🎯 今日核心问题

  1. 持有 6 只不同行业的票,算不算分散?
  2. 为什么「平时相关系数 0.35,崩盘时 0.82」会让组合的风险模型彻底失效?
  3. A股 2015 年 6 月的千股跌停,给分散化上了什么课?

📖 精读提纲

【一】组合波动率不是单票波动的平均

组合方差公式是 σₚ² = ΣᵢΣⱼ wᵢwⱼσᵢσⱼρᵢⱼ。当所有 ρᵢⱼ = 1(完全相关),组合波动就退化成加权平均波动——持 100 只票和持 1 只票风险完全一样。当 ρᵢⱼ = 0,组合波动 ≈ 单票波动 / √N,这才是分散化的数学来源。

关键在于:ρ 不是常量,它随市场状态剧烈变化。平静期 6 个行业的平均相关性只有 0.29(代码实测),按这个假设算出组合波动 19.8%、分散化比 0.66——看起来相当不错。崩盘时相关性爬到 0.79,同样的权重实际波动升到 26.3%、分散化比升到 0.91,分散化带来的好处几乎消失。你的风险模型没坏,是你喂给它的输入在危机中失真了。

【二】A股 2015:教科书级的分散化陷阱

2015 年 6 月 12 日上证见顶 5178 点,随后三周内下跌 30% 以上。这段时间的盘面特征是千股跌停:6 月 26 日、6 月 29 日、7 月 1 日、7 月 2 日、7 月 3 日、7 月 7 日、7 月 8 日,两市跌停家数多次超过 1000 家,7 月 8 日有 1300 余只个股跌停(占当时全部A股近一半)。

在这种行情里,你持有的是什么行业完全不重要:白酒、银行、医药、券商、创业板成长,全部同向下跌。2015 年 6 月 15 日至 7 月 8 日,申万 28 个一级行业无一下跌少于 25%,行业间收益差不到 10 个百分点,而平时行业轮动一个月能差 20 个点。代码里模拟的这 80 天,等权持有 6 个行业累计 -18.0%,单持券商 -14.8%——分散化不但没提供保护,还跑输了单持,相关系数从 0.29 升到 0.79,趋近于 1。

机制有三层:流动性驱动的无差别抛售(两融强平、伞形信托清盘,卖出的理由是「必须卖」);跌停板制造同向锁定(跌停后买盘消失,所有票走势变成直线,相关性被人为推高);情绪传染(恐慌不区分行业)。

结论很冷酷:在A股,分散化在平时有效,在极端行情里几乎无效——而极端行情恰恰是你唯一需要它的时候。真正在 2015 年 6 月救命的不是「多买几个行业」,是仓位和现金。

【三】三个真正有用的分散化维度

维度一:跨资产,而不是跨股票。股票内部的相关系数下限在 A股 大约是 0.3,跨到债券(国债、政金债)能在股灾时给出负相关甚至正收益,跨到黄金、货币基金同理。这是 2015 年真正有效的分散。

维度二:低相关策略,而不是低相关行业。动量与反转策略、股票多头与股指对冲,相关性都接近 0,策略层面的分散比标的层面更稳。

维度三:用「危机相关性」而不是「历史平均相关性」做风控。风险模型里做压力测试时,把所有相关系数强制设为 0.8~0.9 重算一遍组合波动。如果压力下的波动超过你能承受的范围,说明你的分散是假的。

【四】可操作的预警指标

滚动 60 日的组合平均相关性是个很好的早期信号:平时 0.25~0.35,一旦连续升破 0.60,说明市场进入「同涨同跌」模式,此时行业轮动、选股 alpha 都会失效,应该降低整体仓位而不是继续换股。这个指标算起来只要一段循环加 df.corr(),代码最后一段给了实现。

【五】常见误区

💻 代码示例

import numpy as np
import pandas as pd

np.random.seed(2015)
N = 500
idx = pd.bdate_range("2015-01-05", periods=N)

