在金融投资和量化交易中,Alpha(α \alphaα )与 Beta(β \betaβ )是衡量投资收益来源的核心指标。Alpha 代表超越市场基准的超额收益,反映管理人的选股能力 或策略 alpha ;Beta 则衡量资产相对于市场整体的系统性风险暴露 ,是被动承担市场风险所获得的收益部分。理解这两个概念是构建投资组合、评估策略表现和进行风险管理的基石。
资本资产定价模型(Capital Asset Pricing Model, CAPM)由 William Sharpe(1964)和 John Lintner(1965)提出,奠定了现代金融资产定价的理论基础。该模型的核心思想是:资产的预期收益仅与其系统性风险(即市场风险)相关,非系统性风险可以通过分散化消除,因此市场不会为可分散的风险提供额外回报。
CAPM 的数学表达式为:
E ( R i ) = R f + β i ⋅ ( E ( R m ) − R f ) E(R_i) = R_f + \beta_i \cdot (E(R_m) - R_f)
E ( R i ) = R f + β i ⋅ ( E ( R m ) − R f )
其中:
E ( R i ) E(R_i)E ( R i ) — 资产 i ii 的预期收益率
R f R_fR f — 无风险利率(通常使用短期国债收益率)
E ( R m ) E(R_m)E ( R m ) — 市场组合的预期收益率
β i = Cov ( R i , R m ) Var ( R m ) \beta_i = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)}β i = Var ( R m ) Cov ( R i , R m ) — 资产 i ii 的 Beta 系数
E ( R m ) − R f E(R_m) - R_fE ( R m ) − R f — 市场风险溢价
Beta 衡量单个资产相对于市场整体的波动敏感度:
Beta 值
含义
示例
β = 1 \beta = 1β = 1
与市场同步波动
大盘指数 ETF
β > 1 \beta > 1β > 1
波动幅度大于市场(进攻型)
科技股(β ≈ 1.2 − 1.5 \beta \approx 1.2-1.5β ≈ 1.2 − 1.5 )
0 < β < 1 0 < \beta < 10 < β < 1
波动幅度小于市场(防御型)
公用事业股(β ≈ 0.5 − 0.8 \beta \approx 0.5-0.8β ≈ 0.5 − 0.8 )
β = 0 \beta = 0β = 0
与市场不相关
短期国债
β < 0 \beta < 0β < 0
与市场反向波动(对冲工具)
黄金(某些阶段)、反向 ETF
计算示例 :假设某股票与大盘的协方差为 0.024,市场收益率的方差为 0.016,则:
β = 0.024 0.016 = 1.5 \beta = \frac{0.024}{0.016} = 1.5
β = 0.016 0.024 = 1.5
这意味着市场每上涨 1%,该股票预期上涨 1.5%;市场每下跌 1%,该股票预期下跌 1.5%。
尽管 CAPM 在理论上优雅,大量实证研究表明其存在严重局限:
局限
发现
影响
Beta 的解释力不足
Fama-French(1992)发现 Beta 对横截面收益的解释力很弱
CAPM 不能完全解释收益差异
市值效应
小盘股长期跑赢大盘股,Beta 不能解释
需引入规模因子
价值效应
高账面市值比(价值股)跑赢低账面市值比(成长股)
需引入价值因子
低 Beta 异象
低 Beta 股票经风险调整后反而跑赢高 Beta 股票(Black, 1972)
与 CAPM 预测相悖
Michael Jensen(1968)提出了以 CAPM 为基准的风险调整后超额收益度量——Jensen's Alpha:
α i = R i − [ R f + β i ⋅ ( R m − R f ) ] \alpha_i = R_i - [R_f + \beta_i \cdot (R_m - R_f)]
α i = R i − [ R f + β i ⋅ ( R m − R f )]
其中 R i R_iR i 是资产的实际收益率,中括号内是 CAPM 预测的期望收益率。α > 0 \alpha > 0α > 0 表示管理人创造了超过风险承担应有的超额收益;α < 0 \alpha < 0α < 0 则表示表现不如预期。
数值示例 :
市场收益率 R m = 12 % R_m = 12\%R m = 12%
无风险利率 R f = 3 % R_f = 3\%R f = 3%
