《精明交易者:系统交易指南》 作 者：佩里·J·考夫曼

用于资产分配的批量操作法

计算机允许我们超越了繁杂的数学过程而直接得到回答。标准差和相关系数的作用，是为了找出哪种组合能产生最低风险下的最大回报。虽然传统的方法是正确的，但它仍然存在很大程度的不确定性。

电子表格可以快速找出更完美的容易理解的答案。我们是如何知道表4-2中两个FX有效证券可以减少约29%和19%的风险率的呢？把年回报率放入电子表格的一列中，用股票回报率的一半加上FX回报率的一半，结果填入另外新的一列，这是很简单的事。然后可得到新的一列的标准差。这就和数学定义一样明确。对于月和日回报率也可按同样的步骤做。计算机只需花三秒钟就可以计算出一个每日结算的投资组合。

现在计算机允许我们直接完成运算，而不是去估计结果。我们中有些人可能需要时间去学习这种操作方法，学会使用计算机更强有力的功能。电子表格的方法十分简单，但是需要大量的计算，我们永远不会考虑用手工来做这些计算。相关系数是一个聪明的、一致的评估关系的方法，但是不如电子表格的方法那么好。

在“批量操作”法中仍然有错误因素和概率要考虑。由过去绩效分析出的风险率很可能比未来要小。一个标准差表示事件有68%的概率发生，而使用10年的年数据给出一个简单的误差-1/SQRT(N-1)，或者说-32%。

将常识加入统计的结果中

概率和统计不是常识的替代物。图4-8中我们看到有一个远离典型模式的孤立数据点，那是一个22%的亏损。这个偏离是每120个月中的一个月，低于全部数据的1%，从统计观点看这是很少的。但是在现实中，这大致意味着，在你成功交易了5年之后，你有可能因为这一笔交易而损失你所有的资金。这听起来好像不是只有1%的亏损机会那么美妙。

图4-8中的那个特殊点，就是1987年的股灾。股票骤然下跌，投资者全都跑去买债券。几年之后，又有科威特遭侵略和戈尔巴乔夫的事件。所有这些都是价格“突变”，可以引起极端高度相关的移动。尽管在统计学中，从实际的角度岀发通常会排除这些事件。这些不常见但影响重大的事件，我们将在第七章中讨论。

商业风险

我们需要设想到最差的情况。为了在交易中生存，这是很重要的一步。不仅仅是投资者需要这样做，经纪公司也已经这样做很多年了。例如，一家经纪公司有10000个经纪人，他们交易股票、期权、债券、外汇和各种商品，这对于公司来说看起来是高度分散投资了，公司将很安全。经纪公司必须使用自有资金去弥补交易亏损，因为它试图从客户那里收到钱是需要时间的。但是在科威特遭入侵后，投资者大量买入美元，债券价格剧增，商品价格上升，股票市场由于经济刺激和低利息率而上升。报纸上满是金融消息，大肆宣扬获利者和接踵而来的跟随者。很快，这10000个经纪人都持有了仓位，希望从持续下去的战争背景中获利。这家经纪公司将面对一个情况，就是它的客户总资产将会严重波动。如果战争结束，客户的损失可能十分巨大，并且全都同时发生。大批完全无关的分散投资会被同时清仓，以弥补其他市场上的亏损。这些被通知保证金不足的客户可能无法再补足新的保证金，经纪公司的资本就处于风险上。

这种情况在1980年初就发生过，当时银价和金价不断创出新高。亨特兄弟垄断白银的消息尽人皆知，以至于几乎人人都全力持有长线多头仓位。

经纪公司可以通过对客户总仓位的监督来应对这些问题。当某个百分比的相互关联仓位超过了一个安全水准时，他们会推荐其他不相关仓位，提升保证金水准，并且想尽办法试图使客户脱离当前的高风险仓位和增加投资的多样性。如果他们救了客户，也就帮了自己。

持有大量交易仓位的机构有同样的问题。在正常市场条件下进行的分散投资，不可能在极端情况下（也是最重要的情况）提供风险保护。每三到五年一度的剧烈亏损和日内收益的高度波动是一样糟糕的。在许多风险状况下，不存在统计意义上的评估。人们只能在不同的背景下，去推理什么情况最有可能发生。

关联性和时间表4-3中的月回报率相关矩阵，给出了时间周期的选择如何影响资产或系统间相似性的测量。只使用过去10年的数据，当用月数据替换年数据时，相关性显著下降。这些数值已经接近于零。这种情况毫不奇怪，在利率和生产者价格指数之间，以年计的长期关系可以预测，但月与月之间的作用可能变动很大。如果利率的变动对于一