风险管理是投资体系中最后一道防线,其重要性甚至超过选股和择时。巴菲特投资三原则中前两条都是"不要亏钱",第三条是"记住前两条"。
风险管理不是限制收益,而是确保你活得够久,等到复利发挥作用的那一天。
假设你有本金100万元,各年度的收益率如下,观察最终净值的差异:
| 情景 | 第1年 | 第2年 | 第3年 | 第4年 | 第5年 | 最终净值 | 算数平均 | 几何平均 |
|---|---|---|---|---|---|---|---|---|
| 稳定增长型 | +15% | +15% | +15% | +15% | +15% | 201万 | 15% | 15% |
| 波动型A | +30% | -10% | +30% | -10% | +30% | 183万 | 14% | 12.9% |
| 波动型B | +50% | -30% | +50% | -30% | +50% | 193万 | 18% | 14.1% |
| 先大亏型 | +5% | +5% | -50% | +50% | +50% | 124万 | 12% | 4.4% |
关键结论:
回本所需收益率公式:
| 亏损幅度 | 回本所需收益率 |
|---|---|
| -10% | 11.1% |
| -20% | 25% |
| -30% | 42.9% |
| -40% | 66.7% |
| -50% | 100% |
| -60% | 150% |
| -70% | 233% |
| -80% | 400% |
| -90% | 900% |
这是复利世界最残酷的真相:亏得越少,复利越强。
投资收益的长期增长取决于几何平均收益率,而非算术平均:
为什么几何平均总是小于算数平均? 考虑方差的影响:
其中 是组合收益率的标准差。这就是说,波动率本身就在侵蚀收益。
具体数值示例:两只基金算数平均收益都是12%/年
| 基金 | 算数平均 | 标准差 | 波动率惩罚 | 几何平均(近似) |
|---|---|---|---|---|
| A | 12% | 5% | -0.125% | 11.87% |
| B | 12% | 25% | -3.125% | 8.87% |
每年3%的差距,20年复利下来:
基金B因为波动率大,最终财富少了近40%。
定义:因整体市场价格波动导致的损失风险,是最普遍且最受关注的风险类型。
| 因素 | 影响机制 | 案例 |
|---|---|---|
| 宏观经济 | GDP增速、通胀率、就业数据影响企业盈利预期 | 2022年美联储加息导致全球股市下跌20-30% |
| 利率变动 | 无风险利率变化影响所有资产的折现率 | 利率每升1%,债券价格约跌8-10% |
| 地缘政治 | 战争、制裁等影响供应链和风险偏好 | 2022年俄乌冲突导致欧洲股市一度下跌15% |
| 政策风险 | 税收、监管、贸易政策变化 | 2021年中国教培"双减"导致全行业市值蒸发90%+ |
| 市场情绪 | 恐慌和贪婪驱动短期非理性波动 | 2020年3月COVID恐慌,美股两周跌35% |
贝塔系数(Beta):衡量个股相对于市场整体的波动性
计算示例:取沪深300(市场)和某消费股5个月的月度收益率数据
| 月份 | 市场月收益 | 个股月收益 | 乘积 | ||
|---|---|---|---|---|---|
| 1月 | +3% | +4% | +2% | +3% | 0.0006 |
| 2月 | -2% | -1% | -3% | -2% | 0.0006 |
| 3月 | +5% | +7% | +4% | +6% | 0.0024 |
| 4月 | -4% | -6% | -5% | -7% | 0.0035 |
| 5月 | +1% | +2% | 0% | +1% | 0 |
这意味着市场每涨1%,该股平均涨1.31%;市场跌1%,该股平均跌1.31%。高Beta意味着高波动、高弹性。
不同行业的典型Beta值:
| 行业 | 典型Beta | 含义 |
|---|---|---|
| 科技(成长型) | 1.2-1.6 | 牛市弹性大,熊市跌幅深 |
| 消费(必需) | 0.5-0.8 | 防御型,经济周期影响小 |
| 金融 | 1.0-1.3 | 与利率周期紧密相关 |
| 公用事业 | 0.4-0.6 | 最防御型,波动小 |
| 能源 | 0.8-1.2 | 与大宗商品价格联动 |
定义:交易对手未能履行合约义务的风险,主要体现在债券投资和场外衍生品交易中。
| 标普(S&P) | 穆迪(Moody's) | 含义 | 10年累计违约率 | 典型投资者 |
|---|---|---|---|---|
| AAA | Aaa | 最高信用,几乎无风险 | <0.1% | 养老基金、保险 |
| AA | Aa2 | 极强偿债能力 | 0.1-0.5% | 大多数机构 |
| A | A2 | 较强但受经济环境影响 | 0.5-1.0% | 共同基金 |
| BBB | Baa2 | 中等,有足够偿债能力 | 1.0-3.0% | 养老金可投 |
