分散化的数学：相关性与协方差为什么能降风险

"不把鸡蛋放一个篮子"这句话你肯定听过一百遍了。但如果有人问你：为什么分散能降风险？数学上靠的到底是什么？ 很多人答不上来——或者给出一个错误答案："资产多了，一个亏了别的补回来。"

这个答案不算错，但不够准。更准确的答案是：分散降风险，靠的是相关性，而不是数量。把十个正相关的资产堆在一起，几乎等于把同一个鸡蛋换了十个一模一样的篮子。分散的真正杀手锏，是低相关甚至负相关。

这篇文章就是要把这件事讲清楚——从直觉到公式，从公式到实战，再到局限。

---

它解决什么问题

投资中的「风险」，在数学上被定义为波动率（标准差），也就是收益率围绕均值上下摆动的幅度。波动越大，你越难预测明天账户里有多少钱，极端情况下一把大跌就能让你被迫离场。

单只资产没法控制自身的波动——你买了一只股票，它的标准差就是它的标准差，你改变不了。但把多只资产组合在一起，组合整体的波动率不是各自波动率的加权平均，而会因为资产之间的走势不同步，产生「抵消效应」，让整体波动低于各部分的简单拼接。

这就是分散化降风险的数学本质：利用资产间走势的不同步性，熨平组合的波动。

那么问题来了，「走势的不同步性」在数学上怎么量化？答案是协方差和相关系数。

---

直觉与类比

先不要看公式，想象两个极端情形。

情形 A：两个资产完全同步（正相关 +1）

甲股票涨 5% 时，乙股票也涨 5%；甲跌 3% 时，乙也跌 3%。你把一半钱买甲、一半买乙，组合的涨跌完全等于两者均值——波动一点没降，只是把同一个风险用两个账户承担而已。

情形 B：两个资产完全反向（负相关 -1）

甲涨 5% 时，乙恰好跌 5%；甲跌 3% 时，乙恰好涨 3%。如果权重合适，组合的波动可以被完全对冲掉，趋近于零。

这个直觉用一个生活类比最好理解：雨伞店和冰淇淋店。

晴天热，冰淇淋卖得好，雨伞卖不动；雨天凉，雨伞卖得好，冰淇淋滞销。如果你同时持有这两家店的股份，全年营收会比单押其中一家平稳得多——因为天气对这两门生意的影响方向相反，互相对冲。

股票市场里同理：股票和债券在大多数时期负相关（股市崩时资金涌入债市避险，债价上涨）。这就是经典的「股债组合」能降低波动的根本原因——不是因为你「分散了」，而是因为股票和债券的走势在正常时期不同步、甚至反向。

---

公式讲人话：两资产组合方差

现在看数学。两只资产 A 和 B，各自的方差（波动率的平方）是 $\sigma_A^2$ 和 $\sigma_B^2$，权重分别是 $w_A$ 和 $w_B$（两者之和为 1）。

两资产组合的方差公式是：

$$\sigma_P^2 = w_A^2 \sigma_A^2 + w_B^2 \sigma_B^2 + 2 w_A w_B \text{Cov}(A, B)$$

其中 $\text{Cov}(A, B)$ 是协方差，表示两个资产收益率的联动程度。协方差可以改写为：

$$\text{Cov}(A, B) = \rho_{AB} \cdot \sigma_A \cdot \sigma_B$$

这里 $\rho_{AB}$ 就是相关系数，取值范围 $[-1, +1]$。把它代入组合方差：

$$\sigma_P^2 = w_A^2 \sigma_A^2 + w_B^2 \sigma_B^2 + 2 w_A w_B \rho_{AB} \sigma_A \sigma_B$$

这个公式里有三项。前两项是各自资产方差的加权——就算没有第三项，这就是「独立两资产」的方差之和。但第三项是关键：它等比例地跟相关系数 $\rho_{AB}$ 挂钩。

• $\rho_{AB} = +1$（完全正相关）：第三项取最大正值，组合方差等于「两资产按权重直接混合」的方差，分散完全无效。
• $\rho_{AB} = 0$（不相关）：第三项消失，组合方差只剩前两项，组合波动率低于各自的加权平均。
• $\rho_{AB} = -1$（完全负相关）：第三项取最大负值，组合方差被压到最小，适当权重下甚至可以归零。

用一个数字例子对比

假设 A 和 B 各自的年化波动率都是 20%（即 $\sigma_A = \sigma_B = 20\%$），各持一半（$w_A = w_B = 0.5$）：

相关系数 $\rho$	组合方差 $\sigma_P^2$	组合波动率 $\sigma_P$	降幅
$\rho = +1$	$0.04$	$20\%$	0%，完全无效
$\rho = 0$	$0.02$	$14.1\%$	降低约 30%
$\rho = -1$	$0$	$0\%$	完全对冲

