收益与风险

% !TeX root = ../Investment.tex \chapter{收益与风险}

引子：把“风险”从直觉变成数学

在许多关于“风险”词源的解释中，这个词都与航海中的礁石、暗礁和不确定危险联系在一起。水手对风险的理解非常具体：一艘船在某次航行中可能撞上的障碍、可能遭遇的风暴强度。进入金融学之后，风险首先被处理为结果的不确定性；在投资决策中，人们尤其关心这种不确定性会不会转化为损失、回撤或无法按时变现。金融学要做的，是把这个概念抽象成可以计算、定价和管理的对象；这件事直到 20 世纪后半叶才真正系统化。

1952 年 Markowitz 把分散化的智慧用方差与协方差严谨化；1964 年 Sharpe 给“系统性风险”一个具体的数学定义（贝塔）；1973 年 Black、Scholes 与 Merton 把“波动率”嵌入期权定价的偏微分方程；20 世纪 90 年代 J. P. Morgan 的 RiskMetrics 框架把全公司市场风险压缩为每日可报告的 VaR 数字。这一连串突破的共同结果，是把风险这个看似主观、模糊、依赖经验判断的概念，转化成一系列可以度量、可以分散、可以转移、可以定价的数学对象。

本章的核心训练，是把“收益高不高”和“风险大不大”这两句日常判断拆成可检验的计量口径。收益部分要区分持有期收益、算术平均、几何平均、内部收益率、对数收益、名义收益和实际收益：同一笔投资，在不同口径下可能呈现完全不同的结论。风险部分则从方差、标准差和贝塔进入尾部风险，说明 VaR、ES/CVaR、半方差、最大回撤与效用函数分别回答什么问题。最后，本章把机器学习风险预测和监管规则放进同一框架，强调风险度量不仅要“算得出来”，还要“解释得清楚、承担得起责任”。

收益回答“赚了多少”，风险回答“结果可能偏离多少”。利息、股息、分红和资本利得都是收益的来源；价格波动、信用违约、流动性枯竭和通货膨胀侵蚀则是风险的表现。投资学把这两类问题放在同一张坐标系里讨论，是因为一个资产是否值得持有，不能只看收益率，也要看获得这项收益需要承担多大的不确定性。

风险补偿原则常被误读为“风险越大，收益必然越高”。更准确地说，投资者只有在预期能够获得补偿时，才愿意承担额外风险；已经暴露却得不到补偿的风险，应当通过分散化、对冲或放弃交易来处理。股票的长期预期收益通常高于存款，并不是因为股票“更刺激”，而是因为股东排在债权人之后承担经营和市场波动，必须用更高的预期回报吸引资本。

同一项风险对不同投资者也不等价。短期需要支付学费、房租或企业工资的资金，即使面对相同的市场波动，也比长期闲置资金更脆弱。因此，本章讨论收益率、标准差、VaR、效用函数和投资者适当性，并不是堆砌指标，而是把“能赚多少、可能亏多少、亏损是否承受得起”这三个问题拆开回答。

计算收益

收益率把不同金额、不同期限、不同现金流结构的投资转换成可比较的比例。看似都是“收益率”，但持有期收益、年化收益、内部收益率和实际收益率回答的问题并不相同。分母、时间长度和现金流时点一旦选错，结论就会偏离投资本身。

名义利率和实际收益率

名义利率是合同、票面或报价中直接写出的利率，常见于贷款利率、债券票息和存款利率。它说明一单位本金在账面上增加多少，却没有说明这笔钱能多买多少商品和服务。实际利率则扣除了通货膨胀对购买力的侵蚀，更适合衡量真实借贷成本和真实投资回报。二者的关系由费雪公式给出：

\begin{equation}\label{eq:ch02:fisher} r_{\mathrm{real}} = \frac{1 + r_{\mathrm{nom}}}{1 + \pi} - 1 \approx r_{\mathrm{nom}} - \pi \end{equation}

近似式 \(r_{\mathrm{real}}\approx r_{\mathrm{nom}}-\pi\) 只在名义利率和通胀率都较低时足够好用。若某笔投资名义收益率为 5%、同期通胀率为 3%，精确实际收益率为 \(1.05/1.03-1\approx 1.94\%\)，不是简单的 2%。若借款名义利率为 5%、通胀率为 6%，实际利率约为 \(-0.94\%\)。这说明通胀不仅改变投资者的真实收益，也改变债务人的真实负担。

中国 2002--2024 年 CPI 同比平均约 2.3%，而同期一年期定期存款利率从 2002 年的 1.98% 上升到 2007 年的 4.14%，2015 年以后长期处于较低水平。把这两条线叠加，结论是中国家庭把资金长期存入银行定存，实际购买力的年均增长几乎接近于零、个别年份甚至为负。这正是费雪公式给出的基础提醒：盯名义利率而不看通胀，是个人理财中最容易犯的错误。

简单收益率

简单收益率适合描述单一持有期内的价格变化。这里的“简单”指计算时只比较期初和期末价值，不假设中间收益继续再投资；它和借贷合同中的“单利”形式相近，但概念并不完全相同。简单收益率回答的是“这一段持有期赚了多少”，单利和复利回答的是“利息如何随时间累积”。

\begin{equation}\label{eq:ch02:simple} R = \frac{P_T - P_0}{P_0} \times 100\% \end{equation}

例：如果某投资的初始金额为 10000 元，一年后增值到 11500 元，且期间没有额外现金流，那么简单收益率为：

\[\frac{11500 - 10000}{10000} \times 100\% = 15\%\]

如果持有期正好是一年，且中间没有现金流，简单收益率、单利计息下的一年利率和一年期收益率在数值上可能相同。但一旦期限超过一年，或者利息可以继续产生利息，就必须区分单利与复利。

单利与复利

单利只对最初本金计息，已经产生的利息不再产生新的利息。若本金为 \(P_0\)，年单利率为 \(r_s\)，期限为 \(T\) 年，则期末价值为：

\begin{equation}\label{eq:ch02:simple_interest} P_T=P_0(1+r_sT). \end{equation}

复利则把每一期产生的利息并入本金，下一期继续计息。若年复利率为 \(r\)，一年复利一次，则：

\begin{equation}\label{eq:ch02:compound_interest} P_T=P_0(1+r)^T. \end{equation}

若一年复利 \(m\) 次，且名义年利率记为 \(r^{(m)}\)，则： \[ P_T=P_0\left(1+\frac{r^{(m)}}{m}\right)^{mT}. \]

例如 10000 元按 5% 年利率投资 3 年，单利下期末价值为 \(10\,000(1+0.05\times 3)=11\,500\) 元；一年复利一次则为 \(10\,000(1.05)^3=11\,576.25\) 元。差距来自“利息生利息”。在短期限、低利率环境下，两者差别不大；在长期投资、债券定价、衍生品估值中，这个差别会被时间不断放大。

年化收益率

年化收益率把不同期限的累计收益换算为“每年复利增长率”，通常也称几何年化收益率。它不是简单地把累计收益除以年数，而是追问：若每年都按同一个复利率增长，最终能否达到同样的期末价值。

\begin{equation}\label{eq:ch02:annualized} r_{\mathrm{ann}} = \left(\frac{P_T}{P_0} \right)^{\frac{1}{n}} - 1 \end{equation}

其中，\(n\) 表示投资的年数。例：若某笔投资在 3 年内从 10000 元增值到 13000 元，那么其年化收益率为：

\[\left(\frac{13000}{10000} \right)^{\frac{1}{3}} - 1 \approx 9.1\%\]