| BB | Ba2 | 投机级,有不确定性 | 3.0-10% | 高收益基金 |
| B | B2 | 高度投机 | 10-20% | 秃鹫基金 |
| CCC及以下 | Caa及以下 | 极度投机,接近违约 | 20-50%+ | 专业机构 |
信用债收益率与同期限国债收益率之差:
真实市场数据(美国投资级债券2023年):
信用利差作为市场恐慌指标:当高收益债利差飙升至800bp以上,通常预示经济衰退。
2008年金融危机案例:
Merton模型将公司股权视为看涨期权:
其中:
违约概率
简化示例:一家公司资产价值1亿,债务8000万,资产波动率20%,1年后到期
此公司有约12%的概率无法偿还到期债务。
定义:无法在合理价格和时间范围内完成交易的风险。
| 类型 | 描述 | 典型场景 |
|---|---|---|
| 资产流动性 | 持有资产卖不掉或需大幅折价出售 | 小盘股、非上市股权、某些结构产品 |
| 融资流动性 | 无法获得资金维持头寸 | 杠杆交易被强制平仓 |
买卖价差(Bid-Ask Spread):
各类资产的流动性差异:
| 资产 | 典型买卖价差 | 流动性级别 | 最大交易量(不影响价格) |
|---|---|---|---|
| 大型蓝筹股(苹果/腾讯) | 0.01-0.05% | 极高 | 千万级 |
| 中型股 | 0.1-0.5% | 中等 | 百万级 |
| 小盘股 | 0.5-2% | 较低 | 十万级 |
| 国债 | 0.01-0.03% | 极高 | 亿级 |
| 企业债 | 0.1-1% | 中低 | 百万级 |
| 房地产 | 5-10% | 很低 | 视具体情况 |
| 小众收藏品 | 10-50%+ | 极低 | 万级 |
Amihud非流动性比率:衡量每单位成交量对价格的冲击:
其中 为日收益率, 为日交易额。ILLIQ越大,流动性越差。
2020年3月美元流动性危机:
LTCM(1998年):
根据巴塞尔新资本协议,操作风险定义为"由于不完善或有问题的内部程序、人员、系统或外部事件造成损失的风险"。
| 类型 | 子类 | 示例 | 影响 |
|---|---|---|---|
| 人员风险 | 失误、欺诈、违规 | 交易员输入错误数量(胖手指) | 直接亏损、监管罚单 |
| 流程风险 | 流程设计缺陷、执行不力 | 清算延迟导致逾期费 | 效率损失、客户流失 |
| 系统风险 | 硬件故障、软件漏洞、网络安全 | 交易系统宕机错过交易时机 | 业务中断、声誉损失 |
1. 巴林银行事件(1995年)
2. 摩根大通"伦敦鲸"(2012年)
3. 瑞信Archegos暴仓(2021年)
定义:一个事件或一系列事件导致整个金融系统或市场瘫痪的风险。
| 特征 | 描述 |
|---|---|
| 不可分散 | 所有资产价格同步下跌,相关性趋近于1 |
| 传染性 | 一个问题通过金融机构间的网络快速扩散 |
| 尾部风险 | 概率极低(比如0.1%),但后果极其严重 |
| 自我实现 | 预期恐慌 → 抛售 → 价格下跌 → 更多抛售 |
各次危机中各资产的表现:
| 资产 | 2000年互联网泡沫 | 2008年金融危机 | 2020年COVID | 2022年通胀+加息 |
|---|---|---|---|---|
| 美股(S&P 500) | -45% | -38% | -24% | -18% |
| 美国国债 | +15% | +20% | +8% | -12% |
| 黄金 | -7% | +5% | +15% | -2% |
| 大宗商品 | -15% | -30% | -25% | +25% |
| 现金 | +2% | +1% | +0.5% | +3% |
2022年是罕见的"股债齐跌"(60/40组合失效),因为驱动因素不再是风险偏好,而是利率本身。
完整计算示例:某基金连续12个月收益率
| 月份 | 收益 | ||
|---|---|---|---|
| 1月 | +3.2% | +1.1% | 0.000121 |
| 2月 | -1.5% | -3.6% | 0.001296 |
| 3月 | +4.7% | +2.6% | 0.000676 |
| 4月 | -2.3% | -4.4% | 0.001936 |
| 5月 | +1.8% | -0.3% | 0.000009 |
| 6月 | +2.5% | +0.4% | 0.000016 |
| 7月 | -3.1% | -5.2% | 0.002704 |
| 8月 | +5.2% | +3.1% | 0.000961 |
| 9月 | -0.8% | -2.9% | 0.000841 |
| 10月 | +1.1% | -1.0% | 0.000100 |
| 11月 | +3.8% | +1.7% | 0.000289 |
| 12月 | -1.9% | -4.0% | 0.001600 |
年化波动率(假设无自相关):
波动率解读:该基金月收益有约68%的概率落在 之间(即-1%到+5.2%)。
VaR回答的问题:在给定概率下,投资组合在未来特定时间段内的最大可能损失是多少?
