基金定投12-为什么你的基金组合越分散越亏？现代投资组合理论没告诉你的 3 件事，3 个公式看懂现代投资组合理论：如何用 0 成本把组合风险砍掉 40%

基金定投助手：为什么你的基金定投总在追涨杀跌？价值平均法定投引擎 + 综合估值模型+动态再平衡仓位管理，一个单文件 HTML 的免费定投工具-CSDN博客
https://download.csdn.net/download/weitingfu/93339607?spm=1011.2124.3001.6210

黄金 100 字

你是否遇到过这样的困惑：明明买了好几只基金，结果市场一跌，账户里所有持仓一起绿，分散了个寂寞？网上搜到的方案要么让你"多买几只"，要么让你"相信长期"，却从来没人讲清楚分散到底是怎么起作用的。本文将从现代投资组合理论（MPT）的底层数学出发，用公式、代码和示意图，讲透"低相关性资产组合为什么能免费降低风险"，以及这套理论在核心-卫星策略和动态仓位调整中的真实用法。

一、先讲一个"数学上免费"的故事

1952 年，一个叫哈里·马科维茨的年轻人写了一篇博士论文，题目叫《投资组合选择》。这篇论文只有十几页，当时没几个人看得懂，但它后来拿了诺贝尔经济学奖，还顺手开创了一门学科——现代投资组合理论（Modern Portfolio Theory，简称 MPT）。

马科维茨到底发现了什么？

用一句话说：在同样的预期收益下，把资金分散到相关性足够低的资产上，组合的风险可以显著下降，而收益几乎不受损失。

这句话听起来平平无奇。但请注意关键词——“同样的预期收益”。这意味着，风险下降不是靠牺牲收益换来的，而是"白捡"的。

这就是为什么巴菲特那句广为流传的话被反复引用："分散化是唯一免费的午餐。"虽然巴菲特本人更偏爱集中持仓，但他说这话时指的就是 MPT 这套数学逻辑。

在开始讲公式之前，先建立一个直觉。

假设你手里有两家公司：一家做雨伞，一家做冰淇淋。晴天的时候，冰淇淋卖得火爆，雨伞滞销；雨天的时候，雨伞供不应求，冰淇淋无人问津。

如果你把全部身家押在冰淇淋公司上，那么一个连续晴天的夏天，你会赚翻；但一个连续暴雨的夏天，你会亏惨。反过来押雨伞公司也一样。

但如果两家公司各买一半呢？

晴天的时候，冰淇淋那边赚的钱，刚好弥补雨伞那边的亏损；雨天的时候，雨伞赚的钱，又填补了冰淇淋的窟窿。无论天气怎么变，你的账户都稳稳当当。

这个例子有点夸张，但它把 MPT 最核心的思想讲清楚了：组合的整体风险，不取决于单只资产的风险有多大，而取决于资产之间"此消彼长"的程度——也就是相关系数。

二、组合风险的本质：为什么 1 + 1 < 2

2.1 单一资产的风险怎么衡量

要理解组合风险，先得定义"风险"。

在 MPT 的框架里，风险 = 收益的不确定性 = 波动率，通常用标准差（σ）来衡量。

一只基金过去 5 年的年化收益是 10%，标准差是 20%，意思是：它的收益大约 68% 的概率落在 -10% 到 30% 之间，95% 的概率落在 -30% 到 50% 之间。

标准差越大，收益上蹿下跳得越厉害，持有体验越"刺激"，风险越高。

这个定义当然有争议——比如有人会说"波动不是风险，永久亏损才是"。但在数学框架里，标准差是衡量不确定性的标准尺子，先接受它，后面我们再来挑战它。

2.2 组合风险不是加权平均

很多人以为：组合的风险 = 各资产风险的加权平均。

这个直觉错得离谱。

如果组合风险真是加权平均，那么买 10 只基金和买 1 只基金没有任何区别——反正都是平均。那分散化还有什么意义？

马科维茨的洞察正在于此：组合的风险不仅取决于各资产的波动率，还取决于它们之间的相关性。相关性越低，组合风险越低于加权平均，这就是 1 + 1 < 2 的数学来源。