年化是跨期比较的基础。但要小心一个常见误区：6 个月赚 30% 不等于年化 60%。按上述公式，年化是 \((1.30)^2 - 1 = 69\%\)；30% 持有 5 年的年化只有 \((1.30)^{0.2}-1 = 5.4\%\)。同样的“30%”在不同期限下，标准化后差别极大。媒体报道基金业绩时有时会混淆累计收益与年化收益，投资者需要先确认口径。

连续复利与对数收益率

连续复利是在复利基础上的进一步抽象：把复利频率从一年一次、半年一次、每日一次，推到“连续不断”计息的极限。金融工程、远期与期货定价、期权定价中大量使用连续复利，因为指数函数在跨期贴现、无套利推导和连续时间模型中最简洁。若 \(r_c\) 表示连续复利年化收益率，则：

\begin{equation}\label{eq:ch02:continuous_compound} P_T=P_0 e^{r_cT},\qquad r_c=\frac{1}{T}\ln\frac{P_T}{P_0}. \end{equation}

连续复利不是另一种收益来源，而是另一种计量口径。若一年简单收益率为 \(R\)，对应的连续复利收益率为 \(\ln(1+R)\)；反过来，连续复利收益率 \(r_c\) 对应的一年简单收益率为 \(e^{r_c}-1\)。例如一年赚 10%，连续复利口径为 \(\ln(1.10)\approx 9.53\%\)；若连续复利利率为 5%，1 年后的实际增长率为 \(e^{0.05}-1\approx 5.13\%\)。

从离散复利到连续复利的关系可以写成： \[ \lim_{m\to\infty}\left(1+\frac{r}{m}\right)^{mT}=e^{rT}, \] 其中 \(m\) 是一年复利次数。后面远期与期货定价中的 \(F_0=S_0e^{rT}\)，本质上就是把现货价格 \(S_0\) 按连续复利无风险利率滚到到期日；若市场报价是离散利率，应先换算到连续口径，再代入指数公式。

持有期收益率（HPR）

持有期收益率关注从买入到卖出的完整回报，期限可以是一周、三个月，也可以是数年。它的关键是把价格变动和持有期间收入放在同一个分子里，避免只看“涨了多少钱”而忽略股息、债息或租金。

\begin{equation}\label{eq:ch02:hpr} \mathrm{HPR} = \frac{P_T + D - P_0}{P_0} \times 100\% \end{equation}

其中，\(D\) 包括股息、利息或其他在持有期间获得的现金收入。例：若某股票初始购买价格为 100 元，持有期间获得 5 元股息，卖出时价格为 110 元，则持有期收益率为：

\[\frac{110 + 5 - 100}{100} \times 100\% = 15\%\]

内部收益率（IRR）

内部收益率是使投资项目净现值（NPV）等于零的折现率。它可以理解为项目现金流自身隐含的年化回报率，常用于比较私募股权、房地产项目、企业投资项目等现金流不均匀的资产。IRR 是使以下方程为零的折现率 \(r\)：

\begin{equation}\label{eq:ch02:irr} \sum_{t = 0}^{n}\frac{c_{t}}{\left( 1 + r \right)^{t}} = 0 \end{equation}

其中 \(c_{t}\) 是第 \(t\) 期现金流，\(n\) 是现金流期数。例：若某项目初始投入 100 万元，此后每年净现金流 30 万元、持续 5 年，则 IRR 是让“100 万元投入”和“五年现金流现值”相等的折现率，约为 15.2%。IRR 通常需要借助计算器或 Excel 求解。需要注意，现金流多次正负交替时可能出现多个 IRR；项目规模差异很大时，IRR 较高的项目也未必创造更多净现值。

需要特别区分的是基金行业里的两个概念：时间加权收益率（TWR）与货币加权收益率（MWR）。MWR 等价于上面的 IRR，反映投资者实际经历的回报；TWR 剔除了申赎时点的影响，更能反映管理人的能力。GIPS（全球投资业绩标准）通常以 TWR 作为可比业绩展示口径，但作为客户更关心的是 MWR。Morningstar 的 Mind the Gap 投资者收益研究显示，美股基金投资者实际取得的 MWR 往往低于基金自身 TWR，近年差距大约在 1 个百分点上下，主要来自普通投资者“高位申购、低位赎回”的行为偏差。

算术平均收益率

算术平均收益率回答的是“单期收益率平均是多少”。在估计下一期预期收益时，它很常用；但在衡量长期财富增长时，它没有考虑复利路径。

\begin{equation}\label{eq:ch02:am} \bar{r}_{\mathrm{AM}} = \frac{r_{1} + r_{2} + \ldots + r_{n}}{n} \end{equation}

其中 \(r_{t}\) 为第 \(t\) 期收益率，\(n\) 为时间段数。例：若某股票在三年内的收益率分别为 5%、10% 和 15%，则其算术平均收益率为：

\[\bar{r}_{\mathrm{AM}} = \frac{5\% + 10\% + 15\%}{3} = 10\%\]

因此，算术平均更像是对未来单期收益的统计估计，而不是对过去多期财富增长率的完整描述。

几何平均收益率

几何平均收益率回答的是“财富实际按多快速度复利增长”。只要讨论长期持有、净值曲线或养老金积累，几何平均通常比算术平均更贴近投资者最终拿到的结果。

\begin{equation}\label{eq:ch02:gm} \bar{r}_{\mathrm{GM}} = \left( \prod_{t = 1}^{n}\left( 1 + r_{t} \right) \right)^{\frac{1}{n}} - 1 \end{equation}

其中 \(r_{t}\) 为第 \(t\) 期收益率，\(n\) 为时间段数。例：若某股票在三年内的收益率分别为 5%、10% 和 15%，则几何平均收益率为：

\[\bar{r}_{\mathrm{GM}} = \left( (1+0.05)(1+0.10)(1+0.15) \right)^{1/3} - 1 \approx 9.92\%\]

注意算术平均（10%）与几何平均（9.92%）之间的微小差距：当收益波动越大，二者差距越大。由 \(\ln(1+r)\approx r-r^2/2\) 取期望，可得到一个常用近似关系： \(\bar{r}_{\mathrm{GM}} \approx \bar{r}_{\mathrm{AM}}-\sigma^{2}/2\)，这就是“波动率拖累”。两个组合，期望算术收益相同但波动率不同，长期累积财富会有显著差距。由此可见，控制波动不是为了让净值曲线“好看”，而是会直接影响长期复利结果；不过低波动策略能否形成竞争力，还取决于费用、杠杆、相关性变化和执行纪律。

衡量风险

风险没有唯一刻度。标准差关心收益围绕均值的波动，贝塔关心相对市场的系统性暴露，VaR 与 ES/ETL/CVaR 关心尾部损失，下行风险和最大回撤则更贴近投资者的痛感。选择指标之前，先要明确要回答的是“波动有多大”“跟市场有多同步”，还是“极端情况下会亏多少”。

标准差与方差

标准差衡量收益率围绕平均值上下摆动的幅度，方差则是标准差的平方。它把每一期收益与平均收益的距离平方后求平均，因此正偏离和负偏离都会被计入风险。对多数投资者来说，这一指标的直觉含义很清楚：标准差越大，投资结果越不稳定，短期净值越容易出现大幅波动。

\begin{equation}\label{eq:ch02:sigma} \sigma = \sqrt{\frac{\sum_{t = 1}^{n}\left( r_{t} - \bar{r} \right)^{2}}{n - 1}} \end{equation}

