风险与收益

一千万元该怎么投

李晨把公司三成股份卖给了一家产业基金，账上多出1000万元（本章数字均为教学测算数据）。这是他创业八年第一次拥有一笔“闲钱”——不用再投回工厂，也不用再垫付供应商账期，纯粹是他自己的钱。

他找到相熟的财富顾问陆薇，桌上摆了三个方案：

方案A：购买低风险债券，预期年收益5%。

方案B：投资大型上市公司股票（蓝筹股），预期年收益10%。

方案C：投资一家高成长科技企业的股票，预期年收益25%。

李晨几乎没怎么犹豫：“方案C。1000万放三年，按25%算，翻倍还多。A和B跟它比，简直是浪费钱。”

他还有额外的底气——几个投资圈的朋友最近都在聊同一只科技股，说“再不上车就晚了”。这种声音让方案C看起来不只是“收益最高”，更像是“大家都看好”。

陆薇没有反对，也没有直接附和，只是问了一句：“如果这25%只是'预期'，不是'保证'，你有没有想过，它凭什么比债券高20个百分点？”

李晨愣了一下：“因为……股票本来就比债券赚得多？”

“这句话本身没错。”陆薇说，“但它只是结果，不是原因。真正的问题是：收益率最高的方案，是不是一定是最好的方案？这个问题不回答清楚，1000万投到哪里都是碰运气。”

---

高收益背后，藏着什么样的不确定性

风险不是亏损，而是收益的不确定性

陆薇没有直接讲“风险”这个词该怎么定义，而是先问了李晨一个更具体的问题：“方案A的债券，明年这个时候，收益基本就是5%，八九不离十。方案C的科技股，明年这个时候，收益真的会是25%吗？”

李晨想了想：“应该……不一定？可能更高，也可能更低。”

“可能更高，也可能更低——这句话才是关键。”陆薇说，“25%只是一个预期，是众多可能结果里概率加权后的一个平均数。真实发生的，可能是60%的大涨，可能是20%的正常上涨，也可能是市场转冷时的下跌。方案A几乎没有这种摇摆，方案C的摇摆幅度却很大。”

这正是“风险”在金融里的真实含义。很多人以为风险就是“可能亏钱”，但更准确的说法是：风险是未来实际收益偏离预期收益的不确定程度。一个方案哪怕从不亏损，只要结果忽高忽低、难以预料，它就存在风险；反过来，一个方案哪怕收益不高，只要结果稳定可预期，风险就低。

李晨开始意识到，自己一直在用“预期收益”这一个数字做决定，却从没问过这个数字背后摇摆的幅度有多大。要真正比较三个方案，第一步得先把“收益”本身说清楚——它到底是怎么算出来的。

---

收益到底该怎么算

持有期收益率的构成

在讨论风险之前，陆薇先带李晨把“收益”这件事标准化。三个方案的收益来源并不完全一样：债券主要靠利息，蓝筹股既可能有分红也可能有股价上涨，成长股几乎全靠股价上涨。要把它们放在同一把尺子下比较，需要一个统一的度量工具。

这个工具要解决的问题是：一笔投资，从买入到卖出（或某个考核时点），赚了多少，用一个百分比怎么表达？

$$HPR = \frac{P_1 - P_0 + D}{P_0}$$

其中，$P_0$ 是期初价格（买入成本），$P_1$ 是期末价格（卖出或当前市值），$D$ 是持有期间获得的现金收益（如股息、利息）。分子是“期末比期初多出来的全部价值”，分母是“当初投入了多少”——两者相除，就是这笔投资在这段时间里的持有期收益率（Holding Period Return，HPR）。

代入李晨的三个方案做一年期测算（教学测算数据）：方案A每百元债券到期获得5元利息，没有价格波动，$HPR = 5/100 = 5\%$；方案B的蓝筹股假设从100元涨到108元，另有2元分红，$HPR = (108-100+2)/100 = 10\%$；方案C的科技股假设从100元涨到125元，无分红，。

三个数字终于站在了同一个维度上，可以直接比较大小。但陆薇提醒李晨：这三个数字都只是预期或测算结果，它们各自的可信程度，还没有被量化——这正是接下来要解决的问题。

---

怎么衡量风险的大小

方差与标准差：波动程度的度量

陆薇拿出一张纸，把方案C在三种经济情景下的可能表现列了出来（教学测算数据）：

“这三种情景加权平均，就是我们之前说的25%左右的预期收益。”陆薇说，“但你看，繁荣时能到65%，衰退时会亏20%，中间摆动了85个百分点。方案A呢？无论经济好坏，基本都是5%左右。这个摆动幅度，就是我们要量化的风险。”