基金收益率 R i = 18 % R_i = 18\%R i = 18%
基金 Beta β i = 1.2 \beta_i = 1.2β i = 1.2
CAPM 预期收益 = 3 % + 1.2 × ( 12 % − 3 % ) = 13.8 % 3\% + 1.2 \times (12\% - 3\%) = 13.8\%3% + 1.2 × ( 12% − 3% ) = 13.8%
Jensen's Alpha = 18 % − 13.8 % = 4.2 % 18\% - 13.8\% = 4.2\%18% − 13.8% = 4.2%
这意味着该基金经理实现了 4.2% 的年化超额收益,反映了其优秀的选股或择时能力。
现代金融学超越了单因子 CAPM,采用多因子模型来更精确地度量 Alpha:
Fama-French 三因子模型 (1993):
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + α i E(R_i) - R_f = \beta_i \cdot (R_m - R_f) + s_i \cdot \text{SMB} + h_i \cdot \text{HML} + \alpha_i
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + α i
SMB(Small Minus Big):市值因子,小盘股减大盘股
HML(High Minus Low):价值因子,高账面市值比减低账面市值比
Fama-French 五因子模型 (2015):
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + r i ⋅ RMW + c i ⋅ CMA + α i E(R_i) - R_f = \beta_i \cdot (R_m - R_f) + s_i \cdot \text{SMB} + h_i \cdot \text{HML} + r_i \cdot \text{RMW} + c_i \cdot \text{CMA} + \alpha_i
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + r i ⋅ RMW + c i ⋅ CMA + α i
RMW(Robust Minus Weak):盈利因子,高盈利能力减低盈利能力
CMA(Conservative Minus Aggressive):投资因子,低投资减高投资
Carhart 四因子模型 (1997)在三因子基础上加入了动量因子(Momentum, MOM):
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + m i ⋅ MOM + α i E(R_i) - R_f = \beta_i \cdot (R_m - R_f) + s_i \cdot \text{SMB} + h_i \cdot \text{HML} + m_i \cdot \text{MOM} + \alpha_i
E ( R i ) − R f = β i ⋅ ( R m − R f ) + s i ⋅ SMB + h i ⋅ HML + m i ⋅ MOM + α i
因子载荷(β i , s i , h i \beta_i, s_i, h_iβ i , s i , h i 等)反映了策略在各因子上的暴露程度。一个"纯净的 Alpha"应当是在控制了所有已知因子后仍显著为正的截距项。
通过超越市场平均水平的个股选择能力获得。常见来源:
Alpha 来源
描述
信号类型
财报分析
识别被低估或高估的财务指标
基本面
技术模式
价格形态和交易量分析
技术面
情绪指标
利用市场参与者的非理性行为
行为金融
事件驱动
并购、增发、分红等事件前后的定价偏差
事件套利
量化因子
基于统计显著性的因子组合
系统化
通过预测市场整体方向的变动来获取超额收益:
波段交易 :利用市场短期超买/超卖状态进行逆势操作
趋势跟踪 :识别并跟随中期市场趋势
宏观对冲 :基于宏观经济周期进行资产配置调整
波动率择时 :在市场波动率极端时调整仓位
利用资产间的统计关系偏离获取 Alpha:
配对交易 (Pairs Trading):两只历史相关股票价差回归到均值
ETF 套利 :ETF 净值与二级市场价格的价差
跨期套利 :同一品种不同到期月份的价差
跨市场套利 :同一资产在不同市场的价差
配对交易示例 :
假设 Coca-Cola(KO)和 PepsiCo(PEP)的历史价差比为均值 1.05,标准差 0.02。当前价差比达到 1.12(超过 3 倍标准差),则做空 KO、做多 PEP 构成配对交易,预期价差回归到均值附近。