其中，\(\sigma\) 为标准差，\(r_{t}\) 为第 \(t\) 期收益率，\(\bar{r}\) 为样本平均收益率，\(n\) 为样本期数。除以 \(n-1\) 而不是 \(n\)，是因为这里用样本均值估计总体均值，需要做自由度调整；这个细节在考试和实务报表中都很常见。 假设某股票在过去 5 年的年收益率为 5%、10%、\(-2\%\)、7%、3%，先计算平均收益率，然后计算标准差：

\[\bar{r} = \frac{5\% + 10\% - 2\% + 7\% + 3\%}{5} = 4.6\%\] \[\sigma = \sqrt{\frac{\sum_{t = 1}^{5}\left( r_{t} - 4.6\% \right)^{2}}{4}} \approx 4.51\%\]

计算得出样本标准差约为 4.51%。这一数值不是“预计亏损”，而是收益率围绕 4.6% 平均值上下波动的典型幅度。

如果收益率近似服从正态分布，这是最常用的假设，那么有一个简洁的“68--95--99.7”经验法则：约 68% 的观测落在均值 \(\pm\sigma\) 之间；约 95% 落在均值 \(\pm 2\sigma\) 之间；约 99.7% 落在均值 \(\pm 3\sigma\) 之间。具体到 A 股的例子，沪深 300 指数 2005--2024 年年度收益分布显示出明显的厚尾特征：多数年份围绕均值上下波动，但 2007 年大涨、2008 年大跌这样的极端值会显著拉宽尾部（图 （见上文））。如果机械使用正态假设，就会低估这些极端年份的发生概率。这暴露了正态假设的核心局限：真实收益分布往往是“尖峰肥尾”的。

标准差具有时间尺度。日波动率、周波动率和年波动率不能直接相加比较，通常需要年化处理。若日收益率近似独立同分布（i.i.d.）且均值稳定，方差会随时间线性累积，标准差则按平方根累积，因此可用如下公式把日波动率转换为年波动率：

\begin{equation}\label{eq:ch02:annvol_day} \sigma_{\text{year}} = \sigma_{\text{day}}\sqrt{N} \end{equation}

其中 \(N\) 是一年内的交易日数量，通常取 252 天。类似地，若以周为单位：

\begin{equation}\label{eq:ch02:annvol_week} \sigma_{\text{year}} = \sigma_{\text{week}}\sqrt{52} \end{equation}

这一换算看似只是乘以 \(\sqrt{252}\)，实则依赖很强的假设：各期收益相互独立、方差稳定、没有突然跳跃。现实市场往往达不到这些条件。

首先，金融市场普遍存在“波动聚集”：高波动往往跟着高波动，低波动也会连续出现。此时未来波动率与当前状态有关，简单平方根法容易低估危机窗口中的风险。

其次，实际收益分布常常厚尾、偏斜，极端值比正态分布预测得更多。若机械套用正态和独立假设，风险模型会把“低概率事件”误判为“几乎不可能事件”。

此外，跳跃风险、政策冲击和流动性断裂会让风险随持有期非线性累积。某些资产平时波动不大，一旦触发赎回、追加保证金或集中对冲，损失速度会远超平方根法能够刻画的范围。

因此，年化标准差适合做快速比较，却不宜作为唯一风险判断。更稳健的做法是结合历史模拟、滚动窗口估计和条件异方差模型（如 GARCH），观察风险是否正在从“平稳波动”转入“聚集放大”。

相关系数与协方差

相关系数衡量两个资产收益率同向或反向变动的程度，范围在 \(-1\) 到 1 之间。协方差保留了共同变化的量纲，相关系数则把它标准化，便于跨资产比较。

\begin{equation}\label{eq:ch02:rho} \rho = \frac{\mathrm{Cov}(X,Y)}{\sigma_{X}\sigma_{Y}} \end{equation}

其中 \(\mathrm{Cov}(X,Y)\) 为 \(X\) 和 \(Y\) 的协方差，\(\sigma_X\) 与 \(\sigma_Y\) 分别为二者标准差。协方差本身可写为 \[ \mathrm{Cov}(X,Y)=E\{[X-E(X)][Y-E(Y)]\}, \] 它保留了两个变量“共同偏离均值”的方向与强度；相关系数则把协方差除以两个标准差，使不同资产之间可以放在同一尺度上比较。分散化并不是简单买很多资产，而是买入收益来源不完全同步的资产。例如两个股票相关系数为 0.8，说明它们多数时候同涨同跌，组合风险下降有限；若股票与黄金、债券或海外资产相关性较低，分散化效果通常更明显。第三章将用协方差矩阵把这一思想写成均值-方差最优化框架。

贝塔系数

贝塔系数衡量单个资产或投资组合相对于市场整体波动的敏感度。它关心的不是总波动，而是资产中有多少波动来自市场共同因素，因此是系统性风险的核心刻度。

\begin{equation}\label{eq:ch02:beta} \beta = \frac{\mathrm{Cov}(r_{i},r_{m})}{\sigma_{m}^{2}} \end{equation}

其中 \(\mathrm{Cov}(r_{i},r_{m})\) 为资产收益率与市场收益率的协方差，\(\sigma_{m}^{2}\) 为市场收益率的方差，\(r_{i}\) 为单个资产的收益率，\(r_{m}\) 为市场的收益率。

贝塔系数常用于资本资产定价模型（CAPM）中估算资产预期收益。\(\beta=1\) 表示资产与市场同步波动；\(\beta>1\) 表示市场上涨或下跌时，该资产通常放大波动；\(\beta<1\) 表示资产对市场波动较不敏感。例：若某股票 \(\beta=1.2\)，市场上涨 10% 时，该股票的预期涨幅约为 12%；市场下跌 10% 时，预期跌幅也约为 12%。在 A 股中，银行、公用事业等低波动行业的贝塔通常较低，新能源、半导体等成长行业在某些样本期内贝塔较高；但贝塔会随估计窗口、市场基准和行业周期变化，不能把某一时期的估计值当成固定标签。若判断市场进入下行阶段，组合通常会降低高 \(\beta\) 资产权重；若处于牛市早期，则可能适度提高市场敏感资产的比例。

下行风险

标准差把向上波动和向下波动都视为风险，但投资者真正害怕的是亏损、回撤和不能按时变现。下行风险因此只关注收益率低于某一目标或基准的部分，更贴近养老资金、保险资金和绝对收益产品的实际约束。常用指标有以下三个。

半方差。半方差描述收益率低于某一基准（如平均收益率）的情况下，偏离该基准的波动程度。它只关注收益率低于该基准的情形，即所谓的“负偏差”，用来衡量可能造成损失的风险。

\begin{equation}\label{eq:ch02:semivar} \mathrm{SemiVar} = \frac{\sum_{t = 1}^{n}{\max\left( 0,\bar{r} - r_{t} \right)}^{2}}{n} \end{equation}

其中 \(\bar{r}\) 为平均收益率（或者其他选定的基准收益率，如无风险收益率或最低可接受收益率 \(R_{\mathrm{MAR}}\)），\(r_{t}\) 为第 \(t\) 期的收益率，\(n\) 为样本期数。这里按常见教材口径除以 \(n\)，把未跌破基准的观测也作为 0 偏差纳入平均；若只对跌破基准的观测求平均，数值会更大，使用时应说明口径。

\(\max(0,\bar{r} - r_{t})\) 指当 \(r_{t}\) 小于基准收益率 \(\bar{r}\) 时，计算 \(\bar{r} - r_{t}\)；当 \(r_{t}\) 大于基准收益率时，该项为 0，表示不计入下行波动。半方差的量纲是“收益率的平方”，因此通常会同时报告其平方根，即下行标准差或下行偏差。

