一、十二万个数字

这一讲要回答的问题是:有没有一种办法,不用估计几十万个协方差,也能大致描述几百只股票之间的关系?

先回到上一讲留下的难题。

你是一家基金公司的分析师,老板让你用马科维茨的方法,从标普 500 的 500 只股票里找出最优组合。你算了一下需要估计的数字:

  • 500 个期望收益率。
  • 500 个方差。
  • 500 × 499 ÷ 2 = 124,750 个协方差。

就算你手里有每只股票几十年的数据,十几万个协方差的估计误差叠加起来,结果也很难让人放心。何况你还得解释:为什么可口可乐和某家半导体公司的相关系数是 0.23,而不是 0.31?这些数字背后有什么道理?

这一讲介绍的方法,用一个大胆的简化解决了这个问题:假设股票之间之所以会一起动,只有一个原因:它们都受整个市场的影响。

二、全年级统考

打个比方。一所中学的全年级都参加同一场数学统考。每个学生这次的分数,比他平时高了还是低了,取决于两类原因:

  1. 这张卷子的难易。 卷子难,几乎所有人的分数都会往下掉;卷子简单,几乎所有人都会往上涨。这是全年级共同的因素。
  2. 每个学生自己的发挥。 有人前一天没睡好,有人恰好复习到了那道大题,有人粗心看错了题。这些是每个人各自的因素,和别人无关。

不同的学生对卷子难易的敏感程度也不一样:

  • 基础扎实的学生,卷子难一点、简单一点,他的分数变化不大。
  • 基础不牢的学生,卷子一简单他就能考得很好,卷子一难他就大幅下滑。他的分数对卷子难易特别敏感。

如果你想知道两个学生的分数为什么经常一起涨跌,最简单的解释就是:他们考的是同一张卷子。卷子难,两人一起掉;卷子简单,两人一起涨。除此之外,两人各自的发挥互不相干。

单指数模型就是这样看待股票的:市场就是那张卷子,每只股票就是一个学生。

三、把一只股票的收益拆开

3.1 三个部分

按照这个思路,一只股票某一年的超额收益(股票收益减去国库券收益)可以拆成三部分:

股票的超额收益 = 阿尔法 + 贝塔 × 市场的超额收益 + 残差

逐个解释:

贝塔(β):这只股票对市场的敏感程度。贝塔为 1.3,意思是市场的超额收益每多 1 个百分点,这只股票平均会多 1.3 个百分点;市场跌 10%,它平均跌 13%。贝塔就是那个学生对卷子难易的敏感程度。

阿尔法(α):即使市场的超额收益为零,这只股票平均还能多赚多少。它就是一个学生"在卷子难度正常的时候,平均比别人预期的分数高多少"。

残差:这一年里,既不能用市场解释、也不是平均水平的那部分。新产品大卖、CEO 辞职、官司输了,都落在这里。它就是那个学生当天的发挥,平均来说为零,有时为正、有时为负。

3.2 两种风险,现在有了数字

这样一拆,第十讲说的两种风险就各自有了归属:

  • 系统性风险来自"贝塔 × 市场"这一项。市场怎么动,所有股票都要按各自的贝塔跟着动。
  • 非系统性风险就是残差。每只股票的残差各不相干,持有足够多的股票就能把它们分散掉。

一只股票的总方差也相应地拆成两块:

总方差 = 贝塔² × 市场方差 + 残差方差

和上一讲的规则一样,比例(这里是贝塔)要平方。

四、从历史数据里估计贝塔

4.1 八年的数据

贝塔和阿尔法不是谁规定的,要从历史数据里估计出来。看一个例子。下面是某只股票和市场过去八年的超额收益率:

年份 市场的超额收益 股票的超额收益
1 15% 42.5%
2 −10% −36.0%
3 20% 14.0%
4 5% 39.5%
5 −25% −23.5%
6 30% 24.0%
7 10% 24.0%
8 −5% −24.5%

把每一年画成一个点,横坐标是市场,纵坐标是股票,就得到下面这张图。贝塔就是穿过这些点、最贴近它们的那条直线的斜率。

八年的数据点和穿过它们的那条线:斜率就是贝塔

这条线叫证券特征线。

4.2 一步一步算

那条"最贴近的直线"怎么找?统计学里最常用的方法叫回归,而它算出来的斜率有一个很直观的形式:

贝塔 = 股票和市场的协方差 ÷ 市场的方差

意思是:股票和市场"一起动"的程度,除以市场自己"动"的程度。

用上面的数据一步步算:

  1. 算平均值。市场八年的平均超额收益是 5%,股票是 7.5%。
  2. 算偏离。每一年各自减去平均值。
年份 市场的偏离 股票的偏离 两者相乘 市场偏离的平方
1 10 35.0 350.0 100
2 −15 −43.5 652.5 225
3 15 6.5 97.5 225
4 0 32.0 0.0 0
5 −30 −31.0 930.0 900
6 25 16.5 412.5 625
7 5 16.5 82.5 25
8 −10 −32.0 320.0 100
合计 2,845 2,200
  1. 算贝塔。协方差和方差都要除以年数,但两者除以的是同一个数,相除时会约掉。所以贝塔 = 2,845 ÷ 2,200 ≈ 1.29。
  2. 算阿尔法。直线一定穿过两个平均值构成的那一点(5%,7.5%)。所以阿尔法 = 7.5% − 1.29 × 5% ≈ 1.0%。

这只股票的贝塔约 1.29:市场每多 1 个百分点的超额收益,它平均多 1.29 个百分点。阿尔法约 1.0%:在这八年里,扣掉市场的影响以后,它平均每年多赚了大约 1 个百分点。

4.3 市场解释了多少

再看看这只股票的风险里,有多少来自市场:

  1. 股票超额收益的方差(八个偏离的平方的平均)约是 839,标准差约 29.0%。
  2. 市场的方差是 2,200 ÷ 8 = 275,标准差约 16.6%。
  3. 系统性部分:1.29² × 275 ≈ 460。
  4. 残差部分:839 − 460 ≈ 379,残差标准差约 19.5%。

系统性部分占总方差的比例是 460 ÷ 839 ≈ 55%。这个比例叫 R²(读作"R 方"),衡量的是"市场能解释这只股票多少的波动"。剩下的 45% 是这只股票自己的事。

对单只股票来说,R² 在 30% 到 60% 之间是很常见的:市场能解释一部分,但每只股票都有大量自己的波动。对于一个充分分散的组合,比如一只标普 500 指数基金,R² 会非常接近 100%,因为残差几乎都被分散掉了。

五、它为什么省事

5.1 协方差只需要贝塔

单指数模型最大的好处在这里。

回到统考:两个学生的分数之所以会一起涨跌,在这个模型里只有一个原因,就是他们考了同一张卷子。所以两个学生的分数有多大程度一起动,只取决于两人各自对卷子难度的敏感程度,以及卷子难度本身变化有多大。

换成股票:

两只股票的协方差 = 第一只的贝塔 × 第二只的贝塔 × 市场方差

比如一只股票的贝塔是 1.3,另一只是 0.8,市场的波动率是 18%(方差 0.0324)。它们的协方差就是 1.3 × 0.8 × 0.0324 ≈ 0.0337。不需要单独去估计这一对股票的协方差,只要知道两个贝塔就够了。

5.2 从十二万个降到一千五百个

现在数一下,用单指数模型描述 500 只股票,需要估计多少个数字:

马科维茨的完整方法 单指数模型
每只股票的期望收益(或阿尔法) 500 500
每只股票的方差(或贝塔) 500 500
协方差(或残差方差) 124,750 500
市场本身的期望收益和方差 — 2
合计 125,750 1,502

需要估计的数字减少到原来的大约 1.2%。更重要的是,每个数字都有清楚的含义:贝塔是对市场的敏感度,残差方差是公司自己的风险。一个行业分析师可以专心研究自己负责的几只股票,估计它们的阿尔法和贝塔,而不需要去考虑它们和另外几百只股票之间的关系。

六、组合的贝塔

6.1 按比例平均

单指数模型还带来一个非常好用的性质:一个组合的贝塔,就是组合里各只股票贝塔的加权平均。

比如一个组合 50% 是贝塔 1.4 的股票,30% 是贝塔 1.0 的股票,20% 是贝塔 0.5 的股票:

组合贝塔 = 0.5 × 1.4 + 0.3 × 1.0 + 0.2 × 0.5 = 0.7 + 0.3 + 0.1 = 1.1

这和组合的波动率完全不同。波动率不能简单加权平均,因为要考虑股票之间的相互抵消;贝塔可以,因为贝塔衡量的是对同一个东西(市场)的敏感度,敏感度可以直接按比例相加。

6.2 分散以后只剩贝塔

再看组合的残差。每只股票的残差互不相关,就像第十讲的那些独立硬币,分散以后会快速变小。

假设一个组合等权重持有 20 只股票,每只的残差标准差都是 20%(残差方差 0.04):