要把“摆动幅度”变成一个具体数字，需要解决的问题是：每种可能结果偏离预期收益有多远，把这些偏离按概率加权汇总，就能得到一个衡量波动程度的指标。

$$\sigma^2 = \sum_{i=1}^{n} p_i \times \big(R_i - E(R)\big)^2$$ $$\sigma = \sqrt{\sigma^2}$$

其中，$p_i$ 是第 $i$ 种情景发生的概率，$R_i$ 是该情景下的收益率，$E(R)$ 是概率加权后的预期收益率，$$ 称为，把它开平方得到的 称为——由于方差的单位是“百分比的平方”不便于直接感受，实践中几乎都用标准差来描述风险大小。

代入方案C：$E(R) = 0.3 \times 65\% + 0.5 \times 20\% + 0.2 \times (-20\%) \approx 25.5\%$，方差 $$，标准差 。用同样的方法测算，方案B（蓝筹股）的标准差约为8%，方案A（债券）的标准差不到1%。

数字背后的商业含义很直接：标准差越大，实际结果偏离预期的可能幅度越大，这份收益的“可信程度”就越低。方案C标准差30%，意味着实际结果很可能落在“预期25%上下30个百分点”这样一个很宽的区间里——上能到55%，下能到-5%，这远不是李晨最初以为的“稳赚25%”。

变异系数：不同收益水平下的风险比较

标准差解决了“每个方案自己的波动有多大”，但陆薇提出一个更进一步的问题：“方案C的标准差是方案B的将近4倍，但方案C的预期收益也是方案B的2倍多。单看标准差，能不能说方案C'风险差很多'？”

这里需要解决的问题是：当两个方案的预期收益水平本身不同时，标准差不能直接比较——收益越高的方案，波动的绝对值天然容易更大，需要一个按收益水平“标准化”后的风险指标。

$$CV = \frac{\sigma}{E(R)}$$

变异系数（Coefficient of Variation，CV）等于标准差除以预期收益，衡量的是“每赚1%的预期收益，需要承担多少风险”。

这张表把李晨最初的判断彻底翻了个面：单看预期收益，C遥遥领先；但看变异系数，C恰恰是三个方案中“每赚一份收益要承担风险最多”的一个——比债券高出近6倍。收益率最高，不等于“性价比”最高。

---

一个人扛风险，和一群资产一起扛风险不一样

相关系数如何影响分散效果

李晨提出一个折中的想法：“那我别全押方案C，把钱分一半给方案B、一半给方案C，风险是不是就减半了？”

陆薇摇摇头：“减半没那么简单，但确实会下降——而且下降的幅度，取决于一个你还没考虑过的变量：这两个资产的收益，会不会同涨同跌。”

这个变量叫相关系数（$\rho$），取值在-1到1之间：越接近1，说明两者越是同涨同跌；越接近-1，说明两者越是此消彼长；等于0，说明两者的波动互不相关。

组合风险要解决的问题是：当两个资产的资金按一定比例组合在一起后，组合整体的波动幅度是多少？它并不是两个资产标准差的简单加权平均。

$$\sigma_p = \sqrt{w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\rho_{12}\sigma_1\sigma_2}$$

$w_1$、$w_2$ 是两个资产的资金占比，$\sigma_1$、$\sigma_2$ 是各自的标准差， 是两者收益的相关系数。

假设李晨把资金一半配方案B（$\sigma_1=8\%$）、一半配方案C（$\sigma_2=30\%$），两者相关系数约为0.3（同属股票，会受相同经济周期影响，但一个稳健、一个激进，走势不完全同步）：

$$\sigma_p = \sqrt{0.5^2 \times 8\%^2 + 0.5^2 \times 30\%^2 + 2 \times 0.5 \times 0.5 \times 0.3 \times 8\% \times 30\%} \approx 16.6\%$$

预期收益不变，组合的实际风险却比“简单加权平均”低了2.4个百分点。原因就在于两者不是完全同步波动——B下跌的时候，C不一定跟着跌，两者的波动在组合里部分抵消了。这就是分散投资的商业意义：在不牺牲预期收益的前提下，降低整体的不确定性。相关系数越低，这种抵消效果越明显。

可分散风险与不可分散风险

李晨追问：“那我干脆买十只、二十只股票，是不是风险就能降到接近零？”

“降低，但降不到零。”陆薇说，“这里要分清两类风险。”

• 可分散风险，也叫非系统性风险，来自单个企业自身的特有因素——管理层变动、工厂事故、某款产品滞销。这类风险彼此独立，只要把资金分散到足够多、彼此关联度不高的资产上，就能相互抵消掉大部分。

• 不可分散风险，也叫系统性风险，来自影响所有企业的共同因素——利率上升、经济衰退、行业性政策调整。无论持有多少只股票，只要还在同一个市场里，这部分风险都会同时压在所有资产身上，分散不掉。