半方差的好处在于它更贴近投资者真实关注：人们厌恶的是亏损，而不是波动本身。Sortino 比率正是用下行标准差替换了夏普比率（Sharpe ratio）分母中的总标准差，专门衡量单位下行风险下的超额收益。

仍以前面 5 年收益率 5%、10%、\(-2\%\)、7%、3% 为例：

\[\bar{r} = 4.6\%, \quad \mathrm{SemiVar}=\frac{0.066^2+0.016^2}{5}=0.0009224.\] 对应的下行标准差为 \(\sqrt{0.0009224}\approx 3.04\%\)。半方差本身是“收益率平方”的单位，转化为下行标准差后才更便于与普通标准差比较。

最大回撤。最大回撤（maximum drawdown, MDD）衡量的是财富曲线从历史高点跌到随后低点的最深幅度。若 \(V_t\) 表示组合在 \(t\) 时点的净值，则最大回撤可写为 \[ \mathrm{MDD}=\max_{1\leq t\leq T}\left(1-\frac{V_t}{\max_{1\leq s\leq t}V_s}\right). \] 这个指标关心的不是收益率围绕均值如何波动，而是投资者曾经从“账面最高点”回撤到什么程度。两个组合可以有相同的标准差，却给投资者完全不同的体验：一个是上下小幅震荡，另一个是先涨很多、再一路回撤 40%。从行为金融角度看，后者更容易触发赎回、止损和投资纪律失效。因此绝对收益基金、CTA、养老金组合和家族财富账户都常把最大回撤作为硬约束。与最大回撤相关的 Calmar 比率用年化收益除以最大回撤，适合评价趋势跟踪和长周期策略；但它也有局限，因为样本起止日期和单个极端区间会显著影响数值。

在险价值（VaR）。VaR 指在给定持有期和置信水平下，损失分布的某一分位数；换言之，在模型假设成立时，超过该数值的损失只会以较小概率发生。这里需要先统一符号：令 \(\alpha\) 表示尾部概率（如 \(5\%\)），\(1-\alpha\) 表示置信水平（如 \(95\%\)）。若先用收益率的下分位数表示，VaR 通常是负数；若按实务报告中的“损失额”表示，则取其相反数或绝对值。假设投资组合收益率服从正态分布，则

\begin{equation}\label{eq:ch02:var} q_{\alpha}=\mu-z_{1-\alpha}\sigma,\qquad \mathrm{VaR}_{\alpha}^{\text{loss}}=-q_{\alpha}=z_{1-\alpha}\sigma-\mu . \end{equation}

其中 \(\mu\) 为平均收益率，\(\sigma\) 为收益率标准差，\(z_{1-\alpha}\) 为置信水平对应的标准正态分布分位数（95% 水平下，\(z_{0.95} \approx 1.645\)）。例：若某投资组合的平均日收益率为 0.1%，标准差为 1%，在 95% 置信水平下的收益率下分位数为：

\[q_{0.05} = 0.1\% - 1.645 \times 1\% = -1.545\%,\qquad \mathrm{VaR}^{\text{loss}}_{0.05}=1.545\%.\]

在正态分布假设下，这意味着投资者一天内损失超过 1.545% 的概率约为 5%。VaR 的吸引力来自三方面：它给出一个具体的风险阈值、便于沟通；它可以汇总到机构层面，构成统一的风险敞口；它曾长期进入 Basel 资本充足率监管框架，成为银行业广泛使用的标准指标（图 （见上文））。但 VaR 也有三个根本缺陷：第一，它不是“一致风险度量”，合并组合的 VaR 可能大于两个组合 VaR 之和，从而不能稳定体现分散化收益；第二，它无法刻画尾部内部的平均损失深度；第三，它对模型假设极度敏感，假设正态分布得到的 VaR 与假设 \(t\) 分布或经验分布得到的 VaR 可能存在很大差异。

预期短缺（ES/ETL/CVaR）。预期短缺（Expected Shortfall, ES）在部分教材中也称为预期尾部损失（Expected Tail Loss, ETL）或条件在险价值（CVaR），衡量的是越过 VaR 阈值之后的平均损失。为便于公式书写，本节公式使用 \(\mathrm{ETL}\) 表示同一尾部风险指标。VaR 回答“在给定置信水平下损失边界在哪里”，ES/ETL 进一步回答“一旦越过边界，平均损失会有多深”。

\begin{equation}\label{eq:ch02:etl} \mathrm{ETL}_{\alpha} = E\!\left[L \,\middle|\, L > \mathrm{VaR}_{\alpha}^{\text{loss}}\right] \end{equation}

\(L > \mathrm{VaR}_{\alpha}^{\text{loss}}\) 表示损失超过 VaR 的条件下，计算其平均损失。本节记号中 \(\alpha\) 表示尾部概率，若用置信水平 \(c\) 表示，则 \(\alpha=1-c\)。在实际操作中，可以使用历史模拟法、蒙特卡罗模拟或正态分布假设来估算 ETL。若损失 \(L\sim N(\mu_L,\sigma^2)\)，正态参数法下有 \[ \mathrm{ETL}_{\alpha}=\mu_L+\sigma\frac{\phi(z_{1-\alpha})}{\alpha}. \] 假设某投资组合的损失服从正态分布，平均损失为 0，标准差为 100000 元，希望在 95% 的置信水平下计算 ETL：

\[\mathrm{VaR} = 0 + 1.645 \times 100000 = 164\,500\] \[\mathrm{ETL}_{\alpha} = \sigma \times \frac{\phi(z_{1-\alpha})}{\alpha} = 100\,000 \times \frac{0.103}{0.05} \approx 206\,000.\]

这意味着，在最坏 5% 的情况下，投资组合的平均损失约为 20.6 万元。它高于 16.45 万元的 VaR，因为 ETL 衡量的是已经越过 VaR 阈值之后的平均损失。

VaR 与 ES/ETL 的差别，是“风险边界”和“风险强度”的差别。VaR 便于设置交易限额和日常监控阈值，但它不告诉管理者尾部内部损失有多深；ES/ETL 把尾部损失平均起来，更适合资本规划、压力测试和监管资本计量。巴塞尔市场风险新框架（FRTB）采用 97.5% ES（即本节的 ETL/CVaR 口径），正是因为危机中真正损害机构偿付能力的往往不是普通波动，而是尾部损失的深度和持续性。

夏普比率

夏普比率衡量每承担一单位总风险获得多少超额收益。它把“收益高不高”改写成“这份收益是否值得这些波动”，因此常用于基金、组合和不同资产之间的横向比较。

\begin{equation}\label{eq:ch02:sharpe} \mathrm{SR} = \frac{\bar{r} - r_{f}}{\sigma} \end{equation}

其中 \(\bar{r}\) 为投资的平均收益率，\(r_{f}\) 为无风险收益率（如国债利率），\(\sigma\) 为投资收益的标准差。

夏普比率越高，表示单位风险对应的超额回报越高。若某基金年平均收益率为 8%、无风险利率为 2%、标准差为 10%，则其夏普比率为：

\[\mathrm{SR} = \frac{0.08 - 0.02}{0.10} = 0.60\]

