beta 与 alpha：跟大盘的部分，和不跟的部分

有人给你看一份成绩单：一年下来赚了 32%，同期大盘涨了 20%。他说，多出来的 12 个点是我的本事。

这句话听起来天经地义，可它悄悄用了一个假设——他这套组合，在市场涨 20% 的年份里"本来应该"涨 20%。如果他满仓的都是那种大盘动一格、自己动一格半的高弹性品种，那么"本来应该"是 30%，他真正挣出来的只有 2 个点，剩下 10 个点是市场推的，只不过被他的持仓风格放大了一遍。反过来，如果他一半仓位常年是现金，"本来应该"只有 10%，那这 12 个点其实被低估了。

同一份收益率，同一个大盘，结论能差出五倍。差别全在那条看不见的分界线上。这篇讲的就是这条线：它叫什么、怎么划、以及为什么它划歪一点点，就会有一大笔不存在的"本事"凭空冒出来。

先说人话：河水与划桨

你在一条向下游流的河上划船。到了终点，测速仪告诉你：全程平均每小时走了 8 公里。

这 8 公里里，有多少是你划出来的？没法直接回答，因为水自己在流。你得先知道两件事：水流有多快，以及这条船被水流带得有多厉害。

第二件事是很多人不会想到的。同一条河上，一只空载的橡皮艇和一艘满载的货船，被同一股水流带走的速度不一样——橡皮艇吃水浅、迎水面大，水流一冲就跑；货船沉、阻力大，水推它推得费劲。所以"水流每小时 5 公里"这个数字，不能直接从每条船的成绩里减掉。你得先量出这条船对水流的敏感倍数，用倍数乘上水速，才知道该扣多少。

投资里，那个"水流速度"就是市场整体的涨跌；那个"敏感倍数"有个名字，叫贝塔（beta）——你的组合相对市场的放大系数。市场涨一个点，你大致涨几个点，这个"几"就是贝塔。扣掉"贝塔 × 市场"这一整份之后，还剩下的那一截，才叫阿尔法（alpha）。

关键的一句话，请先记住：阿尔法不是算出来的，是减剩下的。 它是一个余数。余数的性质决定了它后面所有的麻烦。

投资层：这条线划在哪，直接改变你下一步该干什么

贝塔和阿尔法不是两个用来装点报告的希腊字母，它们对应两种性质完全不同的东西，也对应两种完全不同的行动。

贝塔那一份，是可以花很少的钱买到的。 你想要一个贝塔为 1 的敞口，买一只低成本宽基指数基金就行，不用研究，不用盯盘。你想要贝塔 1.5，理论上把仓位调高、或者去持有那些天然弹性更大的品种也能凑出来（这里只讲原理，不是操作建议，加杠杆的风险另说）。既然它便宜到几乎是免费的，那么为贝塔支付高昂的管理费、或者为它熬夜看研报，就是浪费。

阿尔法那一份，才是你的研究、你的判断、你那套方法真正贡献的东西。 它稀缺、不稳定、而且很难持续。

于是分界线一歪，你的行动就全歪了。把贝塔算成阿尔法，你会得出"我这套方法有效"的结论，接着做三件事：加仓、集中、上杠杆。等水流转向，你才发现自己配的仓位是按一个不存在的能力配的。反过来把阿尔法算成贝塔，你会在一套确实有效的方法上失去信心，往往还是在最难受的时候放弃。

这一层和基准与超额收益那篇是连着的：那篇讲的是"跟谁比"，这篇讲的是"比之前先按什么倍数折算"。选错基准和估错倍数，都会让最后那个余数变成一句空话。

贝塔怎么估：一道除法，四个能改结论的旋钮

贝塔的算法说穿了很朴素：你和市场一起动的程度，除以市场自己动的程度。前者叫协方差（两条序列同涨同跌的共同幅度），后者叫方差（市场自身波动的平方）。

这道除法还能拆成一个更有用的形态：

贝塔 = 你与市场的相关系数 × （你的波动率 ÷ 市场的波动率）

这个拆法值得多看两眼，因为它一次说清了两件常被混为一谈的事。相关系数只管方向是否同步，贝塔还要乘上一个波动比。 两个组合可以跟大盘的同步程度一模一样，但因为一个持仓颠得厉害、一个稳如老狗，贝塔差出三倍。所以"我跟大盘相关性很高"和"我的贝塔很大"完全是两句话——这一层的细节在相关性那篇里展开。