# 6 个「看起来互不相关」的行业:白酒、银行、医药、地产、券商、创业板成长
vol = np.array([0.24, 0.20, 0.28, 0.30, 0.38, 0.40])
corr_normal = np.array([
    [1.00, 0.15, 0.30, 0.25, 0.35, 0.40],
    [0.15, 1.00, 0.18, 0.45, 0.40, 0.20],
    [0.30, 0.18, 1.00, 0.22, 0.30, 0.35],
    [0.25, 0.45, 0.22, 1.00, 0.50, 0.30],
    [0.35, 0.40, 0.30, 0.50, 1.00, 0.55],
    [0.40, 0.20, 0.35, 0.30, 0.55, 1.00]])
# 危机期:所有行业两两 0.82(千股跌停时的真实状态)
corr_crisis = np.full((6, 6), 0.82)
np.fill_diagonal(corr_crisis, 1.0)

names = ["白酒", "银行", "医药", "地产", "券商", "创业板"]

def simulate(n=N, crisis=None):
    cov_d = np.outer(vol, vol) * corr_normal / 252
    r = np.random.multivariate_normal(np.repeat(0.0002, 6), cov_d, n)
    if crisis is not None:
        a, b = crisis                     # 第 a~b 天为危机窗口
        w = np.linspace(0, 1, b - a)[:, None]      # 相关性逐步爬坡
        cov_c = np.outer(vol, vol) * corr_crisis / 252
        r_c = np.random.multivariate_normal(np.repeat(-0.0075, 6), cov_c, b - a)  # 日均 -0.75%
        r[a:b] = (1 - w) * r[a:b] + w * r_c
    return pd.DataFrame(r, index=idx, columns=names)

def report(df, name):
    c = df.corr()
    avg = (c.values.sum() - 6) / 30               # 上三角均值
    w = np.repeat(1 / 6, 6)
    port_vol = np.sqrt(w @ (df.cov() * 252) @ w)
    indiv = df.std().mean() * np.sqrt(252)
    print(f"{name}: 平均相关 {avg:.2f} | 组合年化波动 {port_vol:>6.1%} | "
          f"单票平均波动 {indiv:>6.1%} | 分散化比 {port_vol/indiv:.2f}")
    return c

crisis = simulate(crisis=(120, 200))
print("【正常期】")
c1 = report(crisis.iloc[:120], "正常期")
print(c1.round(2).to_string())

print("\n【2015 股灾后段】")
c2 = report(crisis.iloc[150:200], "股灾后段")

# ── 分散化的幻觉:等权 6 只 vs 只持 1 只 ──────────────────
eq6 = crisis.mean(axis=1)
win = crisis.index[120:200]
print(f"\n股灾期(80天)累计:等权6只 {((1+eq6.loc[win]).prod()-1):.1%} "
      f"| 单持券商 {((1+crisis['券商'].loc[win]).prod()-1):.1%}")

# ── 预警指标:60 日滚动平均相关性 ────────────────────────
def avg_corr_block(df):
    c = df.corr().values
    return (c.sum() - len(c)) / (len(c) ** 2 - len(c))

roll = [avg_corr_block(crisis.iloc[i-60:i]) for i in range(60, N)]
rc = pd.Series(roll, index=crisis.index[60:])
print("\n60日滚动平均相关性")
for d in [0, 40, 60, 80, 100, 130]:
    print(f"  T{d:>3} (危机第{d-120:+d}天): {rc.iloc[d-60]:.2f}")

✏️ 今日动手

1) 把你组合里的票拉近 3 年日收益,算相关系数矩阵,看最高那一对是多少。如果超过 0.75,它们在你的组合里其实是同一只票,应该合并成一个仓位限制。

2) 单独算 2015-06-15 至 2015-07-08 这段窗口的相关系数矩阵,和 2014 年全年对比,把平均相关性写下来。这个差距就是你风险模型在最坏情况下的误差。

3) 做压力测试:把所有 ρᵢⱼ 强制设为 0.85,重算组合波动。如果结果是平时的 2 倍以上,你就知道该留多少现金了。

🔖 明日预告

前三天的配置方法都假设你知道「每只票的预期收益和风险」。但预期收益怎么来?下注多大才合理?明天讲凯利公式:一个能算出「理论最优下注比例」的公式,以及为什么所有实战者都只用它的四分之一到一半。