这表示该基金每承担 1 单位总波动风险，可获得 0.60 单位超额收益。

夏普比率只是风险调整后收益的一个度量，针对不同的关注点有多种变体。图 （见上文） 展示了中国市场代表产品的资产风险收益分布。

表 （见上文） 进一步把几类常用风险调整后收益指标放在一起比较，便于区分它们到底在惩罚哪一种风险。

>{\arraybackslash}p{\dimexpr(\linewidth-10\tabcolsep)/5\relax}>{\arraybackslash}p{\dimexpr(\linewidth-10\tabcolsep)/5\relax}>{\arraybackslash}p{\dimexpr(\linewidth-10\tabcolsep)/5\relax}>{\arraybackslash}p{\dimexpr(\linewidth-10\tabcolsep)/5\relax}>{\arraybackslash}p{\dimexpr(\linewidth-10\tabcolsep)/5\relax}@{}} 指标	公式	风险度量	适用场景	主要局限
夏普比率	\((\bar r-r_f)/\sigma\)	总标准差	跨资产、跨基金比较	不区分系统性与非系统性风险
Sortino 比率	\((\bar r-r_f)/\sigma_{\text{下行}}\)	下行标准差	强调下行风险（对冲基金）	阈值选择敏感
Treynor 比率	\((\bar r-r_f)/\beta\)	系统性风险	充分分散的组合	不适用非分散组合
Jensen \(\alpha\)	\(\bar r-[r_f+\beta(r_m-r_f)]\)	CAPM 残差	度量主动管理能力	依赖 CAPM 假设
Information Ratio	\((\bar r-\bar r_b)/\sigma(r-r_b)\)	跟踪误差	主动管理对基准	基准选择敏感
Calmar 比率	\(\bar r/|\mathrm{MDD}|\)	最大回撤	趋势策略、CTA	仅看历史最差点

经验值只能粗略参考：夏普比率 < 0.5 往往偏弱、0.5--1.0 可视为有一定吸引力、1.0--2.0 已较少见、>2.0 通常需要格外警惕是否含有未识别的尾部风险。对公开资料中声称“极高夏普”的策略，分析者必须先追问口径：是扣费前还是扣费后，是自营资金还是外部投资者可得收益，是否存在容量限制、流动性约束或尾部卖保险暴露。沪深 300 自 2005 年的夏普比率约 (8.5%-3%)/23% \(\approx\) 0.24；下文表 （见上文） 则使用 2015--2024 年样本，因样本期和标的口径不同，不应与这一长期估算直接横向比较。对 A 股长期风险收益的评价，还需要同时考虑分红再投口径、无风险利率、样本区间和投资者结构等背景。

把这些指标放在一起看一个具体的中国市场案例（表 （见上文））：沪深 300 与中证 500 在 2015--2024 年的年化数据。中证 500 单看夏普比率比沪深 300 略低（因为同期回报较低、波动较高），但峰度更高、左尾更厚。这一差异恰恰说明：仅靠夏普比率不能完整刻画风险，下行度量与高阶矩同样关键。

>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}@{}} 指标	沪深 300	中证 500	一年期国债
年化几何收益	4.5%	3.1%	2.5%
年化波动率	21.0%	26.5%	0.5%
最大回撤	\(-45\%\)	\(-58\%\)	\(<\!-1\%\)
偏度	\(-0.45\)	\(-0.55\)	\(\approx 0\)
峰度	4.8	5.2	\(\approx 3\)
夏普比率（对国债）	0.10	0.02	不适用

本节的重点不是记住某一个“通用指标”，而是理解指标之间的分工：标准差刻画总波动，相关系数和协方差服务于分散化，贝塔衡量系统性风险，VaR 与 ES/ETL 描绘尾部损失，夏普比率等指标把收益放回风险承担之中评价。实务中通常要组合使用这些指标，单一数字很少能完整描述一个资产的风险面貌。

分布函数

前面的标准差、VaR 和夏普比率都隐含一个共同问题：收益率到底服从什么分布？如果真实分布接近正态，很多公式简洁、直观；如果真实分布厚尾、偏斜，模型就会系统性低估危机概率。本节从正态分布开始，再说明峰度、偏度和对数正态分布为何在投资学中反复出现。

收益率的正态分布

正态分布呈对称钟形曲线。若资产收益率服从正态分布，大部分观测会集中在平均值附近，离均值越远的极端收益发生概率越低。正态分布的概率密度函数（PDF）为：

\begin{equation}\label{eq:ch02:normal} f\left( r \right) = \frac{1}{\sigma\sqrt{2\pi}}e^{- \frac{\left( r - \mu \right)^{2}}{2\sigma^{2}}} \end{equation}

这里 \(r\) 为资产的收益率，\(\mu\) 为收益率的平均值（期望值），\(\sigma\) 为收益率的标准差（波动性）（图 （见上文））。

正态分布的优点在于可解释性强：它以平均值 \(\mu\) 为对称轴，收益率高于和低于均值的概率相等；同时，68%、95%、99.7% 的经验法则可以把标准差直接翻译成概率区间。这也是现代资产组合理论和 CAPM 早期偏爱正态假设的重要原因。

然而，实际市场中，资产收益率往往偏离正态分布，表现出更厚的尾部（极端事件发生的频率高于正态分布）和更尖的峰（更多的数据集中在平均值附近）。1987 年 10 月 19 日“黑色星期一”道琼斯指数单日下跌 22.6%，按当时估计的波动率，这相当于 22 个标准差的事件。按正态分布计算，其理论概率小于 \(10^{-100}\)，但现实市场仍然发生了这一冲击。这就引出了峰度和偏度的概念。

峰度

峰度衡量收益率分布的尾部厚度和峰部高度。对投资者来说，峰度越高，意味着“多数时期看起来正常、少数时期出现极端大波动”的概率越高。下式给出的是超额峰度（excess kurtosis）：

\begin{equation}\label{eq:ch02:kurtosis} \mathrm{ExKurt} = \frac{\sum_{t = 1}^{n}\left( r_{t} - \mu \right)^{4}}{n\sigma^{4}} - 3 \end{equation}

这里 \(r_{t}\) 为资产的收益率，\(\mu\) 为收益率的平均值（期望值），\(\sigma\) 为收益率的标准差（波动性），\(n\) 为样本数量。减 3 是因为正态分布的普通峰度为 3，通过减 3 后正态分布的超额峰度为 0。

因此，超额峰度可分为三类：正超额峰度（大于 0），即收益率分布比正态分布更尖峰厚尾，极端收益更常见；零超额峰度，即分布与正态分布相近；负超额峰度，即分布更平缓、尾部更轻。金融资产收益率常见的是正超额峰度，这也是风险模型必须关注尾部的原因。

偏度

偏度衡量收益率分布的不对称性。它回答的问题是：极端收益更容易出现在右尾，还是更容易出现在左尾？

\begin{equation}\label{eq:ch02:skewness} \mathrm{Skewness} = \frac{\sum_{t = 1}^{n}\left( r_{t} - \mu \right)^{3}}{n\sigma^{3}} \end{equation}

这里 \(r_{t}\) 为资产的收益率，\(\mu\) 为收益率的平均值，\(\sigma\) 为收益率的标准差，\(n\) 为样本数量。

偏度也可分为三类：正偏度（Skewness \(>0\)），即右尾更长，偶尔出现特别高的收益；零偏度（Skewness \(=0\)），即分布大体对称；负偏度（Skewness \(<0\)），即左尾更长，较大亏损更常见。许多卖期权、信用套利和高杠杆策略都具有“平时小赚、偶尔大亏”的负偏度特征。 正峰度和负偏度的组合在金融市场中很常见，意味着极端负收益的概率高于正态分布预测，这就是风险管理中反复强调的厚尾风险。