---

贝塔系数：衡量对市场变化的敏感程度

分散投资能抹平可分散风险，但抹不平不可分散风险——这部分风险才是市场真正需要给予补偿的对象。要衡量一项资产到底带有多少这样的风险，需要解决的问题是：当整个市场上涨或下跌1%时，这项资产平均会跟着变动多少？

回答这个问题的指标叫贝塔系数（$\beta$）。贝塔是通过资产收益与市场收益的历史数据统计得出的：贝塔等于1，代表这项资产的波动幅度和市场基本同步；贝塔小于1，代表它比市场更平稳，市场大涨大跌时它反应较弱；贝塔大于1，代表它比市场更敏感，市场的涨跌会被它放大。

按历史数据测算，李晨的三个方案对应的贝塔大致是（教学测算数据）：

贝塔为1.8意味着，一旦市场出现较大幅度的下跌，方案C受到的冲击也会被放大到接近两倍——这正是它标准差远高于市场平均水平的重要原因之一。贝塔量化的，正是分散投资也消灭不掉的那部分风险敞口。

---

风险如何被定价——资本资产定价模型（CAPM）

CAPM公式与变量含义

到这里，还差最后一步没有回答：投资者愿意承担贝塔代表的这份不可分散风险，市场应该给多少回报作为补偿，才算合理？

这个问题的起点，是一个几乎所有人都认同的常识：在预期收益相同的情况下，没有人会主动选择风险更高的方案。要让人愿意承担额外的不确定性，必须用额外的预期收益去补偿——这份补偿叫风险溢价。而市场只会为无法分散掉的风险买单：可分散风险本来就能通过组合免费消除，市场没有理由为投资者本可以自己规避掉的风险支付额外回报。这正是贝塔——专门衡量不可分散风险——会成为定价核心变量的原因。

把“无风险回报”和“贝塔对应的风险溢价”加在一起，就是资本资产定价模型（Capital Asset Pricing Model，CAPM）要解决的问题：给定一项资产的贝塔，市场认为它合理的预期收益应该是多少？

$$E(R_i) = R_f + \beta_i \big(E(R_m) - R_f\big)$$

假设当前无风险收益率 $R_f=3\%$，市场预期收益率 $E(R_m)=11\%$，市场风险溢价为8个百分点。代入三个方案的贝塔：

$$E(R_B) = 3\% + 0.9 \times 8\% = 10.2\%$$ $$E(R_C) = 3\% + 1.8 \times 8\% = 17.4\%$$

方案B的CAPM测算结果（10.2%）与它最初给出的预期收益（约9.4%~10%）基本吻合，说明市场对它的定价大致合理。但方案C的CAPM测算结果只有17.4%，远低于最初宣传的25%。

为什么承担系统性风险需要更高预期收益

这7.6个百分点的差距（25%与17.4%之间），是理解本章的关键。它不代表方案C一定是“骗局”，而是提出了一个必须追问的商业判断：这多出来的预期收益，究竟是对某种尚未被贝塔捕捉的额外风险的补偿，还是仅仅是一个过于乐观、缺乏依据的预测？

---

收束与记忆锚点

回到李晨最初的问题：方案C预期收益25%，是不是最好的选择？

答案不是简单的“是”或“否”。方案C的标准差高达30%，变异系数是三个方案中最高的，意味着每赚一份收益承担的不确定性也最多；它的贝塔高达1.8，意味着一旦市场转冷，它受到的冲击会被放大；按CAPM测算，它合理的预期收益大约是17.4%，与宣传的25%之间存在一段需要被解释、而不是被忽略的差距。这不代表李晨完全不能投方案C，而是说：如果投，他需要清楚自己承担的是什么，以及这份风险是否真的换来了对等的补偿——而不是仅仅因为“朋友都在买”或者“数字看起来最大”。

最终，李晨没有把1000万全部押在一个方案上，而是按自己能承受的波动幅度，把资金分配到了债券、蓝筹股与成长股之间，用组合去换取风险的部分抵消，而不是让某一次市场波动决定全部结果。

三条判断逻辑，带走本章：

1. 收益必须放在风险背景下理解。脱离标准差、变异系数谈预期收益率，看到的只是数字的一半，另一半——这份收益的不确定程度——同样决定了它是否值得追求。

2. 分散投资降低的是非系统性风险，不是全部风险。把资金分配到相关性较低的资产上，可以免费消除企业自身的特有风险，但市场整体波动带来的不可分散风险，无论怎么分散都会留在组合里。

3. 市场不会免费给予高收益，风险补偿决定预期回报。贝塔衡量的是一项资产对不可分散风险的暴露程度，CAPM则把这份暴露换算成一个合理的预期收益基准——任何明显偏离这个基准的高收益承诺，都值得先问一句：这多出来的部分，补偿的是什么风险，还是根本没有依据。