分散化的数学与失效边界：免费的午餐有几道菜
我的掌握程度：
先掌握这个答案
数学：N只等权、平均相关ρ的股票，组合波动≈σ×√((1+(N-1)ρ)/N)。两个极限：ρ=0时≈σ/√N（纯√N收益）；ρ=1时=σ（分散无效）。收益递减：从1只到20只消灭大部分特质风险（降到约40%），20到100只只再降几个点——所以机构常持50-200只（再多的管理成本>风险收益）。危机趋同：恐慌时所有投资者同时卖资产换现金→一切资产同跌（2008、2020年3月股债金齐跌）——分散在尾部失灵是结构性现象。对策：真正的分散要找常态负相关或凸性资产（趋势CTA的危机Alpha、期权尾部保护）而非仅数量堆积。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把风险指标转成可执行的限额
报告VaR、对冲比率或保证金时，必须同时说明模型外还可能发生什么。
- 先定义损失正负号、置信水平、持有期、样本窗口和估计方法。
- 组合使用VaR、ES、压力测试、集中度、清算天数与保证金情景，不把单一指标当最大损失。
- 为预警、减仓、暂停交易写清触发条件、执行责任和恢复条件，并记录无法成交的情景。
使用边界
- 95% VaR是损失分布的95%分位，不是最大亏损或保证每天有95%把握安全。
- 久期敏感度使用修正久期；Macaulay久期是现金流加权时间，两者不能直接混用。
背景 · 从一个困惑说起
老生常谈「别把鸡蛋放一个篮子」——但量化要问三个追问：分散到底降多少风险（数学）？多少只股票算够（边际递减）？什么时候分散会集体失效（相关性趋一）？
由此产生的问题
分散化的√N数学与相关性的修正项？收益递减曲线告诉我们多少只合适？危机中「相关性趋一」的机理与对策？
核心概念
数学：N只等权、平均相关ρ的股票，组合波动≈σ×√((1+(N-1)ρ)/N)。两个极限：ρ=0时≈σ/√N（纯√N收益）；ρ=1时=σ（分散无效）。收益递减：从1只到20只消灭大部分特质风险（降到约40%），20到100只只再降几个点——所以机构常持50-200只（再多的管理成本>风险收益）。危机趋同：恐慌时所有投资者同时卖资产换现金→一切资产同跌（2008、2020年3月股债金齐跌）——分散在尾部失灵是结构性现象。对策：真正的分散要找常态负相关或凸性资产（趋势CTA的危机Alpha、期权尾部保护）而非仅数量堆积。
为什么需要它
①数量迷信的解毒剂：1000只同涨同跌的股票不如30只低相关的资产——相关性比数量重要一个量级；②组合设计的层级：资产层（股/债/商品）分散>行业层>个股层——从高往低做分散事半功倍；③风控的清醒：分散管理的是日常波动（分布中部），管理不了尾部（分布之外）——尾部靠对冲与仓位（q-610/622）。
实际应用场景
实操阶梯：等权30-100只（个股层）+ 行业偏离约束（±5%）+ 股债/CTA多策略（资产层）+ 5%尾部对冲仓（凸性层）——四层分散各管一段。
与之前知识的联系
q-603给了「分散消灭什么」（特质风险）的原理、本题给「怎么做、做多少、何时失效」；q-621（相关性趋一）是本题危机篇的专讲；q-413（低波异象）的BAB策略本质是另一种分散。
⚠ 常见误解
- 股票越多越分散：相关性主导——高相关的300只不如低相关的30只；数量只是分散的一个维度
- 分散能防暴跌：它防的是「单票暴雷」，防不了「全场下跌」；把2008年的-40%归咎于分散不够是误解风险类型
- 等权就是最好的分散：等权是小盘倾斜的伪装（市值加权组合里等权重仓了小票）——分散的权重设计本身有暴露后果
🛠 本题实践任务
任选你组合的20只持仓，计算两两收益相关矩阵的平均相关ρ；代入公式算「理论分散后的波动」并与实际组合波动对照。你的分散效率如何？
💡 提示（先自己想5分钟再看）
平均相关=df.corr().values取上三角均值；理论vs实际的差距=权重集中度与β离散的贡献。
✅ 验收标准
一个ρ数字+理论vs实际对照。你开始用数学而非直觉谈分散。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（相关性、特质风险、组合波动），再用案例、公式和代码帮助理解。此功能需要先启用服务。