资产价格的对数正态分布

对数正态分布指：若资产对数收益率 \(r=\ln(S_T/S_0)\) 服从正态分布，则给定期初价格 \(S_0\) 时，期末价格 \(S_T\) 服从对数正态分布。这个假设有一个重要好处：价格不会低于零，同时又允许右尾很长，能够刻画资产价格长期上涨中的复利效应。其概率密度函数为：

\begin{equation}\label{eq:ch02:lognormal} f\left( S_T \right) = \frac{1}{S_T\sigma_{\ell}\sqrt{2\pi}}e^{- \frac{\left( \ln(S_T/S_0) - \mu_{\ell} \right)^{2}}{2\sigma_{\ell}^{2}}},\qquad S_T>0. \end{equation}

这里 \(S_T\) 为期末资产价格，\(S_0\) 为期初资产价格，\(\mu_{\ell}\) 为对数收益率的平均值（期望值），\(\sigma_{\ell}\) 为对数收益率的标准差（波动性）。下标 \(\ell\) 提醒读者：这里的均值和波动率是 \(\ln(S_T/S_0)\) 的矩，不是前文简单收益率 \(r\) 的样本均值和标准差。

对数正态分布有三个投资学含义。第一，价格下界为零，符合股票、商品等资产价格不能为负的基本事实。第二，分布右偏，少数资产可能在长期复利中上涨很多倍。第三，对数收益率可以跨期相加，数学处理方便，因此 Black-Scholes 模型等衍生品定价框架常以它为基础。

风险偏好

不同投资者对风险的态度差异很大。经济学用效用函数 \(U(W)\) 刻画财富带来的主观满足（图 （见上文））。同样增加 100 万元财富，对普通工薪家庭和高净值家庭的边际意义不同，这一现象就是财富的边际效用递减。

按效用函数形状，投资者可以分为三类。风险厌恶者的效用函数为凹函数（\(U''<0\)），通常会拒绝公平赌博；在“确定得到 100 元”和“50% 概率得 200 元、50% 概率得 0 元”之间，更倾向于前者。风险中性者的效用函数近似线性，只看期望值，对这两个选项无差异。风险偏好者的效用函数为凸函数（\(U''>0\)），更偏爱具有赌博性质的结果，少数接近清盘的高杠杆投资者有时会表现出这种“放手一搏”的行为。

Arrow--Pratt 绝对风险厌恶函数记为 \(A_a(W) = -U''(W)/U'(W)\)，衡量投资者在每元财富水平上的风险厌恶强度。常用的几种效用函数列于表 （见上文）。与 \(A_a(W)\) 不同，均值--方差框架通常用无量纲的 \(A\) 表示风险厌恶系数，并把二次近似写成 \(U = E(r) - \tfrac{A}{2}\sigma^{2}\)；这是 Markowitz 投资组合理论的微观基础（详见第三章）。给定 \(A\)、\(E(r)\)、\(\sigma\)，可以直接计算“确定性等价收益率” \(r_{CE} = E(r) - \tfrac{A}{2}\sigma^{2}\)，它把“风险溢价”从直觉量化为具体数字。

>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}@{}} 类型	函数形式	风险厌恶特征	适用场景
二次型	\(U(W)=W-\tfrac{a}{2}W^2\)	IARA（递增）	Markowitz 框架
对数	\(U(W)=\ln W\)	CRRA = 1	Kelly 准则
幂效用 CRRA	\(U(W)=W^{1-\gamma}/(1-\gamma)\)	CRRA = \(\gamma\)	长期资产配置
指数 CARA	\(U(W)=-e^{-aW}\)	CARA	简化均衡分析
前景理论	见第七章	损失厌恶	行为金融

理论模型用效用函数刻画风险偏好；进入真实销售场景后，金融机构通常要通过风险测评问卷识别客户承受能力，并按“投资者适当性原则”匹配产品风险等级。这一步把抽象的风险偏好变成了可留痕、可审查、可问责的合规流程。

智能风控

前几节的风险度量大多从价格序列出发：收益率、方差、相关系数、VaR、ES、夏普比率。它们适合回答“已有数据呈现出怎样的风险”，却不总能及时识别“风险为什么正在形成”。现代市场的风险信号往往分散在更多地方：成交拥挤、融资余额、赎回压力、新闻文本、监管公告、社交媒体情绪、链上资金流、甚至同一类量化模型的同步调仓行为。智能风控的意义，不是用算法替代金融判断，而是把这些高维信息转化为可监测、可解释、可复核的风险预警。

因此，本节讨论机器学习时要同时守住两条线：一条是技术线，说明树模型、神经网络、Transformer 和大语言模型如何识别非线性风险；另一条是责任线，说明模型输出必须接受数据质量、可解释性、人工复核和监管合规的约束。风险管理不是预测竞赛，真正重要的是在损失发生前能否看见风险、在模型出错后能否解释原因、在客户和监管者面前能否承担责任。

数据驱动

传统风险模型的优势在于清楚、稳健、可解释。方差与标准差 （见上文）、\(\beta\) 系数 （见上文）、VaR （见上文） 与 ES/ETL （见上文） 都能把风险压缩成可报告、可比较的数字。但市场风险并不总是线性、平稳和低维的：流动性冲击会沿着杠杆链条传导，舆情和政策文本会改变预期，程序化交易会让许多机构在同一时间做出相似反应。此时，仅靠少数价格变量和固定分布假设，往往看不到风险正在形成。

机器学习的价值正在于处理这种高维、非线性和动态交互。它不先假设一个固定结构方程，而是从价格、成交、宏观变量、文本情绪以及特定场景下的链上数据、卫星图像、电力消耗等信息中学习统计关系。Gu, Kelly & Xiu（Review of Financial Studies, 2020）系统比较了 14 种方法在美股资产定价上的表现，发现神经网络等非线性方法的样本外 \(R^{2}\) 明显高于 OLS，也优于 Lasso、弹性网等线性方法。这篇研究的价值，不在于宣称机器学习“替代”金融理论，而在于说明数据驱动方法可以在传统线性模型看不见的地方提供增量信息。

不过，机器学习并不等于更可靠的风险管理。样本外失效、过拟合、不可解释、数据泄露和模型同质化，都会把技术优势变成新的风险来源。评估这类模型时，预测能力只是第一步；数据质量、可解释性、人工复核和监管合规同样决定它能不能进入真实风控流程。

典型机器学习方法在风险度量中的应用

1. 树模型与集成学习。 随机森林（Random Forest）通过构建大量决策树对数据进行非线性划分，再对各棵树的预测结果进行加权平均。梯度提升树（GBDT、XGBoost、LightGBM）则逐步修正前一轮模型的残差，常用于信用违约预测、风险预警和 VaR 分位点估计。在 VaR 预测中，研究者通常以历史收益、波动率估计、成交量变化、技术指标和市场情绪指数作为输入特征，利用滚动窗口训练模型。树模型的基本直觉是不断追问“在哪些条件组合下，亏损概率会明显上升”，因此适合识别非线性阈值和变量交互。

2. 支持向量机与核方法。 支持向量回归（SVR）通过核函数把输入变量映射到高维空间，从而拟合收益分布中的复杂边界。它适合中等样本量、变量结构相对稳定的情境，可用于预测 1% 或 5% 分位风险水平。其经济直觉是：风险边界未必是一条直线，核方法允许边界弯曲。

