协方差 = Σ[(RAi - EA) × (RBi - EB)] / n
​

协方差为正，说明两只资产的收益倾向于同方向变动（一起涨或一起跌）。协方差为负，说明它们的收益倾向于反向变动（一个涨另一个跌）。协方差为零，说明它们之间没有系统性的联动。

但协方差受单位影响，不方便比较。于是我们用相关系数将其标准化到[-1, 1]区间：

相关系数 = 协方差 / (标准差A × 标准差B)
​

相关系数为+1表示完全正相关，-1表示完全负相关，0表示无相关。

分散化为什么有效

两只资产组成投资组合的标准差，并不等于各自标准差的加权平均。关键在于那一个交叉项——协方差：

组合方差 = wA^2 × σA^2 + wB^2 × σB^2 + 2 × wA × wB × Cov(A,B)
​

当相关系数小于1时，组合的标准差会小于各资产标准差的加权平均——这就是分散化的魔力所在。

极端情况：如果两只资产完全负相关（相关系数=-1），你可以找到一组权重使得组合的标准差等于零——完美对冲。当然，在现实中几乎不可能找到完全负相关的资产。

更现实的场景：大部分股票之间的相关系数在0.3到0.7之间。即便如此，分散化依然能显著降低组合风险。10只股票组成的等权重组合，其标准差通常只有单只股票标准差的50%-70%。30只股票的组合，分散化效果已经接近极限——剩下的风险无法通过增加股票数量来消除。

系统性风险与非系统性风险

分散化能消除的风险叫做非系统性风险（也叫特质风险、可分散风险），它来源于个别公司的特定因素——比如CEO突然离职、产品召回、工厂火灾等。

分散化无法消除的风险叫做系统性风险（也叫市场风险、不可分散风险），它来源于影响整个市场的宏观因素——经济衰退、利率变动、地缘政治冲突等。

这张图揭示了现代投资组合理论的核心洞察：分散化能消除非系统性风险，但对系统性风险无能为力。而市场只补偿系统性风险——因为你"没办法"消除它。非系统性风险是你可以通过分散化免费消除的，所以市场不会为此付费。

这个结论极其重要。它意味着：投资者不应该期望因为承担了非系统性风险而获得额外收益。如果你只买了三只股票，你的总风险很高，但其中大部分是非系统性风险——市场不会补偿你，因为你自己应该分散化。只有系统性风险才配得上风险溢价。

夏普比率：风险调整后的绩效评价

知道了收益和风险的度量方法，我们还需要一个工具来综合评价"每承担一单位风险，你获得了多少超额收益"。这个工具就是夏普比率（Sharpe Ratio）：

夏普比率 = (资产期望收益 - 无风险利率) / 资产标准差
​

夏普比率越高，说明每承受一单位风险获得的超额收益越多，投资效率越高。一只年化收益15%、标准差20%的基金，夏普比率=(15%-3%)/20%=0.6。另一只年化收益12%、标准差8%的基金，夏普比率=(12%-3%)/8%=1.125。后者虽然绝对收益更低，但风险调整后的表现更好。

⚠️ 注意：夏普比率假设收益服从正态分布。对于收益分布严重偏态（比如大量微赚、偶尔巨亏的期权策略）的资产，夏普比率可能产生误导。这是传统风险度量工具的一个已知局限。

核心回顾

• 收益度量：持有期收益率反映单期表现，几何平均反映真实增长速度，风险溢价才是金融学关注的焦点
• 风险量化：标准差是最基础的风险度量指标，衡量收益率的波动程度
• 分散化原理：组合风险取决于资产间的相关系数，相关系数越低，分散化效果越好
• 两类风险：系统性风险不可分散、市场给予补偿；非系统性风险可分散、市场不予补偿
• 夏普比率：综合评价风险调整后收益的常用指标，但受正态分布假设的局限

下一节我们跳出理论框架，看看金融体系在现实中是如何运作的，理解银行、市场、监管者这些参与者如何把"时间、风险、利率"的概念变成真正的资金流动。

风险度量指标的局限性

标准差和方差是金融学中最常用的风险度量指标，但它们有一些重要的局限，使用时需要特别注意。

标准差假设对称分布——它把"涨了20%"和"跌了20%"视为同等程度的风险。但对投资者来说，下跌才是真正的风险，上涨是好事。用标准差度量风险，会高估那些上涨概率较高的资产的风险水平。

标准差只度量"波动性"，不区分风险的来源——一个资产的标准差可能很高，但如果这些波动主要来自"好"的方向（比如大部分时间是正收益、偶尔大幅正收益），它可能并不像标准差暗示的那么"危险"。

标准差对极端事件不够敏感——在正态分布假设下，"超过3个标准差"的事件概率约为0.3%（每333天发生一次）。但金融市场的实际数据显示，"超过3个标准差"的事件频率远高于理论值——大约每年都会发生好几次。这就是金融学中著名的"肥尾现象"。

为了克服标准差的这些局限，风险管理者还使用其他工具：**下行偏差（Downside Deviation）**只计算低于某个阈值（如平均收益）的波动，更符合"亏损才是风险"的直觉。**最大回撤（Maximum Drawdown）**度量的是从峰值到谷值的最大跌幅，反映投资者在最坏情况下可能承受的损失。

风险收益关系在资产类别中的表现

不同资产类别的历史风险收益数据可以帮助你建立直观的认知（以下为美国市场的长期历史数据，仅供参考）：

从这张表中可以看到几个重要规律：第一，所有资产类别中，股票的收益和风险都高于债券——这就是风险溢价的体现。第二，小盘股票的收益虽然比大盘股票高2个百分点，但风险也高出6个百分点——风险调整后的收益（夏普比率）几乎一样。第三，夏普比率最高的资产类别通常不超过0.5——这意味着每承受1单位风险，你平均只能获得0.5单位的超额收益。

这些数据提醒我们：追求高收益必然要承担高风险，但"高风险"不等于"高回报"——很多高风险资产的风险调整后收益并不比低风险资产好。