风险与收益的数学：标准差、方差与波动率

你打开一只基金的收益曲线，发现它最近一年涨了 18%，另一只也涨了 18%。你会选哪个？

如果只看总收益，两只没有区别。但一只是每个月稳稳涨 1.5%，另一只是一月涨 12%、下月跌 8%、再下月又涨 14%……理性的人一眼就看出第二只风险更高。但"更高"到底高多少？凭感觉是说不清楚的——你需要一把尺子。

标准差，就是金融学量化这把"波动程度"的标准尺。它不完美，但它是现代组合理论的地基，夏普比率、仓位模型全要用到它。搞懂它，你才能读懂绝大多数风险讨论的语言。

---

一、它解决什么问题

"风险"这个词，日常生活里意味着"可能出事"——坐飞机有风险、创业有风险。但金融学要把它量化，就必须给它一个可计算的定义。

金融学的答案是：风险 = 收益的不确定程度，也就是收益围绕它自己均值的波动幅度。波动越大，结果越不可预期，风险就越高。

这个定义有点反直觉：涨 20% 算波动，跌 20% 也算波动，都算"风险"。但在这个阶段，这个定义是有用的——它把模糊的"风险感"变成了可以用数字比较的东西。（它的盲区我们在最后单独讲。）

量化波动程度，最自然的思路就是：看每期收益和平均值偏差多大。差距越大、越频繁，波动越大。方差和标准差就是在做这件事，只是用了一套让它好计算的数学形式。

---

二、直觉与类比

先用一个非金融的例子建立直觉。

两个学生，期末五门课的成绩如下：

• 学生甲：80、82、79、81、83（平均 81 分）
• 学生乙：60、95、72、100、78（平均 81 分）

两人平均分完全一样，但甲的成绩非常稳定，乙的忽高忽低。如果你是招聘公司，只看平均分会一视同仁；但如果你更在意稳定性，乙就是比甲"风险更高"的候选人。

换到投资里，把"成绩"换成"每期收益"，逻辑完全一样：

• 资产 A：月收益 1.5%、1.5%、1.5%、1.5%（平均 1.5%，非常稳）
• 资产 B：月收益 8%、−5%、6%、−3%（平均 1.5%，波动巨大）

两者期望收益相同，但 B 每个月的收益跟平均值差得很远——有时高出很多，有时低了很多。这个"离平均有多远"，就是标准差要测量的东西。

另一个帮助理解的类比：想象每期收益是射击成绩，平均值是靶心。标准差就是弹孔离靶心的平均距离——弹孔越分散，标准差越大。

---

三、公式推导，讲人话

方差（Variance）

方差的定义：每期收益与均值之差的平方，取平均。

写成公式（对历史样本数据，分母用 n-1，这叫无偏估计；对总体用 n，金融实战常用 n-1）：

σ² = Σ(rᵢ − r̄)² / (n − 1)

• rᵢ：第 i 期收益
• r̄：各期收益的均值
• n：期数

为什么要平方？ 有两个原因。第一，直接算差值会正负相消——涨 5% 和跌 5% 各一次，差值之和是 0，但显然有波动。平方把所有差值变成正数，消除符号干扰。第二，平方会放大大偏差的权重（偏差 10% 的平方比两个偏差 5% 的平方加起来大），让大波动在统计上更"醒目"。

标准差（Standard Deviation）

标准差就是方差开根号：

σ = √σ²

为什么要开根号？ 方差的单位是"收益率²"，这个单位毫无直觉意义。开根号之后，单位变回"收益率"（%），可以和均值直接比较，有实际含义：均值 ± 1σ 大概覆盖了约 68% 的可能结果（在正态分布假设下）。

手算一个小例子

某资产连续 4 个月的收益率为：+8%、−3%、+10%、−5%。

第一步：算均值

r̄ = (8 + (−3) + 10 + (−5)) / 4 = 10 / 4 = 2.5%

第二步：算每期偏差，并平方

月份	收益 rᵢ	偏差 (rᵢ − r̄)	偏差²
第 1 月	8%	5.5%	30.25
第 2 月	−3%	−5.5%	30.25
第 3 月	10%	7.5%	56.25
第 4 月	−5%	−7.5%	56.25

第三步：算方差（分母用 n-1 = 3）

σ² = (30.25 + 30.25 + 56.25 + 56.25) / 3 = 173 / 3 ≈ 57.67 (%²)

第四步：开根号得标准差

σ = √57.67 ≈ 7.59%

结论：这只资产的月收益标准差约为 7.59%，均值只有 2.5%，标准差是均值的三倍，说明每月结果极为不稳定。

年化波动率

金融里更常用的是年化波动率，因为不同资产的数据频率不同（有的日频，有的月频），需要统一到年单位才能比较。

换算公式：

年化波动率 = 月度标准差 × √12（月度数据） 年化波动率 = 日度标准差 × √252（交易日数据）

上面例子的年化波动率约为 7.59% × √12 ≈ 26.3%。这意味着这只资产在一年维度上的波动幅度，大概在均值上下 26% 左右浮动。

沪深 300 的年化波动率历史上大约在 20%~30% 之间，美国标普 500 约在 15%~20% 左右，债券型基金通常在 5% 以下。这些数字可以作为你判断一只资产"波动大不大"的参照系。