投资组合的整体 Beta 是个股 Beta 的市值加权平均:
β p = ∑ i = 1 n w i ⋅ β i \beta_p = \sum_{i=1}^{n} w_i \cdot \beta_i
β p = i = 1 ∑ n w i ⋅ β i
其中 w i w_iw i 是资产 i ii 在组合中的权重,∑ w i = 1 \sum w_i = 1∑ w i = 1 。
示例 :一个三资产组合:
股票 A(β = 1.5 \beta=1.5β = 1.5 ,权重 40%)
股票 B(β = 0.8 \beta=0.8β = 0.8 ,权重 35%)
股票 C(β = 1.2 \beta=1.2β = 1.2 ,权重 25%)
β p = 0.4 × 1.5 + 0.35 × 0.8 + 0.25 × 1.2 = 0.6 + 0.28 + 0.30 = 1.18 \beta_p = 0.4 \times 1.5 + 0.35 \times 0.8 + 0.25 \times 1.2 = 0.6 + 0.28 + 0.30 = 1.18
β p = 0.4 × 1.5 + 0.35 × 0.8 + 0.25 × 1.2 = 0.6 + 0.28 + 0.30 = 1.18
组合的整体 Beta 为 1.18,意味着市场每涨 1%,组合预期上涨 1.18%。
目标
方法
工具
降低 Beta
增加现金比例、买入低 Beta 股票、配置债券
防御型股票、国债
提高 Beta
加杠杆、买入高 Beta 股票、使用期货
保证金交易、股指期货
Beta 中性
多空对冲、配对交易
股指期货空头、期权
动态 Beta
根据市场环境调整暴露
风险平价、波动率目标策略
实证研究发现 Beta 本身也存在显著的时序模式:
Beta 动量 (Beta Momentum):高 Beta 股票倾向于持续高 Beta,低 Beta 股票持续低 Beta
Beta 反转 (Beta Reversal):在极端市场中(暴涨或暴跌),Beta 存在均值回归现象
这意味着基于历史 Beta 预测未来暴露时需要考虑 Beta 的动态变化,简单使用 60 个月滚动 Beta 可能不够精确,需要贝叶斯收缩或条件 Beta 估计。
α \alphaα 的度量高度依赖于基准选择。同一个策略面对不同的基准,会得到截然不同的 α \alphaα 估计:
基准
策略 Beta
基准收益
预期收益
实际收益
Alpha
沪深 300
1.1
10%
10.7%
15%
4.3%
中证 500
0.85
12%
10.65%
15%
4.35%
全市场指数
1.05
9%
9.3%
15%
5.7%
当管理人选择对自己有利的基准时,可以人为增加 α \alphaα 的读数——这被称为基准择时偏差 (Benchmark Timing Bias)。
一个策略的总收益可以分解为:
R total = R f + β intended ⋅ ( R m − R f ) ⏟ 目标 Beta 收益 + ( β actual − β intended ) ⋅ ( R m − R f ) ⏟ 择时收益/损失 + α ⏟ 选股收益 R_{\text{total}} = R_f + \underbrace{\beta_{\text{intended}} \cdot (R_m - R_f)}_{\text{目标 Beta 收益}} + \underbrace{(\beta_{\text{actual}} - \beta_{\text{intended}}) \cdot (R_m - R_f)}_{\text{择时收益/损失}} + \underbrace{\alpha}_{\text{选股收益}}
R total = R f + 目标 Beta 收益 β intended ⋅ ( R m − R f ) + 择时收益 / 损失 ( β actual − β intended ) ⋅ ( R m − R f ) + 选股收益 α
Brinson 绩效归因模型进一步将超额收益 α \alphaα 分解为:
配置效应 (Allocation Effect):资产类别权重偏离基准产生的收益
选股效应 (Selection Effect):在特定类别内选择个股产生的收益
交互效应 (Interaction Effect):配置与选股的交叉作用
在实际评估中,必须检验 α \alphaα 的统计显著性,而非只看数值大小。常用 t tt 统计量:
t α = α SE ( α ) t_{\alpha} = \frac{\alpha}{\text{SE}(\alpha)}