看出来了吗？相关系数从 +1 降到 0，组合波动率从 20% 降到 14.1%，降了将近三成——仅仅是因为两者「没有联动」；而如果能找到负相关资产，降幅还能更大。分散的威力，完全取决于你加入的那只资产和原有持仓的相关系数有多低，而不是你买了几只。

---

在投资里怎么用

理解了这个数学逻辑，几件事就说得通了。

1. 选低相关资产，不是堆数量

同一行业的十只股票，相关系数可能都在 0.7 以上——行业利好全涨，行业利空全跌，买十只和买一只在降风险这件事上差别不大。真正有效的分散，是加入走势不同步的资产类别：股票 + 债券、国内 + 海外、权益 + 商品（黄金在部分时期与股票低相关甚至负相关）。

这就是 分散的度 那篇文章反复强调的核心：分散质量 > 分散数量。有没有真正降低组合相关性，才是检验分散效果的尺子。

2. 股债组合的数学基础

经典的「60% 股票 + 40% 债券」或「80/20」配置，本质上就是在利用股债之间历史上的低相关甚至负相关。股市大跌时，资金倾向于涌入国债避险，债价上升，把整个组合的跌幅拉回一部分。这不是玄学，是上面那个公式的直接应用。

3. 系统性风险是这个公式消不掉的

公式里的「降风险」，降的是非系统性风险（单只资产或行业特有的风险）。但有一类风险叫系统性风险，也就是整个市场一起跌的风险——2008 年金融危机、2020 年疫情冲击那种——这时候几乎所有资产的相关性都会急剧趋近于 1。

原本低相关的资产「危机时抱团」，是一个被大量实证数据验证过的现象。股债之间平时的负相关，在 2022 年「股债双杀」中失效了；新兴市场和发达市场平时相关性适中，危机来临时的抛售却是无差别的。

分散化公式里的 $\rho_{AB}$ 不是常数，而是随市场状态动态变化的。危机时它趋近于 1，分散的保护就大打折扣。这部分风险，是分散化本质上无能为力的——它需要靠仓位控制、止损纪律等手段去管理，参见 风险管理与仓位控制 卷。

---

局限：分散化公式没告诉你的事

前面讲的都是分散化「能做什么」，下面说它「做不到什么」。

局限一：相关性是动态的，不是固定参数

你在历史数据里算出两只资产过去五年的相关系数是 0.2，不代表未来五年还是 0.2。相关性受宏观环境、利率周期、市场情绪驱动，会漂移，会突变。用历史相关性做静态配置，是把一个随机变量当成常数在用。

局限二：危机时相关性趋同，保护最脆弱时失效

这是上面提到的系统性风险问题再展开说一遍。很多投资者在市场平静期以为自己"分散得很好"，一旦黑天鹅来袭才发现所有资产一起下跌——恰恰是最需要保护的时候，分散失效了。这不是小概率事件，而是每次大级别危机几乎必然出现的规律。

局限三：历史相关≠未来相关

和所有基于历史数据的统计量一样，相关系数描述的是过去，不是承诺未来。资产类别之间的相关性结构会随经济周期演变而改变。1980 至 2010 年间股债负相关的大背景，是央行「通胀低、利率下行」的长周期；一旦通胀抬头利率上行（如 2022 年），股债可以同向下跌，相关性翻正。

局限四：只能消非系统性风险

分散化的数学告诉你，在组合够大、够分散时，单只资产的特异性风险可以被充分稀释，趋近消除。但系统性风险——影响整个经济体系的宏观因素——是无法通过同一市场内部分散消掉的。这是「市场贝塔」，是你参与股市就必须承担的那部分风险。

---

小结

• 分散化降风险的数学来源是相关系数 $\rho$，不是资产数量。组合方差公式里有一项 $2 w_A w_B \rho_{AB} \sigma_A \sigma_B$，这一项越小（即相关系数越低），组合波动率越低。
• 完全正相关时分散无效，低相关/负相关时效果显著。同一行业多只股票≠分散；股+债、国内+海外、权益+商品才有降相关的可能。
• 它消的是非系统性风险，消不掉系统性风险。危机时相关性趋同，是这个工具最脆弱的时刻。
• 相关性不是常数，受宏观环境影响动态漂移，历史数据不承诺未来。

分散化的数学解释了「配置为什么要跨资产类别」，但真正落实到「分散多少才够」「什么时候加减仓」，需要结合完整的仓位管理框架。这部分内容在 分散的度 和 风险管理与仓位控制 卷里展开。更多投资底层原理，见 原理库。