3. 神经网络（NN、DNN、LSTM）。 人工神经网络依靠多层结构自动提取特征，适合捕捉波动聚集、行为异常和情绪跳跃。LSTM（长短期记忆网络）等循环结构能够保留序列记忆，在波动率预测中常被用来处理“前几天的大跌会影响后续波动”的问题。在样本充足、回测严格且治理流程清楚的条件下，神经网络可以辅助估计 VaR 分位点或风险分布路径，为动态预警提供一类输入。

4. Transformer 与大语言模型。 Transformer 架构通过注意力机制处理长文本和多源信息，大语言模型进一步降低了非结构化文本进入投资研究的门槛。其高价值用途主要有两类：一是结构化抽取，从政策文件、上市公司财报和新闻公告中提取政策不确定性、财报情绪、ESG 事件等因子；二是多模态融合，把卫星影像、舆情数据、宏观时序和链上数据放入同一模型中，形成风险预警概率。表 （见上文） 汇总了主要方法的对比。

>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}>{\arraybackslash}p{\dimexpr(\linewidth-8\tabcolsep)/4\relax}@{}} 方法	典型应用	优势	主要风险
随机森林、GBDT	信用违约预测、VaR 分位点	鲁棒、可处理缺失	过拟合、外推差
SVR	中样本非线性回归	凸优化稳定	计算复杂度高
LSTM、GRU	波动率预测、序列异常	捕捉长依赖	数据需求大
Transformer 多模态	全市场风险监测	跨模态融合	解释性弱、训练成本高
大语言模型	财报与政策文本因子	零样本与抽取能力强	事实性错误、合规边界不清

这些方法的共同特点是数据驱动、形式灵活，能够识别传统线性模型不容易捕捉的风险信号。但它们也共享一个代价：解释难度更高。在风险管理这一审慎领域，模型不仅要有效，还必须能说明为什么发出预警、错在哪里、由谁负责。

可解释人工智能与监管科技

为缓解“黑箱”问题，研究者开发了多种可解释工具。SHAP 基于博弈论中的 Shapley 值，度量每个输入变量对模型输出的边际贡献；LIME 则在某个样本附近拟合一个局部线性模型，用简单模型解释复杂模型的局部判断。这些工具不能把机器学习变成因果真理，但能帮助风险人员追踪模型为什么提高某只股票、某个客户或某个组合的风险评分。

监管科技（RegTech）的核心，是用算法、知识图谱和大模型处理监管报送、反洗钱、市场监控与合规审计。在证券交易监控中，交易所和监管机构越来越多依靠程序化交易报告、异常交易识别、账户关联分析和穿透核查来识别操纵、对倒、抢跑和异常撤单。对金融机构而言，大模型和机器学习不是可以随意接入的智能插件，而是必须接受数据来源、模型解释、人工复核和责任追溯约束的合规系统。

落地实践、A 股量化与发展趋势

从实务角度看，机器学习正在进入风险管理的多个环节。部分资产管理机构尝试用随机森林、神经网络等方法辅助估计组合 VaR、敞口变化和拥挤交易信号；商业银行把机器学习引入信用评级和欺诈识别；量化基金用无监督学习给股票、行业和因子做风险聚类，再据此设计对冲结构。这些实践共同指向一个变化：风险管理不再只盯着价格序列，也开始处理账户、文本、交易行为和宏观变量之间的联动。

中国 A 股量化私募近年发展很快，不少头部机构在选股、风险控制和交易执行中采用机器学习或深度学习方法。2024 年 2 月小微盘股流动性危机期间，量化策略的“同质化”风险被监管层重点关注：当多家机构使用相似因子库、止损规则和换手节奏时，单家机构的风控动作可能在市场层面叠加成同向交易压力。这一事件提醒我们，机器学习可能降低单个模型的预测误差，也可能放大市场整体的拥挤交易。

未来的结合方向大致有三条：一是风险预测精细化，在日频、日内和压力情景之间建立更及时的预警口径；二是风险因子语义化，把政策文本、社交舆情和跨境合规事件转化为可复核的量化因子；三是监管协同化，交易所和监管层用算法做实时监控，倒逼买方在策略设计阶段就考虑合规边界。理解机器学习在风险度量中的作用，不只是多掌握一种工具，也是在理解现代金融风险如何由数据、交易、制度和算法共同塑造。这套逻辑会在第七章（行为金融与算法化情绪）、第十七章（技术分析）中继续展开。

风险法治

前面几节建立了一套度量收益与风险的数学语言：从 HPR 到 GM、从 \(\sigma\) 到 \(\beta\)、从 VaR 到 ES/ETL、从效用函数到夏普比率、再到机器学习时代的风险预测。但这些工具的使用并非自由。金融机构和投资者每一次度量、披露、销售、对冲，都嵌入在监管法规和合规要求之中。这一节回到制度维度：中国与全球的金融监管架构如何把“风险度量”从技术问题变成法律义务？这对学习者意味着什么？

风险监管

中国资本市场的风险管理监管，自 1992 年证监会成立以来，大致经历了“分业监管、功能监管、统筹监管”三个阶段。2023 年 5 月国家金融监督管理总局成立后，中国金融监管形成了以“一行一总局一会”为主轴、外汇管理和司法救济等机制协同支撑的格局：中国人民银行侧重货币政策、宏观审慎管理、系统性风险防范和金融基础设施监管；国家金融监督管理总局统筹银行、保险、信托、消费金融、金融控股公司等机构的微观审慎和行为监管；中国证监会聚焦证券、期货、基金和资本市场衍生品监管；国家外汇管理局负责跨境资金流动、外汇市场和国际收支相关监管。这一架构对应了“宏观审慎、微观审慎、投资者保护”三层风险管理职能。

系统重要性金融机构（SIFIs）名单是宏观审慎监管的关键工具。中国自 2021 年首次公布国内系统重要性银行（D-SIB）名单，后续名单按年更新；截至 2026 年 2 月公布的 2025 年度名单，共认定 21 家国内系统重要性银行。它们要承担更高的附加资本和损失吸收要求。这些数字看似遥远，但对投资者意义直接：一旦某家银行进入更高的 D-SIB 等级，其分红能力、资本回报率（ROE）会受到附加资本要求约束；类似地，券商的系统重要性识别也会影响其杠杆使用与业务半径。把这些信息嵌入估值模型，是把“监管资本约束”从背景音变成可量化变量的重要一步。

司法层面，2018 年成立的上海金融法院已成为中国金融审判的重要平台，受理案件涵盖证券虚假陈述、衍生品违约、跨境投资纠纷、私募基金合同纠纷等典型类型。最高人民法院 2022 年修订的《关于审理证券市场虚假陈述侵权民事赔偿案件的若干规定》、2019 年发布的《九民纪要》第 5 条（对赌）、第 72--78 条（卖方机构适当性义务）、第 92--93 条（保底承诺与通道业务）等规定，都为本章提到的“风险揭示充分性”“卖者尽责义务”提供了具体的司法尺度。

巴塞尔协议

国际银行业的风险管理标准由巴塞尔银行监管委员会（BCBS）在 1988 年首次确立，经历了三个版本的迭代：巴塞尔 I（1988）建立“资本充足率 \(=\) 资本除以风险加权资产 \(\geq 8\%\)”的核心规则；巴塞尔 II（2004）引入最低资本要求、监管检查、市场约束三大支柱；巴塞尔 III（2010 后续，2017 年最终方案）针对 2008 危机大幅提高资本质量与流动性要求，引入流动性覆盖率（LCR）、净稳定资金比例（NSFR）、杠杆率等新指标。

