“去年我赚了16%，大盘只涨10%，我创造了6%的 Alpha。”一位投资者这样介绍自己的成绩。这句话里，收益差可以核对，投资能力却还没有得到证明。
他可能选得更好，也可能搭上了更大的市场波动，或赶上某种风格走强。要判断这段业绩，先分清三件事：赚了多少、比谁赚得多、哪些收益还不能被所选模型解释。
读完你能做什么
- 算出账户收益与相对基准的差，并说明两者回答什么问题。
- 解释 Beta 假设如何改变对领先业绩的理解。
- 写一张业绩证据卡，区分已知结果与尚不能证明的能力。
阅读准备：完整课程前置为 G06 基准、G08 收益、G09 风险、G13 不确定性，均为中文正文。本篇会补充用到的定义，只需会百分比的加减和倍数计算；回归这种用多期数据估计关系的方法，本篇不要求操作。
先看三张业绩卡，不急着给能力排名
下面三张卡均为合成数据。账户各以1万美元开始，观察同一完整年度，以美元计价，无外部出入金。收益含分红；净收益扣除设定的投资成本，不含个人税费。教学基准组合的同口径净总收益为10%。
基准（benchmark）是事先选定的比较对象。选它时要问：它是否适合这项投资任务，能否按合理成本实现？
| 业绩卡 | 成本前总收益 | 成本后总收益 | 与基准相比 | 额外线索 |
|---|---|---|---|---|
| A | 13% | 12% | +2 个百分点 | 持仓集中于少数行业 |
| B | 18% | 16% | +6 个百分点 | 较多持有小公司与近期强势股票 |
| C | 9.4% | 9% | −1 个百分点 | 规则规定保留更多现金 |
三个账户都赚了钱。扣除成本后，A 的期末权益为11,200美元，B 为11,600美元，C 为10,900美元。这是绝对收益：账户相对于自身起点增加了多少。
相对基准，A 领先两个百分点，B 领先六个百分点，C 落后一个百分点。这通常叫主动收益（active return）。16%减10%，差的是六个“百分点”，别把它写成收益率相对提高了6%。
至于谁最有能力，表里的信息不够。还缺逐期收益、持仓风险、事前目标和尝试记录。行业集中、小公司倾向、较多现金，都提示三个账户可能承担了不同风险。
基准不合适，正确的减法也可能回答错问题
保留较多现金的组合与始终满仓股票的组合，可能承担不同任务。用同一基准可以描述收益差，却未必能评价它们是否完成了各自目标。
如果 C 事前承诺长期跟上股票市场，落后就需要解释。但评价标准应在看结果前确定，结合目标、投资范围和风险约束选择，不能事后换一个更容易跑赢的基准。
日期、币种、分红和费用也必须对齐。把一个账户的含分红收益与指数的纯价格涨幅比较，会把两种口径混在一起。用一年表现对比另一段行情，或只给策略扣费而不给基准说明费用口径，也会使结果难以解释。[1]
Beta：先问你搭上了多大的市场波动
市场上涨时，涨得更多的组合可能只是对市场更敏感。要区分这种影响与选股能力，常用的一个指标是 Beta。
在简单市场模型里，Beta（贝塔）描述组合收益与市场收益的线性敏感度，通常由一段收益序列估计。较高 Beta 可以解释上涨时的部分领先，也可能意味着下跌时更大的损失。这种关系有估计误差，不是每天涨跌的固定倍数，更不是损失上限。
在同一模型里，Beta 为1对应与市场相同的敏感度，0.5较小，负值对应反向市场暴露。Beta 为0只表示没有这项线性市场暴露，资产本身仍可能大幅波动。因此，Beta 不等于总风险。[2]
给 B 一个教学假设：Beta 为1.5，同期无风险收益2%，市场总收益10%。模型的市场参照就是前面的教学基准，期间、美元、分红与成本口径一致；现实中不能拿任意基准代入。无风险收益也需匹配币种和期间，不代表购买力没有风险。
先算市场变化能解释多少：市场收益减去无风险收益，得到八个百分点；乘以1.5，得到十二个百分点的市场暴露项；再加回无风险收益，合计14%。
B 实际净收益16%，减去这14%，还剩两个百分点。原来领先基准的六个百分点，一部分被给定的市场暴露解释了。Beta 1.5是输入假设，不是从这一个观察值算出的。
这是单因子市场模型的算术演示，不是对实际收益的准确预测。模型是否适用，需要另行检验。
剩下两个百分点，为什么还不能直接叫能力
常见的市场模型把组合相对无风险收益的部分，分为 Alpha、市场暴露项和当期误差。Alpha（阿尔法）是模型截距，可以先理解为扣除所列风险解释后估计的平均收益。它需要跨期数据来估计，也有不确定性。
部分资料把简单的基准相减也叫 Alpha；本书讨论风险调整 Alpha 时，要求说明模型和口径。
刚才剩下的两个百分点，等于 Alpha 加当期误差。它可能包含持续部分，也可能包含本期特殊因素；单个观察值分不开两者，不能直接登记为“稳定 Alpha”。
误差也不只等于“纯粹的运气”。它还可能包含模型没有纳入的影响、风险暴露的变化或测量问题。模型是对现实的简化；模型没有解释的收益，不会因此自动变成没有风险的免费收益。[3]
市场之外，还有共同的收益来源
回到 B 的卡片：它较多持有小公司与近期强势股票。即使两个组合对大盘的敏感度相近，它们也可能因其他共同特征而表现不同。因子研究会尝试用清楚的定义和数据，描述其中某些系统性关系。
持有小公司是否解释了收益，还需持仓、逐期收益和模型检验。某种投资风格的名称本身，不能证明收益来源或未来持续性。