三种计算方法详解:
假设收益率服从正态分布:
举例:某对冲基金组合价值5000万,年波动率18%,年化收益率8%
| VaR | 时间 | 计算 | 结果(万元) |
|---|---|---|---|
| 95% | 1天 | 约-88 | |
| 99% | 1天 | 约-129 | |
| 95% | 10天 | 约-278 | |
| 99% | 10天 | 约-408 |
含义:我们有95%的把握,明天最大亏损不超过88万。
不使用正态假设,直接用过去N天的实际收益率排序。
步骤:
优点:无需分布假设,能捕捉肥尾效应
缺点:假设过去能代表未来
步骤:
# 伪代码:蒙特卡洛VaR模拟
import numpy as np
def monte_carlo_var(portfolio_value, mean_returns, cov_matrix,
n_simulations=100000, confidence=0.95):
n_assets = len(mean_returns)
cholesky = np.linalg.cholesky(cov_matrix)
random_normals = np.random.standard_normal((n_simulations, n_assets))
simulated_returns = mean_returns + random_normals @ cholesky.T
portfolio_returns = simulated_returns.sum(axis=1)
portfolio_pnl = portfolio_value * portfolio_returns
var = np.percentile(portfolio_pnl, (1 - confidence) * 100)
return -var
MDD衡量从历史高点跌到后续低点的最大幅度。
某基金的净值序列:
| 交易日 | 净值 | 历史最高 | 从最高点回撤 |
|---|---|---|---|
| 1 | 100 | 100 | 0% |
| 20 | 105 | 105 | 0% |
| 40 | 112 | 112 | 0% |
| 60 | 118 | 118 | 0% ← 新高 |
| 80 | 110 | 118 | -6.8% |
| 100 | 105 | 118 | -11.0% |
| 120 | 94 | 118 | -20.3% ← 最大回撤 |
| 140 | 102 | 118 | -13.6% |
| 160 | 115 | 118 | -2.5% |
| 180 | 125 | 125 | 0% ← 新高,回撤结束 |
回撤期:从第60天的118跌到第120天的94,持续60天
恢复期:从94涨回到118,需要25.5%的涨幅
不同投资风格的典型最大回撤:
| 策略类型 | 典型最大回撤 | 恢复时间 |
|---|---|---|
| 保守型(债券为主) | 5-10% | 3-12个月 |
| 平衡型(股债60/40) | 15-25% | 1-3年 |
| 成长型(股票为主) | 30-50% | 2-5年 |
| 激进型(杠杆/专注) | 50-80% | 3-10年+ |
定义:尾部损失的均值——损失超过VaR阈值的平均损失。
计算示例:
假设某策略的95% VaR是100万(即最差的5%情景中损失至少100万)。
观察尾部5%的具体损失分布(100个情景中,最差的5个):
| 排序 | 损失(万元) | 备注 |
|---|---|---|
| 5th worst | 102 | 即为VaR₉₅% |
| 4th worst | 115 | |
| 3rd worst | 130 | |
| 2nd worst | 180 | |
| 最差 | 250 |
解读:如果最坏的5%情景发生,平均损失是155.4万,比VaR指示的102万高出53%。
VaR vs CVaR比较:
| 指标 | VaR 95% | CVaR 95% | 差异 |
|---|---|---|---|
| 风险(万元) | 102 | 155.4 | +52% |
| 解读 | 最大可能损失 | 尾部平均损失 | 更保守 |
为什么CVaR更优:
在险价值假设正态分布,但金融市场的真实分布并非正态。
偏度(Skewness):衡量分布不对称性
峰度(Kurtosis):衡量尾部的厚度(肥尾程度)
各分布的对比:
| 分布 | 偏度 | 峰度 | 特征 |