特别值得本章读者关注的是：巴塞尔 III 改革中的市场风险新框架 FRTB（2016 年初版、2019 年修订稿）明确把内部模型法的核心指标从 VaR 转向预期短缺（ES，即本章的 ETL 或 CVaR）。这一决定的金融学逻辑正是本章风险度量部分反复强调的：“VaR 不是一致风险度量、对尾部不敏感”。监管层用更能刻画尾部平均损失的 ES 替代 VaR，是把学术界对 VaR 的批评写入规则的标志性事件。

中国国家金融监督管理总局 2023 年发布、2024 年 1 月施行的《商业银行资本管理办法》是巴塞尔 III 最终方案的中国本土化实施。新办法对中国大型商业银行的资本要求、对中小银行的差异化分级、对资管产品的穿透计量、对中国国债的零风险权重保留等关键条款，都直接影响中资银行未来的资本回报率和分红潜力。对银行股研究者来说，这套新规会改变 ROE、资本补充和分红能力的约束条件。

适当性管理

学术上的效用函数固然优美，但在实务中评估客户的风险偏好通常使用风险测评问卷。《证券期货投资者适当性管理办法》于 2016 年公布、2017 年 7 月施行，后经 2020 年和 2022 年修正。该办法要求经营机构在向投资者销售产品或提供服务前了解投资者基本信息、评估客户风险承受能力（实务中常记为 C1--C5），并对产品进行风险等级分级（通常为 R1--R5）。只有客户风险承受等级不低于产品风险等级，销售才合规。

这一制度的法学意义在于：它把“卖者尽责”与“卖者赔责”连接起来。王翔诉建设银行恩济支行案明确了金融机构未尽适当性义务造成投资者损失时应当承担赔偿责任，具有重要示范意义。另一条投资者保护路径则是证券虚假陈述集体救济，例如 2021 年康美药业特别代表人诉讼判决投资者获赔 24.59 亿元，首例证券集体诉讼标志着 A 股投资者保护机制从“个体维权”进一步走向“集体救济”。

适当性原则与本章的效用函数理论形成了对应关系。前文二次效用例题说明，风险厌恶系数 \(A=4\) 的投资者更偏好低风险组合 P，\(A=1\) 的投资者可能转向高风险组合 Q。在监管实务中，抽象的“\(A\)”不能直接观察，只能通过风险测评问卷、资产状况、投资经验和历史交易行为加以近似识别，进而映射为客户 C1--C5 风险承受能力；产品再按 R1--R5 分级匹配。这就是把数学模型嵌入合规流程的具体路径。理解这一对应关系，是把“投资学理论”和“金融实务”两套语言打通的关键。

反洗钱、跨境资本流动与制裁合规

风险管理不仅包括市场风险与信用风险，还包括法律风险、合规风险和声誉风险，这一点在跨境投资中尤其突出。反洗钱和反恐怖融资由金融行动特别工作组（FATF）牵头制定 40 项建议，中国 2007 年施行《反洗钱法》，并于 2024 年完成修订、2025 年 1 月起施行修订后的法律。证券公司、基金管理公司、信托公司、银行、保险等机构都需要进行客户身份识别，监测大额可疑交易和跨境资金流动。

共同申报准则（CRS）是 2014 年由 OECD 推动的全球税务信息自动交换框架。中国于 2017 年发布《非居民金融账户涉税信息尽职调查管理办法》并自 2017 年 7 月 1 日起施行，金融机构据此识别非居民账户并向中国税务总局报送，由税务总局再与协议签约方交换。对于做跨境资产配置的高净值投资者，CRS 意味着海外投资账户已不再“隐形”，把税务合规嵌入投资规划已是必修。

制裁合规方面，美国财政部海外资产控制办公室（OFAC）维护的特别指定国民和被封锁人员名单（SDN List）、欧盟制裁清单、联合国安理会制裁清单，对中国跨境投资构成显性边界。2018 年中兴通讯、2019 年华为、2022 年俄乌冲突后的对俄制裁，都是制裁合规风险被低估的代价的典型案例。本书第十二章“稳定币与数字金融”、第十三章“远期与期货”将进一步展开制裁合规对跨境支付、大宗商品交易的具体影响。

量化与算法

最后回到本章前面讨论的机器学习与人工智能主题。算法、量化与人工智能投资在中国受多层监管约束：第一，程序化交易报告管理，相关投资者和机构需要按交易所规则报告账户、资金、交易软件、策略类型和交易行为等信息；第二，可解释与可审计要求，智能投顾、量化基金客户画像、机器人客服等算法驱动的投资服务必须能够说明主要依据、风险边界和人工复核机制；第三，人工干预原则，大模型生成的研究报告、风险建议不能直接替代持牌人员面向客户作出的适当性判断。SHAP、LIME 等解释工具不再仅是技术选项，也可以成为模型审计和责任追溯的辅助工具。

2024 年 2 月小微盘股流动性危机后，监管层对量化策略的“同质化风险”高度关注。事实上，程序化交易监管链条在此之前已经启动：2023 年 9 月，沪深北交易所发布程序化交易报告与管理通知，先把账户、软件、策略类型和申报行为纳入报告管理；2024 年 5 月，证监会发布《证券市场程序化交易管理规定（试行）》，并自 2024 年 10 月 8 日起施行；2025 年 4 月 3 日，沪深北交易所发布程序化交易管理实施细则，并自 2025 年 7 月 7 日起施行。这一监管链条对程序化交易报告管理、异常交易监控和高频交易差异化监管作出更完整安排，把量化交易从单纯的策略竞争，推进到收益、风险和合规三维共同约束的阶段。对量化基金和私募管理人而言，策略不仅要在收益、风险维度优化，还要在合规维度可解释、可问责。

“风险度量可问责”，这是把本章 VaR、CVaR、机器学习预测、效用函数全部统一在法治视角下的最终命题。模型即使设计精巧，如果不能在监管部门和投资者面前解释清楚、落实责任，就不能在中国资本市场长期使用。

本章小结

本章围绕收益与风险展开，重点不是让读者背诵指标，而是理解不同指标回答的问题不同。持有期收益率、算术平均、几何平均和实际收益用于刻画“赚了多少”；方差、标准差、下行风险、最大回撤、VaR 与 ES 用于刻画“可能亏多少”；夏普比率、Sortino、Treynor 和信息比率则把收益放回风险承担之中评价。

本章进一步说明，金融市场收益分布常常存在偏度、峰度和尖峰肥尾，正态分布只是近似而非事实。负债现金流、LTCM、A 股股灾、雪球敲入等案例共同提示：复利方向、杠杆、流动性、模型假设和投资者适当性会把统计风险转化为现实损失。读者应掌握风险度量的基本工具，也要理解风险度量在监管、销售适当性和模型问责中的现实含义。

本章关键概念

持有期收益率 {} 连续复利与对数收益率 {} 内部收益率 IRR {} 时间加权收益率 TWR {} 货币加权收益率 MWR {} 算术平均收益率 {} 几何平均收益率 {} 名义收益与实际收益 {} 反向复利 {} 现金流约束 {} 流动性缓冲 {} 方差 {} 标准差 {} 协方差 {} 相关系数 {} 下行风险 {} 贝塔系数 {} 在险价值 VaR {} 预期短缺 ES {} 最大回撤 {} 夏普比率 {} Sortino 比率 {} 偏度 {} 峰度 {} 尖峰肥尾 {} 风险厌恶 {} 凯利公式 {} 风险承受能力 {} 效用函数 {} 投资者适当性 {} 客户身份识别 {} 巴塞尔 III FRTB {} 风险度量可问责