---

四、在投资里怎么用

1. 衡量资产风险，横向比较

最直接的用法：比较两只资产谁的风险更高。年化波动率高的，意味着你持有期间净值大起大落的概率更大，心理和资金压力都更大。

同等预期收益下，理性投资者会选波动率更低的资产——这就是均值-方差模型的核心逻辑（马科维茨，1952 年诺贝尔奖起点）。

2. 夏普比率：收益是否对得起风险

夏普比率 = (资产收益 − 无风险收益) / 年化波动率

标准差就是夏普比率的分母。它回答的是：你每承受一单位风险，能换来多少超额收益？夏普比率越高，说明这只资产的"性价比"越好——不只看绝对收益，还要看你为这个收益付出了多少波动代价。

比如两只基金年化收益都是 12%，无风险利率是 2%：

• 基金甲波动率 10%：夏普 = (12−2)/10 = 1.0
• 基金乙波动率 20%：夏普 = (12−2)/20 = 0.5

甲的单位风险收益是乙的两倍，尽管总收益一样。

3. 指导仓位大小

波动率高的资产，合理的单仓上限应该更低——这是「风险管理与仓位控制」卷的核心逻辑之一。一个简单的直觉：你能承受的最大单次亏损决定了你的仓位上限，而波动率越大，同等仓位下达到那个亏损的概率就越高。

更系统的做法是凯利公式和固定波动率目标法：根据目标组合波动率，反推每只资产的仓位权重，使整体组合维持稳定的风险敞口。具体计算见「凯利公式」。

4. 读懂产品说明书

当你打开一只基金的风险等级说明，背后往往就是用历史年化波动率划的档位：低波动（<5%）对应低风险，高波动（>25%）对应高风险。理解波动率，你才能判断这个分级对你有没有意义，而不是只看那个 R1-R5 的标签。

---

五、局限：标准差的盲区

标准差是有用的，但它有三个容易被忽视的严重盲区。

盲区一：上涨和下跌都算"风险"

标准差把偏离均值的所有方向都算作风险——涨 15% 是偏差，跌 15% 也是偏差。但作为投资者，你真正怕的只是向下的偏差，超预期上涨你不会抱怨。

这就是为什么学术界后来引入了下行标准差（Downside Deviation），以及基于它的索提诺比率（Sortino Ratio）——分母只考虑下行波动。如果一只资产常常超预期上涨但偶尔也小跌，标准差会高估它的"风险感"，而索提诺比率则更接近你的真实感受。

关于下行风险的完整讨论，见「原理库」后续篇章。

盲区二：正态分布假设，低估了极端风险

标准差的很多应用（比如"均值 ± 2σ 覆盖 95% 概率"）都隐含了收益服从正态分布的假设。但金融资产的收益分布实际上是肥尾的（fat-tailed）——极端亏损（比如单日跌 10%、甚至跌 30%）发生的概率，远比正态分布预测的要高。

2008 年金融危机、2020 年 3 月美股熔断、历次 A 股暴跌——这些"百年一遇"的事件在现实里每隔几年就发生一次。如果你用正态分布框架去做风险估计，你会系统性地低估灾难发生的概率，仓位因此也会系统性地过重。

盲区三：历史波动率 ≠ 未来波动率

计算方差和标准差，用的是历史数据。历史的市场结构、流动性、政策环境可能跟未来完全不同。一只在过去五年低波动的资产，如果它所在行业正在经历政策转向或商业模式颠覆，未来的波动率可能大幅跳升。

波动率是描述「已发生了什么」的统计量，不是「将会发生什么」的预言机。用它做风险管理时，要定期更新、要结合基本面判断，不要当成静态数字锁住不动。

---

小结

• 方差是每期收益与均值偏差的平方均值，标准差是方差的开根号，单位还原为 %，才能和收益率直接比较。
• 年化波动率 = 月度标准差 × √12，是跨频率比较资产风险的标准语言。
• 它最主要的用途：横向比较资产风险、构建夏普比率分母、指导仓位上限。
• 三大盲区：上涨波动也被计入风险（应补充下行标准差）；正态假设低估肥尾极端风险；历史波动率不等于未来。
• 标准差是风险量化的第一把尺子，不是最后一把。搞懂它，是理解夏普比率、组合优化、仓位模型的前提；知道它的盲区，才不会被它误导。

延伸阅读：「风险管理与仓位控制」卷——把波动率变成可执行的仓位体系 ｜「凯利公式」——用胜率和盈亏比决定下注比例 ｜「分散化的限度」——组合里的风险为什么不能靠简单叠加来算 ｜「原理库总览」——投资数学地基全集