|---|---|---|---|
| 正态分布 | 0 | 3 | 基准 |
| 股票日收益 | ~ -0.5 | ~ 8-15 | 左偏、肥尾(暴跌多于暴涨) |
| 期权策略收益 | ~ +0.3 | ~ 4-6 | 右偏、肥尾 |
| 债券收益 | ~ +0.1 | ~ 5-8 | 略右偏 |
真实数据(S&P 500指数1928-2023年日收益率):
这就是为什么VaR仅用正态分布会严重低估风险。
每承担一单位总风险所获得的超额收益。
常见误区:夏普比率为2的基金并不比夏普1的基金"好两倍",因为:
全球主要资产类别的历史夏普比率(1990-2023年):
| 资产 | 年化收益 | 年化波动 | 夏普比(Rf=3%) |
|---|---|---|---|
| 美国大盘股 | 10.2% | 15.3% | 0.47 |
| 美国小盘股 | 11.5% | 20.1% | 0.42 |
| 美国长期国债 | 7.8% | 12.5% | 0.38 |
| 房地产(REITs) | 9.5% | 18.0% | 0.36 |
| 黄金 | 5.2% | 14.8% | 0.15 |
| 全球股票(除美国) | 7.5% | 17.2% | 0.26 |
一只优秀的策略通常夏普比 > 1。
只考虑下行波动率,忽略上行波动("好的波动"不应记为风险)。
其中 为最小可接受收益(通常设为0或无风险利率)。
夏普 vs 索提诺对比:
| 策略 | 年化收益 | 标准差 | 下行标准差 | 夏普比 | 索提诺比 |
|---|---|---|---|---|---|
| A(对称波动) | 15% | 20% | 14% | 0.60 | 0.86 |
| B(右偏/有保护) | 15% | 20% | 8% | 0.60 | 1.50 |
两个策略夏普比相同,但策略B的索提诺比高得多——因为它下跌更少、上涨更多。
经典对比:
| 管理期货(CTA) | 股票多头 | 股票多空 |
|---|---|---|
| 年化收益 12% | 年化收益 15% | 年化收益 18% |
| 最大回撤 8% | 最大回撤 50% | 最大回撤 15% |
| 卡玛比 1.13 | 卡玛比 0.24 | 卡玛比 1.0 |
CTA策略虽然收益不是最高,但卡玛比最高,意味着每单位回撤的回报最优。
衡量主动管理能力——承担主动风险(跟踪误差)所获得的超额收益。
其中 为基准收益率, 为跟踪误差。
信息比率的解读:
| IR | 基金经理评级 | 说明 |
|---|---|---|
| > 1.0 | 顶尖(前5%) | 超额收益显著,且持续 |
| 0.5 - 1.0 | 优秀(前20%) | 有一定主动管理能力 |
| 0.2 - 0.5 | 一般 | 基准差异不大 |
| < 0.2 | 不佳 | 不如买指数 |
彼得·林奇(富达麦哲伦基金,1977-1990年):
凯利公式回答了华尔街最基本的问题:应该下注多少?
其中:
假设你的交易系统历史统计如下:
最优仓位 ≈ 33.3%
| 胜率 | 赔率1:1 | 赔率2:1 | 赔率3:1 | 赔率5:1 |
|---|---|---|---|---|
| 40% | -20%(不参与) | -10%(不参与) | -6.7%(不参与) | 0% |
| 45% | -10%(不参与) | 2.5% | 6.7% | 10% |
| 50% | 0%(不参与) | 12.5% | 16.7% | 20% |
| 55% | 10% | 20% | 23.3% | 26% |
| 60% | 20% | 27.5% | 30% | 32% |
| 65% | 30% | 35% | 36.7% | 38% |
| 70% | 40% | 42.5% | 43.3% | 44% |
关键洞察:当胜率 < 50%且赔率 = 1时,凯利公式建议不参与()。如果你不知道自己的胜率,凯利公式会惩罚你。
| 比例 | 定义 | 波动性 | 回撤风险 | 适用 |
|---|---|---|---|---|
| 全凯利 | 极高 | 30-40% | 只有对固定赔率游戏 | |
| 半凯利 | 中等 | 15-20% | 经验丰富的交易者 | |
| 四分之一凯利 | 较低 | 8-10% | 大多数投资者 |
建议:对于期货/外汇交易,使用半凯利或更低。对于股票(不确定性更高),使用四分之一凯利。
每笔交易投入总资金的固定比例。
为什么2%是很多职业交易员的共识?