t α = SE ( α ) α
通常要求 ∣ t α ∣ > 2 |t_{\alpha}| > 2∣ t α ∣ > 2 (即 95% 置信水平)才能认为 α \alphaα 显著非零。
影响 Alpha 显著性的因素 :
因素
影响
应对
样本长度
越长越可靠
至少 3-5 年数据
策略波动率
波动越大越难显著
控制风险后评估
因子暴露
未控制的因子会混入 α \alphaα
使用适当的多因子模型
数据挖掘偏差
多重测试会夸大 α \alphaα
独立样本验证、Bonferroni 校正
量化 Alpha 具有显著的衰减特性。随着市场参与者增多和套利机制完善,Alpha 的来源会逐渐消失:
被发现 :学术论文或研究报告公开 Alpha 因子
被复制 :更多的基金采用相同策略
被套利 :资金涌入导致机会减少
消失或反转 :Alpha 衰减至统计学不显著
经典案例——市值效应 :Banz(1981)发现小盘股显著跑赢大盘股(月均超额约 0.4%)。然而在 1980 年代后,这一效应大幅减弱,部分市场中甚至出现反转。Hwang 等(2020)发现经数据修正后,美国市场的市值效应几乎完全消失。
对于公开的因子,衰减速度可以用以下模型估算:
α t = α 0 ⋅ e − λ t \alpha_t = \alpha_0 \cdot e^{-\lambda t}
α t = α 0 ⋅ e − λ t
其中 λ \lambdaλ 是衰减率,t tt 是因子公开后的时间(年)。
因子
发现年份
初始年化 α \alphaα
当前年化 α \alphaα
衰减半衰期
市值
1981
~5%
~0-1%
~10 年
价值
1992
~6%
~2-3%
~8 年
动量
1993
~8%
~4-5%
~6 年
低波动
1972
~5%
~2-3%
~12 年
深度 Alpha (Deep Alpha):使用独特、非主流的数据源(另类数据)
高频 Alpha :利用市场微观结构中的短暂定价偏差
非线性 Alpha :捕捉因子间的交互效应和阈值效应
跨资产 Alpha :在多资产类别中寻找套利机会
非流动性 Alpha :在流动性较差的资产中寻求流动性溢价
可移植 Alpha 策略的核心思想是将 α \alphaα 和 β \betaβ 分离管理:通过衍生品获取 β \betaβ 暴露,同时用独立策略产生 α \alphaα 。
传统 vs 可移植 Alpha 的对比 :
传统对冲基金:
总收益 = β × 市场 + α(选股)
可移植 Alpha:
总收益 = [β' × 市场] + [α(独立策略) - β'的融资成本]
其中 β ′ \beta'β ′ 是目标市场暴露,通过股指期货或 ETF 实现,α \alphaα 来自于不依赖市场方向的策略(如市场中性的统计套利)。
示例 :
投资者希望获得标普 500 的 β \betaβ 暴露 + 额外的 α \alphaα
使用标普 500 期货(名义价值 1 亿元)获得 β = 1 \beta = 1β = 1
将现金(1 亿元)投入市场中性的量化策略(年化 α = 6 % \alpha = 6\%α = 6% )
融资成本(国债利率 = 3 % = 3\%= 3% )
总收益 = β × ( R m − R f ) + α − 融资成本 = ( R m − 3 % ) + 6 % − 3 % = R m + 0 % = \beta \times (R_m - R_f) + \alpha - \text{融资成本} = (R_m - 3\%) + 6\% - 3\% = R_m + 0\%= β × ( R m − R f ) + α − 融资成本 = ( R m − 3% ) + 6% − 3% = R m + 0%
结果为:在完全复制市场收益的基础上,额外获得 3% 的 α \alphaα (扣除融资成本后)。
机构投资者的资产配置通常遵循以下框架:
层次
工具
目标
战略配置(SAA)
被动指数 ETF、期货
设定目标 β \betaβ 暴露
战术配置(TAA)
主动调整 β \betaβ 暴露
择时产生的 α TAA \alpha_{\text{TAA}}α TAA
策略配置
选股、因子轮动
选股产生的 α selection \alpha_{\text{selection}}α selection
风险控制
衍生品对冲、止损
控制回撤和 β \betaβ 漂移
产品类型
Beta 来源
Alpha 来源
风险特征
130/30 基金
多头 130%,空头 30%
选股能力
高 Beta + Alpha
市场中性基金
零净暴露
纯 Alpha
低 Beta,高 Alpha 波动
多空策略