麻烦在于，这道除法的每一个输入都不是天上掉下来的，全靠你从历史数据里估。至少有四个旋钮，每拧一个，贝塔就变一次：

旋钮一，拿谁当"市场"。 换一个指数，协方差和方差同时变。一个只买中小市值的组合，拿大盘蓝筹指数当市场，估出来的贝塔会偏低——因为它的涨跌里有一大块跟那个指数根本不同步，被算进了"不跟市场的部分"，也就是阿尔法。

旋钮二，用什么频率的数据。 日收益、周收益、月收益估出来的贝塔通常不一样。低频数据会把短期的不同步抹平，往往给出更高的贝塔；高频数据则容易被交易不连续拖累——一只成交清淡的品种，今天市场大涨它没动，第二天才补上，日频协方差就被摊薄了，贝塔被系统性低估。

旋钮三，取多长的窗口、从哪天开始。 三年的贝塔和一年的贝塔是两个数。窗口里包不包含那次暴跌，结论能差很多。

旋钮四，静态还是滚动。 用整段历史估一个固定的贝塔，等于假设这个敏感度从头到尾没变过。现实中它一直在变——尤其在市场剧烈下跌的时候，各类资产会一起被抛售，相关性齐刷刷往上跑，贝塔跟着集体抬升。你最需要"我的暴露没那么大"这个结论的时刻，恰恰是它最不成立的时刻。 用平静期估出来的贝塔去衡量崩盘期的暴露，是这个指标最经典的失手方式。

还有一个更细的地方：估计本身是有不确定性的。如果你的组合跟市场的共动关系本来就弱（回归的解释力低），那么估出来的贝塔虽然是个具体的数字，它周围的不确定区间却很宽。一个不确定区间很宽的贝塔，减出来的阿尔法只会更不确定。 报告上那个精确到小数点后两位的数字，容易让人忘记这一点。

阿尔法为什么那么容易是假的

现在把两件事合起来看。

第一，阿尔法是余数。 它的公式大致是：你的收益，减去无风险利率（那个不用承担风险就能拿到的基准回报，细节见风险溢价与无风险利率），再减去贝塔乘上市场的超额部分，剩下的就是它。凡是没被"市场"这一项解释掉的东西，全都会掉进这个余数里——不管它是什么。

第二，贝塔是估的。 上面四个旋钮随便动一个，减掉的那一份就变。

两条合起来的结论很硬：贝塔估错的那部分，会一比一地变成阿尔法。

举个数看得更清楚（下面是为了说明机制编的示例数字，不是任何真实产品）。假设一年里市场涨了 20%，无风险利率 3%，某个组合的真实贝塔是 1.5，真实阿尔法是 0——也就是说这套方法完全没有超出市场的贡献，只是把市场的波动放大了一倍半。那么它的收益应该是 3% + 1.5 × (20% - 3%) = 28.5%。

现在，如果评价它的人用了一个把贝塔估成 1.0 的口径（比如换了个不匹配的基准，或者窗口取在一段同步性偏弱的时间），算出来的阿尔法是：

28.5% - 3% - 1.0 × (20% - 3%) = 8.5%

凭空多出 8.5 个百分点的"超额本事"，而这套方法什么都没做。

更要命的是，这个错误不是随机的，它有方向。牛市里，市场超额是正的，贝塔估低就会高估阿尔法；而牛市里表现最扎眼、最容易被拿出来展示的，恰恰是高贝塔的那批组合。"被高估的可能性"和"被展示的可能性"高度重合——这就是为什么行情好的年份，市面上"有阿尔法"的东西会突然变多。熊市里同一个偏差反向作用，会把一些其实还行的方法算成负阿尔法，于是它们在最低点被放弃。

还有一层更隐蔽的假阿尔法，跟估计精度无关，而是模型里少了一列。只扣掉"市场"这一项，意味着你默认收益里除了市场之外没有别的系统性来源。可现实里有的是：你可能长期偏向小市值、偏向低估值、重仓在某个行业上、或者在做一件"平时稳定小赚、偶尔巨亏"的事。这些暴露都是有系统性的、可以被复制的，但因为模型里没给它们留位置，它们全部堆进了余数栏，看起来就像本事。