10次连续亏损的情景模拟(起始资金100万):
| 亏损次数 | 剩余 | 剩余 | 剩余 | 剩余 |
|---|---|---|---|---|
| 0 | 100万 | 100万 | 100万 | 100万 |
| 3 | 97万 | 94万 | 86万 | 73万 |
| 5 | 95万 | 90万 | 77万 | 59万 |
| 10 | 90万 | 82万 | 60万 | 35万 |
最大回撤:
| 风险等级 | 单笔风险 | 年化目标 | 适合人群 |
|---|---|---|---|
| 保守 | 0.5-1% | 8-12% | 养老金、大资金 |
| 稳健 | 1-2% | 12-20% | 大多数投资者 |
| 积极 | 2-3% | 20-30% | 专业交易员 |
| 激进 | 3-5% | 30%+ | 短线交易者 |
使用Average True Range动态调整仓位,使每笔交易的风险敞口保持稳定。
计算过程:
其中 分别为当日最高、最低、收盘价, 为计算周期(通常14或20)。
仓位计算:
完整示例:
资金100万,每笔风险2%,使用20日ATR,乘数2(即止损距离为2倍ATR):
| 股票 | 价格 | ATR(20) | 止损距离 | 目标仓位(股) | 占用金额 |
|---|---|---|---|---|---|
| 股票A(高波动) | 50元 | 3元 | 元 | 股 | 16.7万 |
| 股票B(低波动) | 50元 | 1元 | 元 | 股 | 50万 |
高波动股票自动降低仓位,低波动股票增加仓位——风险中性处理。
1952年,哈里·马科维茨创立了现代投资组合理论(MPT),其核心思想是:
其中 为资产权重向量, 为协方差矩阵, 为预期收益向量。
资产A(股票):
资产B(债券):
相关性:
组合方差:
不同权重下的风险-收益:
| (股票) | (债券) | 预期收益 | 组合波动 | 夏普比 |
|---|---|---|---|---|
| 0% | 100% | 4.0% | 6.0% | 0.17 |
| 20% | 80% | 5.2% | 5.8% | 0.38 |
| 30% | 70% | 5.8% | 7.1% | 0.39 |
| 40% | 60% | 6.4% | 8.5% | 0.40 |
| 50% | 50% | 7.0% | 10.5% | 0.38 |
| 60% | 40% | 7.6% | 12.5% | 0.37 |
| 80% | 20% | 8.8% | 16.3% | 0.36 |
| 100% | 0% | 10.0% | 20.0% | 0.35 |
最小方差组合在股票约20-30%附近。
传统60/40组合中,股票贡献了绝大多数的风险。
计算股票风险贡献:对于两资产组合,资产 的边际风险贡献为:
传统组合的风险分解(股票60%,债券40%,):
| 资产 | 权重 | 波动率 | 风险贡献比例 |
|---|---|---|---|
| 股票 | 60% | 18% | 87% |
| 债券 | 40% | 6% | 13% |
风险平价方案:解方程使
| 资产 | 权重 | 波动率 | 风险贡献比例 |
|---|---|---|---|
| 股票 | 30% | 18% | 50% |
| 债券 | 70% | 6% | 50% |
此时组合波动率约 ,比传统60/40略低但风险分配更均衡。
最简单的止损方法,以买入价为基准设置固定百分比。
不同止损百分比的回测比较(假设胜率50%,平均盈利=平均亏损):