变化
双向选股
中等 Beta
管理期货
趋势 β \betaβ
时序模型预测
与市场低相关
风险平价
分散化 β \betaβ
杠杆化配置
稳定 β \betaβ ,注重波动率
许多声称的 α \alphaα 实际上是未被识别的因子暴露。例如长期跑赢的"内幕交易策略"可能本质上是动量因子的伪装。在使用多因子模型时,遗漏重要因子会导致 α \alphaα 被高估(遗漏变量偏误)。
Beta 并非恒定不变,尤其是在市场剧烈波动期间:
不对称 Beta :市场下跌时的 Beta 往往大于上涨时的 Beta(Ang, Chen, Xing, 2006)
条件 Beta :Beta 随市场波动率和宏观经济状态变化
极端事件中的 Beta :2008 年金融危机期间,许多高信用评级资产出现了"Beta 跳跃"
实际案例 :长期资本管理公司(LTCM)的破产部分归因于其模型中假设 Beta 在极端市场下保持稳定,但实际中许多低相关性资产突然出现 β → 1 \beta \to 1β → 1 的崩溃相关性。
回测中的 Alpha 往往被高估,原因包括:
幸存者偏差 :仅保留存续至今的基金/股票
前视偏差 :使用未来信息选择股票
回填偏差 :基金数据库只收录表现好的历史
多重测试偏差 :在大量因子中筛选出显著的那些
建议
说明
使用多因子模型
不要依赖单一 CAPM, 至少使用 Fama-French 三因子
检验统计显著性
要求 α \alphaα 的 t tt 统计量 > 2
样本外验证
将数据分为样本内(训练)和样本外(测试)
压力测试
模拟极端市场情境下的 α \alphaα 稳定性
因子衰减监测
定期计算滚动窗口 Alpha,监控衰减趋势
交易成本扣除
在回测中充分考虑滑点、佣金和市场冲击
Alpha 与 Beta 是现代投资管理中最核心的概念之一。Beta 代表系统性风险暴露,是投资者被动承担市场风险所获得的补偿;Alpha 则代表超越风险补偿的超额收益,体现管理人的技艺和信息优势。
在实际应用中,理解两者的本质区别至关重要:
Beta 是免费的 ——任何投资者都可通过低成本的指数基金获得
Alpha 是稀缺的 ——它是零和博弈,总量为零,管理费、交易成本使其净值为负
成功的投资策略需要明确区分其 α \alphaα 和 β \betaβ 来源,使用多因子模型精确归因,并对 α \alphaα 的统计显著性和可持续性进行严格的评估。在量化交易中,寻找未被充分套利的 α \alphaα 来源、有效管理 β \betaβ 暴露、以及通过可移植 Alpha 策略分离管理 α \alphaα 和 β \betaβ ,是构建高质量投资组合的关键能力。
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance , 19(3), 425-442.
Jensen, M. C. (1968). The performance of mutual funds in the period 1945-1964. Journal of Finance , 23(2), 389-416.
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics , 33(1), 3-56.
Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics , 116(1), 1-22.
Carhart, M. M. (1997). On persistence in mutual fund performance. Journal of Finance , 52(1), 57-82.
Ang, A., Chen, J., & Xing, Y. (2006). Downside risk. Review of Financial Studies , 19(4), 1191-1239.
Black, F. (1972). Capital market equilibrium with restricted borrowing. Journal of Business , 45(3), 444-455.
Banz, R. W. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics , 9(1), 3-18.
Brinson, G. P., Hood, L. R., & Beebower, G. L. (1986). Determinants of portfolio performance. Financial Analysts Journal , 42(4), 39-44.