如果增加一个合理的风格解释之后，原来估计的 Alpha 明显减小，这说明结论依赖模型。
反过来，增加更多变量也不自动让模型更可靠。模型可能过度适应样本，遗漏重要变化，或用未来才知道的信息解释过去。选模型本身也需要规则，而不是不断尝试直到得出最想要的结论。
人们愿意承担某些风险，可能是因为期待获得补偿。但预期补偿不保证每一年都兑现。
市场效率的直觉也不是“价格永远正确”：当公开信息被许多人研究并反映进价格时，一项容易识别的获利机会可能会受到竞争。你既不能仅凭市场存在竞争断言所有主动研究无用，也不能仅凭找到一个解释就认定机会还没有被价格反映。[4]
成本和运气，会改变你得到的结果
表里 B 的成本前收益是18%，成本后是16%。两者相差两个百分点，是这个合成例子中的收益拖累，不是说某个券商或管理人的收费率恰好为2%。真实成本还受交易频率、买卖报价之差，以及成交价偏离参考价的程度影响；收费的基数和时点也可能不同。
毛收益有助于研究策略机制，净收益反映投资者实际留下多少。两者可以都看，但策略和基准的成本口径要写清，不能在比较中挑对自己有利的一边。
运气则让短期排名更难解释。假设很多人同时尝试不同规则，即使没有谁拥有稳定优势，也可能出现一些看起来很漂亮的赢家。若只展示赢家，隐藏没成功的尝试，你看到的就不是完整的证据。
基金研究中对技能与运气的分析，需要明确样本和统计方法；不能把一次领先当作这种分析的替代。[5]
证据不足时，先保留判断。继续检查的是：在给定基准、模型、成本和样本下，能力这个解释获得了多少支持。
把业绩卡改写成证据卡
现在重新描述 B。比较稳妥的写法是：“在给定合成年度和成本口径下，B 获得16%的净总收益，领先教学基准六个百分点。它具有小公司与强势股票倾向，可能存在不同风险暴露。给定 Beta 假设的单期示例还留下两个百分点未分离的部分，但这不足以估计稳定 Alpha 或证明技能。”
下一步需要的是可以复查的材料：
- 逐期收益和持仓。
- 事前基准与规则。
- 成本计算和完整试验记录。
- 不同市场条件下的表现。
这些材料尚未核对前，不宜仅凭业绩卡增加本金。
已经分析过的历史，不能再当作未用过的检验材料。
看业绩时，依次检查基准、收益口径、共同风险和持续性的证据。缺哪一项，就先补哪一项材料。
练习：换一组行情，还能分清吗
先写下答案，再读下方的核对要点。
- B 领先基准六个百分点，为什么还不能直接叫风险调整 Alpha？
- 用已给的2%、10%和Beta 1.5，写出模型参照收益，再说明16%减去它之后剩下的部分是什么。
- 换成独立的合成情景 D：组合与基准使用同一个完整年度、美元、含分红及净成本口径，收益分别为−8%和−6%；基准也是模型的市场参照。假设Beta仍为1.5，无风险收益仍为2%。组合亏了钱、落后了多少？模型参照收益和未分离部分分别是多少？能判断技能吗？
参考答案 · 展开核对
答案要点
第一题，六个百分点是相对给定基准的主动收益。风险调整还需要明确模型、暴露、成本、样本和估计误差。
第二题，模型参照收益为14%（无风险项加市场暴露项），剩下两个百分点等于 Alpha 加当期误差，单期不能分开。
第三题，组合亏损8%，比基准落后两个百分点。模型参照收益为 2% + 1.5 × (−6% − 2%) = −10%；实际−8%比它高两个百分点。这里仍是 Alpha 加当期误差，不能证明技能。它说明“残余为正”“账户赚钱”“跑赢基准”可以是三个不同结果。
带走的成果：一张业绩证据卡
把你对情景 D 的答案整理为四行：净收益；基准与主动收益；模型假设及残余；尚不能确认什么、需要补什么材料。
自检时看三件事：有没有把亏损与落后分开，有没有写明Beta是给定假设，有没有把单期残余误称为已估计的 Alpha。保留第一次答案和改正理由，比只抄出正确数字更有用。
小结：按三个层次评价一段业绩
- 先比较结果。统一期间、币种、分红和成本，再计算相对事前基准的差；赚钱与跑赢不是一回事。
- 再解释风险。检查市场与其他共同暴露。Beta只描述一种模型关系，低Beta不代表低总风险，模型剩余也不自动等于技能。
- 最后判断证据够不够。下跌变式中，亏损、落后和正残余同时存在。要讨论持续能力，还需跨期记录、完整尝试和模型局限，而非给单期差额换个专业名称。
下一步：G15 个人投资者可能拥有哪些优势将把“能力”变成可以检验的研究问题。
参考资料
-
CFA Institute：Portfolio Performance Evaluation：使用公开概要，未读取付费课程。
-
Nasdaq：Beta：市场敏感度、估计限制及Beta不是总波动风险。
-
Laurence B. Siegel：《Benchmarks and Investment Management》，2003，印刷页 11—13：直接相减、回归 Alpha 与模型解释。
-
CFA Institute：Market Efficiency：只使用公开概要，支持信息进入价格及效率受条件影响的说明。
-
Eugene F. Fama、Kenneth R. French：Luck versus Skill in the Cross-Section of Mutual Fund Returns，2010：技能、运气与样本评价；本文不把该样本结论推广为所有投资者的结论。
编写说明
- 三张业绩卡及 Beta 数值均为原创教学假设。AI 起草，尚无人类金融签审或真人试读；案例材料。