| 止损% | 平均交易次数/年 | 夏普比 | 胜率变化 | 适用场景 |
|---|---|---|---|---|
| 1% | 150 | 0.4 | 45% | 超短线、T+0 |
| 2% | 80 | 0.6 | 47% | 日内交易 |
| 5% | 40 | 0.8 | 50% | 波段交易 |
| 8% | 25 | 0.5 | 52% | 中长线 |
| 15% | 12 | 0.3 | 55% | 趋势跟踪 |
过窄的止损容易被噪声触发,过宽的止失去风险控制意义。
基于技术分析设定止损位:
移动均线止损:
趋势线止损:
布林带止损:
使用ATR动态设定止损位置:
乘数 的选择指南:
| 交易周期 | k值 | 预期触发频率 |
|---|---|---|
| 短线(1-5天) | 3.0 | 每10-15次交易触发1次 |
| 中线(1-4周) | 2.0 | 每5-8次触发1次 |
| 长线(1-3月) | 1.5 | 每3-5次触发1次 |
借鉴飞行员和外科医生的检查清单理念,降低人为失误概率。
每日开盘前检查:
每笔交易之前:
每周/每月检查:
一个简单但有效的风险管理框架:
| 维度 | 限制 | 解释 |
|---|---|---|
| 单笔风险 | ≤ 总资金的3% | 任何一单的损失不超过总资金的3% |
| 总敞口 | ≤ 总资金的30% | 任何时候总风险不超过30% |
| 最大回撤 | ≤ 账户的30% | 一旦达到30%回撤,暂停交易 |
回撤后减仓规则:
| 当前回撤程度 | 操作 | 风险调整 |
|---|---|---|
| 0-10% | 正常交易 | 单笔风险2-3% |
| 10-15% | 小幅减仓 | 单笔风险降至1-2% |
| 15-20% | 大幅减仓 | 单笔风险降至0.5-1% |
| 20-30% | 仅保留债券/现金 | 暂停新开仓 |
| >30% | 全部平仓 | 回顾分析策略 |
| 偏误 | 描述 | 量化影响 | 应对方法 |
|---|---|---|---|
| 损失厌恶 | 对亏损的痛苦 ≈ 同等盈利快乐的2.25倍 | 过早止盈、过晚止损 | 设置硬性止损且自动化执行 |
| 确认偏误 | 寻找支持已有观点的信息 | 忽视危险信号,平均每次多亏损5-10% | 强制做"反向论证" |
| 处置效应 | 倾向卖出盈利股/持有亏损股 | 年化收益降低2-5% | 盈利时不急于了结,亏损时不侥幸 |
| 过度自信 | 高估预测准确率和能力 | 仓位过大,波动率增加20-50% | 交易记录中记录预测,季度统计准确率 |
| 近因效应 | 过度关注近期走势 | 追涨杀跌,错过真正机会 | 用长期均线而非短期K线做决策 |
| 锚定效应 | 过度关注某个参考点(买入价) | 影响止损决策 | 关注当前价值而非买入成本 |
| 羊群效应 | 跟随大众行为 | 在市场顶部加仓、底部卖出 | 记录独立决策过程 |
丹尼尔·卡尼曼和阿莫斯·特沃斯基的经典实验:
实验:受试者可以选择:
结果:多数人选择A(确定的收益)。
另一种情景:
结果:多数人选择B(赌一把)。
结论:人们在盈利时风险规避,在亏损时风险偏好——亏损让人变成赌徒。这正好解释了为什么投资者在小赚时急于卖出,在大亏时死扛到底。
风险管理不是一套复杂的数学公式,而是一套纪律和习惯。
华尔街有一句流传多年的谚语:
"牛市赚钱,熊市赚钱,但猪会被宰杀。"
(Bulls make money, bears make money, but pigs get slaughtered.)