所以看到"阿尔法显著"，第一反应不该是"厉害"，而应该是两个问题：贝塔是怎么估的？除了市场，还有什么系统性来源没被扣掉？ 后一个问题正是业绩归因要处理的事——多加几列解释变量，往往能把大半个"阿尔法"解释没了。另一条路是在建组合的时候就把不想要的暴露剔干净，那属于中性化处理的范畴，本库另有一篇专门讲。

系统层：三段真实实现，三种对"算不出来"的态度

概念讲完，看看它在真实系统里长什么样。有意思的不是公式（公式都一样），而是边角情况的处理方式——那才是把一个概念落成代码时真正要做的决定。

qlib：教科书式的一行除法，和藏在默认值里的口径问题

qlib 的组合评价模块里，贝塔和阿尔法各是一个短函数。贝塔就是那道除法：

def get_beta(r, b):
    cov_r_b = np.cov(r, b)
    var_b = np.var(b)
    return cov_r_b / var_b

阿尔法紧跟着它：

def get_alpha(r, b, risk_free_rate=0.03):
    beta = get_beta(r, b)
    annaul_r = get_annaul_return_from_return_series(r)
    annaul_b = get_annaul_return_from_return_series(b)
    alpha = annaul_r - risk_free_rate - beta * (annaul_b - risk_free_rate)

这就是前面那段公式的逐字翻译。但把它当标本读，有三处细节比公式本身更有价值。

第一处，分子分母的自由度约定不一样。 np.cov 默认按"样本"口径算（分母是 n-1），np.var 默认按"总体"口径算（分母是 n）。长序列上这点差别可以忽略，短序列上不能。这不是谁对谁错的问题——而是提醒你：同一个贝塔，两个人用两个库、各自取默认参数，就能算出不同的数，然后各自都觉得自己算的是"那个"贝塔。

第二处，返回的东西不一定是你以为的形状。 np.cov 传入两条一维序列时，返回的是一个 2×2 的协方差矩阵，而不是一个标量。抄这类公式的时候，值得先确认自己拿到的到底是数字还是矩阵——这类形状问题不会报错，只会让后面的结果变成一个你没打算要的东西。

第三处，无风险利率的默认值在同一份文件里就不统一。 快照里，算夏普比率的那个函数默认无风险利率是 0.00，算阿尔法的这个默认是 0.03（都是快照中的默认值，可配置）。同一条收益序列，在同一个文件里，能得出两套"无风险"口径。这不算 bug，但它精确地说明了一件事：这类指标的数值高度依赖调用者传了什么，而调用者往往什么都没传。 另外它把日收益折算成年化时用了一个固定的每年交易日数，这是个折算假设——任何年化数字背后都有这么一个假设，换一个，贝塔不变但阿尔法会变。

顺带澄清一个常见的混淆：qlib 里有两组很有名的特征集，名字叫 Alpha158 和 Alpha360。那里的 "alpha" 是行业里的另一层用法，指信号、因子（一条用来预测未来涨跌的计算式），跟本篇讲的这个"扣掉市场之后的余数"不是一回事。看到 alpha 这个词，先看它在哪个语境里。

Vibe-Trading 的指标层：算不出来的时候，它填了 0

另一个系统在算完信息比率和跟踪误差之后，顺手算贝塔：

bench_var = float(aligned_bench.var()) if len(aligned_bench) > 1 else 0.0
if returns_finite and bench_var > 0:
    covariance = float(port_ret.cov(aligned_bench))
    bench_beta = covariance / bench_var
    if not np.isfinite(bench_beta):
        bench_beta = 0.0

这段的防守做得很仔细：基准序列先跟组合的日期对齐过（对不齐的话后面所有差值都是错的），只有基准方差真的大于零、收益序列有限时才做除法，算出无穷或非数时兜回去。

但请注意这个函数开头的初始值：bench_beta = 0.0。也就是说，当根本没有基准、或者数据不足以估计时，输出里的贝塔是 0。

0 是一个有含义的值——它意味着"这个组合的涨跌跟市场完全无关"，也就是市场中性，那是一个相当强的判断。而"我没算"和"我算出来是 0"在这份输出里长得一模一样。下游任何一个读这份指标的人（或者模型），都没有办法区分这两种情况。

把"没测到"填成 0，是数据分析里最常见的一种自欺，在这里它的后果尤其具体：一个缺基准的回测，会被读成一个完美对冲了市场风险的策略。

同一个仓库的另一处：算不出来时返回"没有"

