作者：兴全多元资产
我们经常收到几个很直接的问题：接下来该买什么？现在上车还来得及吗？要不要先离场？
问法不同，背后想知道的其实是同一件事：接下来，市场会怎么走？
想知道答案很自然。投资当然离不开判断。经济、估值和资产风险都在变化，专业投资人需要持续研究这些变化，也需要在判断出错时修正。但这是一套长期跟踪、反复检验的工作，和临时判断某个时点该“上车”还是“离场”，并不是一回事。
对多数投资者来说，或许还有一个更值得先回答的问题：如果没有猜中下一段行情，手里的组合能否承受？这篇文章想讨论的，不是放弃对市场的理解，而是除了努力判断未来，我们还能怎样安排自己的投资。
01
靠判断调仓位，需要准到什么程度？
1975年，诺贝尔经济学奖得主威廉·夏普曾经发表过一篇很短的文章，专门算这笔账。他设想了一个最简单的择时者：每年年初只做一个判断——今年股票会不会跑赢现金。看好就满仓股票，看淡就全部换成短期货币工具，一年一次，不做更细的动作。然后他问：这个人需要判断得多准，才值得这么做？
答案是，十次里至少要对七次。
门槛之所以这么高，有两层原因。
第一层是机会成本。股票长期跑赢现金，所以每一次“空仓避险”本身就在放弃一段长期收益。判断对了，只是躲过一段下跌；判断错了，赔上的是一整年的上涨——赢面和输面从一开始就不对称。
第二层是错误会复利。择时不是做一次，而是年复一年地做。只要有两三次踏空恰好赶上大年，后面很难补回来。
他的测算结果显示，即便做得不错，择时长期能带来的增量收益大概也不超过每年4%——而为了这4%，需要常年维持七成的判断准确率。
这个门槛在A股同样成立，并且因为波动更大，还要更极端一些。
图1 少数交易日对累计收益的影响
数据来源：Wind，2010年12月31日至2026年10月22日，兴证全球基金多元资产配置部测算。全区间共3,836个交易日，10天占0.26%。剔除极端交易日为假设情形，用于说明收益分布的集中度，不代表任何可执行的策略。历史数据不代表未来表现。
全区间3,836个交易日里，10天只占0.26%。但就是这0.26%：上证指数全程持有的累计收益是30.3%，错过涨幅最大的10天，变成−24.0%；反过来，躲过跌幅最大的10天，变成185.0%。创业板指更悬殊，全程持有126.5%，躲过最差10天是473.6%，但如果错过涨幅最大的十天，累计持有收益会一下子掉到-4.4%。
而0.26%这个数字还有另一层含义：择时的结果，由不到千分之三的交易日决定。这不是一个能靠稳定能力去覆盖的分布。
02
换成模型算权重，会更可靠吗？
如果方向难猜，换个思路：不猜方向，用更好的模型去分配权重，是否可行？这条路也被认真检验过。
2006年，Victor DeMiguel、Lorenzo Garlappi 与 Raman Uppal 把一篇论文发布在 SSRN 上，题目是《最优分散化与朴素分散化：1/N策略究竟有多低效？》，后于2009年发表在《金融研究评论》。他们找来7组数据，覆盖美国行业组合、国际股票指数、规模与价值组合以及多个因子组合，让14种组合优化模型——均值方差、贝叶斯收缩、最小方差等等——与最朴素的“等权重”同场竞技。
结果是：在样本外夏普比率、确定性等价收益和换手率三项指标上，没有一种模型能持续战胜等权重。
原因不是优化理论错了，而是输入难以实现准确的结果，特别是历史参数、给定假设等因素的任何一项变化，都可能带来结果的大幅偏离：假设两项资产真实收益率都是8%、波动率都是20%、相关系数0.99，合理权重本应各占一半；如果其中一项的收益率仅仅被误估成9%，模型给出的权重会变成635%和−535%，模型的结果从各配置一半迅速变成了加杠杆做空，即使模型算得很精确，输入也没有办法非常精确。
作者进一步算了一笔账：按美国股市的参数，一个25项资产的组合，需要超过3000个月的历史数据，均值方差策略才有望稳定胜过等权。
图2 让优化模型稳定胜出，需要多长的历史
数据来源：DeMiguel, Garlappi & Uppal (2009), The Review of Financial Studies；按美国股市参数估算，均值—方差策略稳定胜过等权重1/N所需的历史样本长度。3000个月约合250年。
为什么论文会算出几千个月？一个重要原因是：组合优化需要估计预期收益，而预期收益比历史波动率更难从收益数据中估准。
假设一项资产真实年化波动20%。用十年的日度数据估它的波动率，标准误差（SE）大约0.3个百分点；用同样十年的数据估它的预期收益，标准误差却有6.3个百分点。把月度换成日度，并不会让预期收益估得更准。 计算一段时间的平均收益时，中间所有的价格其实都会被抵消掉——十年的平均收益，完全由“十年前的价格”和“今天的价格”两个数决定,无论是把这十年切成120个月还是2430天，算出来是同一个数。
波动率不一样。同样是从1涨到1.5，可能一路平稳，也可能先腰斩再翻三倍——总收益一样，风险天差地别，而这个差别只有看中间的每一步才知道。所以更密的数据对波动率是真信息，对预期收益只是把同一段路切得更碎。
这还只是一半。模型还要估资产之间如何一起涨跌：25项资产就有325个参数要估计，包括25个方差和300个协方差。历史可以描述得很精细，但市场环境一变，相关性也会跟着变——过去看起来能相互分散的资产，在某些下跌阶段会一起承压。
输入端很小的偏差，到权重端就成了前面那种635%和−535%。所以，想靠一套模型在事前可执行的条件下长期、稳定地改善组合结果，难度相当大——它要求你对未来估得足够准，而这恰恰是前面已经说明最难的那件事。
03
配置，或许更合适
如果把视角从“明年什么会涨”换成“组合的收益从哪里来”，配置这件事会清楚一些。
一部分是 Beta：持有某类资产、承担相应风险所获得的基础回报。股票的回报与企业盈利、分红和估值变化有关；债券有票息，也会受到利率变化影响；黄金、商品和海外资产，又受各自不同的因素驱动。另一部分是 Alpha：相对于所承担的市场风险，通过选股、交易、对冲等方式争取的超额收益，它更依赖持续的投资能力，也并非每次都能实现。
不同的收益来源未必总在同一时间表现好。把风险来源不同、相关性较低的资产放进一个组合，可以减少对单一市场的依赖；但相关性并不固定，市场承压时，原本分散的资产也可能一起下跌。配置的作用是管理风险，而不是消除风险。
因此，确定“每类资产拿多少”，起点不必是猜谁明年排第一，而是先弄清自己的钱什么时候要用、能承受多大回撤，再看组合是否过度依赖同一种风险。定好比例后，再去精选能在这个资产Beta基础上创造超额收益的管理人，无论是量化、还是主观，亦或是一些另类策略，都值得去深入挖掘。也不必随短期涨跌反复改主意，如果资金需求变了，或某类资产上涨后使风险暴露超出原定范围，可以按规则再平衡；若长期投资逻辑未变、估值更有吸引力且风险预算允许，也可以审慎增加配置。这些调整仍需要判断，但不必把整个组合押在一次判断上。
预测与配置并不对立：前者希望提高判断的胜率，后者更在意判断落空时，组合能否继续按计划运转。好的配置不是让我们永远判断正确，而是让一次失误不至于决定全部结果。
文章原文