  1. 每只股票在组合里占 1/20,它的残差对组合方差的贡献是 (1/20)² × 0.04 = 0.0001。
  2. 20 只加起来是 20 × 0.0001 = 0.002。
  3. 组合的残差标准差约是 0.002 开平方,约 4.5%。

单只股票 20% 的残差,在 20 只股票的组合里只剩 4.5%;持有 100 只,会降到 2%。持有的股票越多,组合的风险就越接近只剩"组合贝塔 × 市场"这一部分。

这就是第十讲那张"降到一个底就降不动了"的曲线在单指数模型里的样子:那个底,就是组合贝塔对应的系统性风险。

七、贝塔的大致样子

不同类型的公司,贝塔通常会落在不同的范围:

  • 公用事业、必需消费品(电力公司、食品公司):人们不管经济好坏都要用电、要吃饭,这些公司的利润对经济周期不敏感,贝塔通常小于 1。
  • 科技、可选消费、金融:经济好的时候大家多买手机、多出去旅游、多贷款,经济差的时候先砍这些开支,这些公司的利润对经济周期很敏感,贝塔通常大于 1。
  • 整个市场:按定义,市场自己的贝塔是 1。所有股票按市值加权的平均贝塔,也是 1。

公司借钱越多,股票的贝塔通常越高。这和第一讲咖啡馆的例子是同一个道理:固定的那一块切得越大,股东分到的那一块晃得越厉害。

八、估出来的数字能信多少

8.1 阿尔法几乎估不准

⚠️ 这一节是这一讲最需要记住的地方:从历史数据里估出来的阿尔法,误差通常大到几乎没法用。

回到那只股票。它的阿尔法估计是 1.0%,残差标准差是 19.5%,数据只有 8 年。阿尔法这个估计的误差,大约是残差标准差除以年数的平方根:

  1. 8 的平方根约是 2.83。
  2. 19.5% ÷ 2.83 ≈ 6.9%。

也就是说,这个 1.0% 的阿尔法估计,误差大约是正负 6.9 个百分点。真实的阿尔法可能是 −12%,也可能是 +15%,而估出来的 1.0% 几乎不能告诉你任何东西。

要把误差缩小到正负 1 个百分点,需要的年数是 (19.5 ÷ 1)² ≈ 380 年。没有任何一只股票有这么长的历史,就算有,公司在几百年里也早就变得面目全非了。

这和第七讲的结论是一回事:平均收益是最难估计的东西。 阿尔法本质上就是一个平均值。

8.2 贝塔相对好估一些,但会变

贝塔的估计要可靠得多。原因是贝塔衡量的是"一起动"的程度,每一年的数据都在提供关于它的信息;而阿尔法是"平均多赚了多少",需要很长的时间才能从噪声里分辨出来。实际中人们用月度甚至周度数据估计贝塔,数据点更多,估计也更稳定。

但贝塔也有两个问题。

一,贝塔会变。 公司会改变业务、改变借钱的多少,它对市场的敏感度也就跟着变。用过去五年的数据估出来的贝塔,未来五年未必还是这个数。

二,极端的估计值往往会向 1 回归。 研究发现,历史上估出来贝塔很高的股票,下一个时期的贝塔通常会低一些;估出来很低的,下一期通常会高一些。原因之一是极端的估计值里往往含有更多的估计误差,原因之二是公司本身也会趋于平常。所以一些金融数据服务商会提供调整后的贝塔:把估出来的贝塔和 1 按大约 2 比 1 的比例加权平均。上面那只股票:0.67 × 1.29 + 0.33 × 1 ≈ 1.19。

九、这个模型漏掉了什么

单指数模型的简化是有代价的:它假设股票之间的关系只来自市场。

回到统考:如果两个学生是同桌,考前一起熬了夜,他们这次都考砸了,原因不是卷子难,而是他们之间有一个"同桌"的共同因素。单指数模型看不到这一点,它会把两人的考砸都算成各自的残差,以为互不相干。

股票也一样。同一个行业的公司,除了都受市场影响之外,还会受到行业自己的共同因素影响:油价暴跌会同时打击所有石油公司,芯片短缺会同时影响所有汽车公司。这些行业因素在单指数模型里被当成了"各自的残差",实际上它们是相关的。所以按单指数模型算出来的组合风险,可能会低估集中持有某个行业的组合的真实风险。