2.3 核心公式：两资产组合方差

以最简单的两只资产为例。组合的方差公式如下：

σ²(p) = w₁²·σ₁² + w₂²·σ₂² + 2·w₁·w₂·ρ·σ₁·σ₂

其中：

• w₁、w₂ 是两只资产的权重（w₁ + w₂ = 1）
• σ₁、σ₂ 是两只资产的标准差
• ρ 是两只资产的相关系数（介于 -1 和 1 之间）

注意看最后一项：2·w₁·w₂·ρ·σ₁·σ₂。

如果 ρ 是正数，这一项给组合风险"加码"；如果 ρ 是负数，这一项给组合风险"减码"；如果 ρ = 0（完全不相关），这一项直接消失。

相关系数越低，组合风险越低——这就是整篇理论的钥匙。

2.4 直观验证：算一笔账

假设两只资产，波动率都是 20%，各投 50%。

如果 ρ = 1（完全正相关），组合波动率 = 20%。和单只资产一模一样，分散了个寂寞。

如果 ρ = 0（不相关），组合波动率 = 14.1%。风险下降了约 30%。

如果 ρ = -0.5（负相关），组合波动率 = 10%。风险直接砍半。

如果 ρ = -1（完全负相关），组合波动率 = 0。风险归零——当然这在现实中几乎不存在，因为完全负相关的资产太罕见了。

看见了吗？两只波动率完全相同的资产，仅仅因为相关性不同，组合风险可以从 20% 降到 0。这就是"免费午餐"的数学本质：风险下降靠的是相关性，而不是牺牲收益。

graph LR A[资产A<br/>σ=20%] --> C{相关系数 ρ} B[资产B<br/>σ=20%] --> C C -->|ρ=1| D[组合σ=20%<br/>无分散效果] C -->|ρ=0| E[组合σ=14.1%<br/>风险降30%] C -->|ρ=-0.5| F[组合σ=10%<br/>风险砍半] C -->|ρ=-1| G[组合σ=0<br/>风险归零]

2.5 有效前沿：风险与收益的"最佳交易区"

马科维茨的贡献不止于发现"1 + 1 < 2"，他还画出了一张改变金融史的图——有效前沿（Efficient Frontier）。

把市场上所有可能的资产组合都画在一张图上，横轴是风险（标准差），纵轴是预期收益。你会发现这些点聚成一个类似子弹头的形状。在子弹头的"左上边缘"上，每一个点都代表一个"给定风险下收益最高"的组合，这条边缘曲线就叫有效前沿。

有效前沿的意义在于：它证明了收益和风险的交换不是无限自由的。在有效前沿之外，你总能找到另一个组合，要么同样的风险收益更高，要么同样的收益风险更低。

而"免费午餐"的完整表述是：通过配置低相关性资产，你可以从有效前沿的"内部"移动到"边缘"——风险下降、收益不变，这个移动过程就是白赚的。

graph LR A[任意组合<br/>风险高收益低] -->|加入低相关性资产| B[有效前沿上<br/>风险低收益不变] C[单一资产<br/>风险收益比差] -->|分散化| D[有效前沿上<br/>最优风险收益比]

用大白话说：单只基金就像一个只能打一个位置的单打选手，组合则像一支能打配合的球队。单打选手再厉害，也扛不住对方全场包夹；球队配合默契，每个人都能在适合自己的位置上发挥，整体战斗力远超个人能力之和。

到这里，MPT 的两大支柱就齐了：低相关性资产组合降低风险（1 + 1 < 2），有效前沿提供最优权重（在降低风险的同时不牺牲收益）。接下来我们聚焦第一个支柱的关键变量——相关系数。

三、相关系数：分散化的"魔法数字"

3.1 什么是相关系数

相关系数 ρ 衡量的是两只资产收益走势的"同步程度"，取值在 -1 到 1 之间：

• ρ = 1：完全同步，涨一起涨，跌一起跌（比如同一行业的两只股票）
• ρ = 0：完全无关，走势各走各的（比如股票和黄金，有时接近）
• ρ = -1：完全反向，一个涨另一个必跌（现实中几乎不存在）

实际操作中，绝大多数资产之间的相关系数都在 0 到 1 之间。A 股和美股长期在 0.25 到 0.45 左右，股票和债券在 0 到 0.30 左右，A 股和港股偏高，能达到 0.55 到 0.75（详见 3.3 节的市场实测表）。

3.2 不同相关系数的实战意义

相关系数 0.8 以上：看起来买了好几只基金，实际上等于买了一只。比如同时买沪深 300 指数基金、沪深 300 增强基金、某只重仓银行股的主动基金——这三者在下跌行情里几乎是"复制粘贴"，分散效果约等于零。

