第二章：风险与收益基础
各位同学，欢迎来到第二章。这一章我们聊聊最基础、也最容易被忽视的东西——风险与收益。
说实话，我刚入行那会儿，觉得量化投资就是找策略、写代码、跑回测。风险？不就是个数字嘛。直到有一次，我亲手把一个看似完美的策略推上线，结果市场风格一换，三天亏掉半年的利润。嗯，从那以后，我才真正开始敬畏「风险」这两个字。
2.1 风险的定义与类型
先问一个问题：什么是风险？
很多人第一反应是「亏钱的可能性」。这个答案对，但不全对。在金融学里，风险更准确的定义是：实际收益偏离预期收益的不确定性。说白了，就是「你猜不到结果会怎样」。
我个人习惯把风险分成两大类：
- 系统性风险：也叫市场风险，躲不掉的那种。比如金融危机、利率突变、战争。你买股票，大盘跌你也跌，这就是系统性风险。
- 非系统性风险：跟具体资产相关的风险。比如公司爆雷、行业政策变化。这类风险可以通过分散投资来降低。
我在项目中遇到过一位客户，重仓某只科技股，理由是「我看好这家公司的技术」。结果行业监管一出，股价腰斩。这就是典型的非系统性风险没管好。
再细一点，风险还可以分成：
- 价格风险：资产价格波动带来的风险
- 流动性风险：想卖的时候卖不掉
- 信用风险：交易对手违约
- 操作风险：系统故障、人为失误
2.2 收益的度量
收益怎么算？很多人觉得简单：赚了多少就是收益。但做量化，我们需要更精确的度量方式。
最常用的几个指标：
- 简单收益率：(期末价格 - 期初价格) / 期初价格。直观，但多期累加时会有偏差。
- 对数收益率：ln(期末价格 / 期初价格)。数学性质好，时间可加性，我平时做分析更爱用这个。
- 年化收益率：把不同周期的收益统一到一年。方便比较不同策略。
举个例子：
# 简单收益率 vs 对数收益率
import numpy as np
prices = [100, 105, 110, 108, 112]
simple_returns = [(prices[i] - prices[i-1]) / prices[i-1] for i in range(1, len(prices))]
log_returns = [np.log(prices[i] / prices[i-1]) for i in range(1, len(prices))]
print("简单收益率:", simple_returns)
print("对数收益率:", log_returns)
你看，短期两者差别不大，但拉长时间，对数收益率的累加更符合实际。
2.3 风险与收益的权衡
金融里有个铁律：高收益必然伴随高风险。这不是鸡汤，是数学。
你想想看，如果有一个策略能稳定年化20%且几乎没有回撤，那所有人都会把钱投进去，直到收益率被拉低到合理水平。所以，市场上不存在「低风险高收益」的免费午餐。
那怎么衡量这个权衡关系？
我个人最常用的指标是夏普比率：
夏普比率 = (策略收益率 - 无风险利率) / 策略波动率
说白了，就是「每承担一单位风险，能多赚多少超额收益」。夏普比率越高，说明策略的性价比越好。
| 夏普比率 | 评价 |
|---|---|
| < 0.5 | 一般，不如买理财 |
| 0.5 - 1.0 | 还不错，可以接受 |
| 1.0 - 2.0 | 优秀，值得关注 |
| > 2.0 | 极其罕见，小心过拟合 |
2.4 无风险利率与风险溢价
无风险利率，理论上是指「没有任何风险」的投资回报率。现实中，我们通常用短期国债收益率来近似。
为什么它重要？因为它是所有资产定价的锚点。
你想想看，如果无风险利率是3%，你投资股票只赚4%，那多出来的1%就是风险溢价——你承担额外风险换来的补偿。
风险溢价 = 资产预期收益率 - 无风险利率
这个溢价越高，说明市场认为这个资产的风险越大。
我在项目中遇到过一件事：2020年疫情初期，美股暴跌，风险溢价飙升到历史极值。那时候很多人恐慌抛售，但如果你冷静想想，高溢价意味着未来潜在回报也高。嗯，事后看，那确实是一个不错的入场点。
知识体系总览
下面这张图，是我自己梳理的本章知识结构。你可以把它当作一个思维导图来用。
这张图把本章四个核心模块串起来了。你可以看到，风险、收益、权衡、无风险利率，它们之间是相互关联的。做资产配置，本质上就是在这些要素之间找平衡。
好了，第二章就到这里。记住一句话：不懂风险，就别谈收益。下一章我们开始讲资产配置的经典模型，那才是真正动手的地方。
公众号:蓝海资料掘金营，微信deep3321