猪——那些贪婪、无知、无视风险的人——最终会付出代价。风险管理就是把我们从"猪"变成"牛"或"熊"的第一步。
对冲是指通过持有相反方向的头寸来降低风险敞口的方法。以下是几种常用的对冲策略:
对于持有大量股票但担心短期下跌的投资者,可以卖出股指期货进行对冲。
操作示例:
对冲效果:
| 情景 | 指数变化 | 股票组合损益 | 期货损益 | 净损益 |
|---|---|---|---|---|
| 市场上涨 | +10% | +100万 | -99.75万 | +0.25万 |
| 市场下跌 | -10% | -100万 | +99.75万 | -0.25万 |
| 市场横盘 | 0% | 0 | 0 | 0 |
关键点:对冲后组合几乎不受市场方向影响,但需付出期货贴水/升水的成本。这种策略适合在重大风险事件前(如美联储议息、大选)临时使用。
期权提供非对称的对冲效果——下跌时有保护,上涨时保留大部分收益。
保护性看跌期权(Protective Put):
其中 为到期股价, 为行权价, 为期权费。
真实成本示例:
假设持有腾讯控股(0700.HK),当前股价400港元:
| 策略 | 保护水平 | 期权费(年化) | 对冲成本 |
|---|---|---|---|
| 轻度价外看跌 | 390港元(保护2.5%) | 约5港元 | 持仓的1.25% |
| 平价看跌 | 400港元(保护100%) | 约12港元 | 持仓的3% |
| 价内看跌 | 410港元(保护102.5%) | 约20港元 | 持仓的5% |
看跌价差对冲(Put Spread):买一个看跌期权的同时卖出一个更低行权价的看跌期权,以降低对冲成本。
利用不同资产之间的负相关性来对冲。
经典对冲组合:
| 对冲对 | 相关性(正常市场) | 对冲比 | 典型配置 |
|---|---|---|---|
| 股票 vs 国债 | -0.2 to -0.4 | 1:0.3(市值) | 60/40组合 |
| 股票 vs 黄金 | -0.1 to -0.2 | 1:0.05-0.1 | 5-10%黄金 |
| 美元 vs 新兴市场 | -0.3 to -0.5 | 1:-0.3 | 做多新兴市场+做空美元 |
| 科技股 vs 价值股 | -0.1 to -0.3 | 1:0.5 | 多科技+多价值 |
具体配置示例:100万股票组合的风险对冲
| 对冲工具 | 配置金额 | 对冲逻辑 | 年化成本 |
|---|---|---|---|
| 国债ETF | 30万 | 利率下行时对冲经济衰退 | 0.1%管理费 |
| 黄金ETF | 10万 | 地缘政治风险对冲 | 0.3%管理费 |
| VIX看涨期权 | 1万 | 恐慌指数飙升时获利 | 期权费(可消耗) |
| 测试类型 | 方法 | 用途 | 优点 | 缺点 |
|---|---|---|---|---|
| 历史情景 | 重演2008/2020等危机 | 评估组合在真实危机中的表现 | 基于真实事件 | 历史不会简单重复 |
| 假设情景 | 设定特定冲击(利率+200bp) | 测试极端但可能的事件 | 可针对弱点设计 | 可能存在未考虑的交互效应 |
| 逆向压力测试 | 先预设损失目标,反推触发条件 | 发现隐藏风险源 | 打破固定思维 | 执行较复杂 |
| 敏感性分析 | 逐个变动变量 | 识别最关键的风险因子 | 直观易懂 | 忽略因子间相关性 |
假设某投资组合含60%股票、30%债券、10%黄金,进行"2008年情景"压力测试:
2008年实际市场数据:
| 资产类别 | 2008年实际收益 | 压力后收益 | 组合权重 | 对组合贡献 |
|---|---|---|---|---|
| 美股(S&P 500) | -38.5% | -38% | 60% | -22.8% |
| 美国10年国债 | +20.1% | +15% | 30% | +4.5% |
| 黄金 | +4.4% | +5% | 10% | +0.5% |
| 合计 | -17.8% |
压力后组合回撤约-18%,在可接受范围内(低于3-3-3法则的30%限制)。
利率敏感度测试:利息上升1%对不同债券的影响
其中 为久期(Duration), 为利率变化。
| 债券类型 | 久期(年) | 利率+1%影响 | 利率-1%影响 |
|---|---|---|---|
| 2年期国债 | 1.9 | -1.9% | +1.9% |
| 5年期国债 | 4.5 | -4.5% | +4.5% |
| 10年期国债 | 8.5 | -8.5% | +8.5% |
| 30年期国债 | 18.5 | -18.5% | +18.5% |
| 企业债(BBB评级,5年) | 4.0 | -4.5%(含利差扩大) | +4.0% |
风险预算是在不同资产类别或策略之间按风险贡献分配,而非按资金比例分配。
总风险预算:年化10%
| 资产 | 风险预算 | 预期波动率 | 所需资金权重 | 说明 |
|---|---|---|---|---|
| 股票 | 50% | 20% | 25% | |