后面讲因子模型时会看到,解决办法是多加几张"卷子":除了市场,再加上行业、规模、价值等因素。

十、几个容易混淆的地方

“贝塔高的股票风险大,所以贝塔就是风险。” 贝塔衡量的只是系统性风险,也就是对市场的敏感度。一只股票的总风险还包括残差。贝塔为 0.5 的股票,残差可能很大,总风险并不小。

“阿尔法为正的股票就是好股票。” 估出来的阿尔法误差非常大,正的估计值很可能只是运气。

“组合的贝塔和组合的波动率一样,不能简单加权平均。” 恰恰相反:贝塔可以按比例加权平均,波动率不行。

“R² 低说明模型没用。” 对单只股票来说,R² 低是常态,说明它有大量自己的风险。这部分风险可以通过分散消除,所以对分散化的投资者来说影响不大。

“单指数模型完全准确地描述了股票之间的关系。” 它是一个简化,漏掉了行业等共同因素。

十一、小结

回到开头的难题:500 只股票需要估计 12 万多个协方差。

  • 单指数模型把每只股票的超额收益拆成三部分:阿尔法 + 贝塔 × 市场的超额收益 + 残差。就像统考成绩取决于卷子难易和自己的发挥。
  • 贝塔是对市场的敏感度,可以用"股票和市场的协方差 ÷ 市场的方差"从历史数据中估计。R² 衡量市场能解释多少波动。
  • 总方差 = 贝塔² × 市场方差 + 残差方差。前者是系统性风险,后者是非系统性风险。
  • 两只股票的协方差 = 贝塔 × 贝塔 × 市场方差。描述 500 只股票只需要约 1,500 个数字,而不是约 125,750 个。
  • 组合的贝塔是各只股票贝塔的加权平均;组合的残差会随着分散迅速变小。
  • 阿尔法几乎估不准,八年的数据误差可能有正负七个百分点。贝塔相对好估,但会变,极端值倾向于向 1 回归。
  • 模型漏掉了行业等共同因素,可能低估集中在某个行业的组合的风险。

思考题

  1. 一只股票的贝塔是 0.8,残差标准差是 25%,市场的波动率是 18%。这只股票的总波动率是多少?R² 是多少?
  2. 两只股票的贝塔分别是 1.5 和 0.6,残差标准差分别是 30% 和 20%,市场的波动率是 16%。它们的协方差和相关系数是多少?
  3. 一个组合持有四只股票,比例和贝塔分别是:40%、1.2;30%、0.9;20%、1.5;10%、0.3。组合的贝塔是多少?如果明年市场的超额收益是 −20%,按单指数模型,这个组合平均会怎样?
  4. 第四节那只股票,如果数据从 8 年增加到 32 年,残差标准差仍是 19.5%,阿尔法估计的误差大约是多少?
  5. 你的朋友说:“我找到一只股票,过去 5 年的阿尔法是 8%,说明它每年稳定跑赢市场 8 个百分点。“它的残差标准差是 25%。你会怎么回应他?

思考题提示

  1. 系统性方差 0.8² × 0.0324 ≈ 0.0207,残差方差 0.0625,总方差约 0.0832,总波动率约 28.9%。R² 约 0.0207 ÷ 0.0832 ≈ 25%。
  2. 协方差 1.5 × 0.6 × 0.0256 = 0.02304。两只股票的总方差:第一只 1.5² × 0.0256 + 0.09 = 0.0576 + 0.09 = 0.1476,标准差约 38.4%;第二只 0.6² × 0.0256 + 0.04 ≈ 0.0092 + 0.04 = 0.0492,标准差约 22.2%。相关系数约 0.02304 ÷ (0.384 × 0.222) ≈ 0.27。
  3. 组合贝塔 = 0.4 × 1.2 + 0.3 × 0.9 + 0.2 × 1.5 + 0.1 × 0.3 = 0.48 + 0.27 + 0.30 + 0.03 = 1.08。市场超额收益 −20% 时,组合平均约 1.08 × (−20%) ≈ −21.6%,再加上组合的阿尔法和残差。
  4. 32 的平方根约是 5.66,误差约 19.5% ÷ 5.66 ≈ 3.4%。数据变成 4 倍,误差只降到一半。
  5. 误差约 25% ÷ √5 ≈ 25% ÷ 2.24 ≈ 11.2%。8% 的阿尔法估计,真实值可能在大约 −14% 到 +30% 之间(正负两个误差),完全不能说明它"稳定"跑赢市场。而且"过去 5 年阿尔法是 8%“是一个平均值,不代表每年都多赚 8%,残差 25% 意味着每年的表现会大起大落。