有意思的是，同一份代码库里的风险透视模块，面对同一类边角情况给出了相反的处理：

market = returns.mean(axis=1)
market_var = float(market.var(ddof=1)) if len(market) > 1 else 0.0
if market_var > 0 and math.isfinite(market_var):
    beta = float(port.cov(market) / market_var)
else:
    beta = None

算不出来时它给的是 None——明确的"没有"，而不是一个看起来很正常的 0。下游一眼就知道这一栏无从谈起。同一个仓库里两种态度并存，这本身就是个好教材：边角情况怎么填，是个需要专门做的决定，不是随手写个初始值就完事。

这段还有一个更值得琢磨的设计。它的"市场"不是外部指数，而是 returns.mean(axis=1)——你自己持有的这些标的的等权平均。所以这个字段叫 beta_to_equal_weight，它回答的问题是"我这套加权方式，相对于把这些票平均买一遍，敏感度是多少"。

这跟对市场的贝塔完全是两码事。它衡量的是权重集中度带来的放大效应，不是市场暴露。如果一个组合把大半仓位压在其中一两只上，这个值就会明显偏离 1。贝塔永远是"相对于某个东西"的贝塔，脱离参照物谈贝塔高低毫无意义——报告上写着 1.2，你得先问一句：相对谁的 1.2。

失效边界与常见误用

低贝塔不等于安全。 贝塔只覆盖"跟市场一起动"的那部分风险。一只贝塔只有 0.2 的品种，完全可以因为自身的经营问题独自腰斩，而这跟大盘一点关系都没有。把贝塔当成风险的全部，等于只锁了前门。

贝塔不是历史涨幅的倍数。 它是波动敏感度，不是收益倍数。贝塔 1.5 不代表市场涨 10% 你就一定涨 15%，那只是一个平均意义上的期望关系，单个时段的偏离可以很大——那些偏离，恰恰就是阿尔法所在的地方。

别把估计值当常数用。 拿一个从三年数据里估出来的贝塔，去推算下个月的暴露，中间隔着"它不会变"这个假设。前面说过，它一定会变，而且在最坏的时候变得最快。

不同软件算出来的贝塔不一样，是常态不是异常。 频率、窗口、自由度、基准、对齐方式，任何一处不同都会改数。跨报告比较贝塔之前，先确认口径一致，否则比的是口径不是组合。

短样本的阿尔法基本是噪音。 收益序列本身随机成分就大，减完之后剩下的余数随机成分更大。几个月的阿尔法说明不了任何事情，把它当成能力证明是最常见的过度解读。

用阿尔法给自己发证书。 就算这个数字扛住了各种口径的检验，它说明的也是"过去这段时间里，有一部分收益没被这些因素解释掉"。至于那部分是技能还是运气，是不是下一段时间还在，这个数字回答不了。

小结

• 贝塔 = 你对市场波动的敏感倍数（协方差 ÷ 市场方差，也等于相关系数 × 波动比）；阿尔法 = 扣掉"贝塔 × 市场"之后剩下的余数。
• 贝塔那一份可以很便宜地买到，阿尔法那一份才稀缺——分界线划歪，你的仓位、杠杆、去留全会跟着歪。
• 贝塔是估出来的，至少四个旋钮能改结论：拿谁当市场、数据频率、窗口长度与起止、静态还是滚动。它还会随市场剧烈下跌而集体抬升，在你最需要它准的时候最不准。
• 贝塔估低多少，阿尔法就凭空多出多少，而且这个错误在牛市里有明确方向——高贝塔组合最容易被高估，也最容易被拿出来展示。
• 阿尔法是余数，模型里少的每一个系统性来源（小市值暴露、行业押注、卖尾部保险……）都会伪装成它。看到显著的阿尔法，先往里多减几列。
• 三段实现给出三种边角处理：教科书式的一行除法（默认参数和自由度约定就能改数）、算不出来填 0（把"没测到"说成了"市场中性"）、算不出来给"没有"。另外，贝塔永远是相对某个参照物的贝塔，脱离参照物谈高低没有意义。

一句话记住这篇：先说清楚有多少是水推着走的，剩下的那点，才轮得到谈本事。

本文所引源码与文档均来自上述快照版本，是阅读代码得出的机制说明，不是运行结果；具体行为请以你手上那个版本为准。文中数字例子为说明机制而设，不对应任何真实产品。回 量化与 AI 投研概念库 看其它概念各自在说什么；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。