| 债券 | 20% | 6% | 33% | |
| 商品 | 15% | 15% | 10% | |
| 现金/货币 | 15% | 1% | 32% | 剩余部分 |
最终配置:股票25%,债券33%,商品10%,现金32%。
这种方法的优点是不会因为某个资产的波动率而过度集中风险。
| 基金类型 | 年化波动率范围 | 最大回撤范围 | 夏普比(市场正常时) |
|---|---|---|---|
| 货币基金 | 0.1-0.5% | 0% | 2.0-4.0 |
| 纯债基金 | 2-5% | 2-8% | 0.5-1.5 |
| 混合一级债 | 3-8% | 5-15% | 0.4-1.2 |
| 偏股混合 | 15-25% | 20-50% | 0.2-0.6 |
| 纯股票基金 | 20-30% | 30-60% | 0.1-0.5 |
| 行业主题基金 | 25-40% | 40-70% | 0-0.4 |
有效前沿(Efficient Frontier)是马科维茨均值-方差模型的核心概念——在给定风险水平上收益最大的组合集合。
有效前沿的构建示例:
| 组合方案 | 预期收益 | 预期波动率 | 夏普比 | 股票权重 | 债券权重 | 商品权重 |
|---|---|---|---|---|---|---|
| 最低风险 | 5.0% | 5.0% | 0.40 | 10% | 80% | 10% |
| 平衡型 | 7.0% | 9.0% | 0.44 | 40% | 50% | 10% |
| 成长型 | 8.5% | 13.0% | 0.42 | 60% | 30% | 10% |
| 切线组合 | 9.0% | 12.0% | 0.50 | 50% | 35% | 15% |
| 激进型 | 10.0% | 18.0% | 0.39 | 80% | 15% | 5% |
切线组合(Tangency Portfolio)是所有组合中夏普比最高的,也是资本配置线(CAL)与有效前沿的切点。
将无风险资产与切线组合按比例配置:
其中 和 分别为切线组合的收益和波动率。
配置示例(切线组合收益9%,波动12%,无风险利率3%):
| 现金比例 | 切线组合比例 | 预期收益 | 预期波动率 | 夏普比 |
|---|---|---|---|---|
| 100% | 0% | 3.0% | 0% | - |
| 70% | 30% | 4.8% | 3.6% | 0.50 |
| 50% | 50% | 6.0% | 6.0% | 0.50 |
| 30% | 70% | 7.2% | 8.4% | 0.50 |
| 0% | 100% | 9.0% | 12.0% | 0.50 |
| 借贷50% | 150% | 12.0% | 18.0% | 0.50 |
夏普比保持不变,但通过杠杆/减仓调节风险和收益。个人投资者应根据自己的风险承受能力选择资本配置线上的具体位置。
风险管理不是一次性工作,而是一个持续的过程。以下是一份年度风险管理计划模板:
即使是专业的投资者,也常常犯以下风险管理错误:
错误:基于过去最优的回测参数(如最佳止损百分比、最佳夏普比组合)进行投资,但未来不会简单重复历史。
案例:某量化策略在2000-2020年回测中年化收益25%,夏普比1.8。但2022年市场风格切换后,策略年化收益骤降至3%。
解决方案:
错误:静态假设各类资产之间的相关性保持不变。
典型场景:
解决方案:
错误:只看到存活下来的基金/策略,忽略了已消失的。
统计数据:
错误:用短期负债(可随时赎回的资金)去投资长期非流动性资产。
雷曼兄弟(2008年):
解决方案:始终遵守流动性匹配原则——投资期限与资金来源期限相匹配。
当资金有限而交易是独立博弈时,只要单次损失超过剩余资金,就会破产。
数学原理:一个拥有$ \alpha \betanq^nq$为单次失败概率。
示例:胜率60%,单笔下注20%资金
| 连续亏损次数 | 发生概率 | 剩余资金 |
|---|---|---|
| 1 | 40% | 80% |
| 2 | 16% | 64% |
| 3 | 6.4% | 51% |
| 5 | 1.0% | 33% |
| 10 | 0.01% | 11% |
即使胜率60%,仍有约1%的概率5连败,资金剩下33%。
结论:仓位管理最重要的不是最大化预期收益,而是最小化破产概率。
风险管理的本质是在不确定性中生存并获利。以下几点是本文的核心要点:
| 第几天 | 行动 | 预期效果 |
|---|---|---|
| 第1天 | 计算当前组合的夏普比和最大回撤 | 了解自己的风险位置 |
| 第2天 | 设定止损规则并开始执行 | 控制单笔风险 |
| 第3天 | 检查组合中资产的相关性矩阵 | 发现隐藏的集中度风险 |
| 第4天 | 做一次压力测试(2008/2020情景模拟) | 了解组合脆弱性 |
| 第5天 | 制定风险管理书面计划 | 为长期投资打下基础 |
最后的话:华尔街成功交易员的共同特征不是收益最高,而是活得最久。风险管理不是选修课,而是生存必修课。