相关系数 0.3 到 0.5：这是跨市场配置的典型区间。美股、A 股、港股虽然都叫"股票"，但定价逻辑、资金结构、宏观周期不同步，相关性中等偏低，分散效果显著。

相关系数 0 到 0.3：股票和债券的典型区间。债市和股市的驱动因素不同，股市暴跌时债券往往成为避风港，组合回撤被明显压缩。

相关系数为负：这是黄金、商品类资产在某些阶段的特征。它们和股票的负相关性，是全天候组合、风险平价策略的底层依托。

3.3 相关系数的市场实测：谁和谁"真不熟"

光讲理论没感觉，直接看实战中几类核心资产的相关系数区间（基于近十年主要指数的月度收益率统计）：

读这张表，你能得到三个实战结论：

第一，A 股内部"假分散"很严重。沪深300、中证500、创业板50的相关性都在 0.65 以上，买三只 A 股宽基基金，分散效果约等于买一只。真正的分散必须跨风格、跨市场、跨资产。

第二，跨市场是性价比最高的分散方式。A股和美股相关性只有 0.25-0.45，这意味着两边同时大跌的概率不高。这也是为什么研究报告反复强调"美股 + A 股 + 港股"跨市场组合能实现年化 15% 以上、回撤 15% 以内的数学基础。

第三，债券和黄金是组合的"压舱石"。它们与股票的相关性接近零甚至为负，市场恐慌时往往提供正收益或正保护。保守型组合里 40% 固收 + 5% 黄金，就是在利用这种低相关性。

3.4 ⚠️ 避坑警告：相关系数不是固定的

相关系数最大的坑，是它不稳定。

平时美股和 A 股相关系数可能只有 0.3，但在全球性危机中（比如 2008 年、2020 年 3 月），几乎所有风险资产的相关性会一起飙升到 0.8 以上——因为大家都在同一个恐慌情绪里抛售。

这就是金融学里常说的"相关性危机时趋同"（correlations go to one in a crisis）。

💡 效率技巧：判断两只基金是不是"假分散"，最快的方法不是看基金名字，而是看它们前十大重仓股的重叠度。重仓股重叠超过 50% 的两只基金，相关系数通常不会低，分散效果大打折扣。

四、代码实战：算给你看

理论讲完了，现在动手。用 Python 把相关系数和组合风险算出来。

4.1 相关系数计算

import numpy as np import pandas as pd # 模拟三只资产的月度收益率（100个月） np.random.seed(42) months = 100 # 共同冲击（市场因子）：股票A、B都受它影响 → 两者相关性较高 shared = np.random.normal(0, 1, months) # 各资产月度收益率：均值 + 共同冲击贡献 + 个体波动 stock_a = 0.008 + 0.030 * shared + 0.026 * np.random.normal(0, 1, months) # 高波动股票 stock_b = 0.008 + 0.025 * shared + 0.016 * np.random.normal(0, 1, months) # 中波动股票 bond_c = 0.004 + 0.012 * np.random.normal(0, 1, months) # 债券：独立波动 df = pd.DataFrame({'股票A': stock_a, '股票B': stock_b, '债券': bond_c}) # 计算相关系数矩阵 corr_matrix = df.corr() print("相关系数矩阵：") print(corr_matrix.round(3))

运行结果会显示：股票 A 和股票 B 的相关性较高（大约 0.6，因为它们共享同一个市场因子），而债券与两只股票的相关性接近 0 甚至为负。这正是"核心-卫星 + 固收"组合能降波动的数据基础。

4.2 组合风险计算

def portfolio_volatility(weights, cov_matrix): """计算组合波动率（年化标准差） weights: 资产权重列表，如 [0.5, 0.3, 0.2] cov_matrix: 资产的协方差矩阵（年化） """ weights = np.array(weights) # 组合方差 = w^T · Σ · w variance = weights @ cov_matrix @ weights.T return np.sqrt(variance) # 用上面的收益率数据构造年化协方差矩阵（月度方差×12） cov_monthly = df.cov() cov_annual = cov_monthly * 12 # 方案一：全仓股票A（100% 高波动资产） w1 = [1.0, 0.0, 0.0] vol1 = portfolio_volatility(w1, cov_annual) # 方案二：60%股票A + 40%债券 w2 = [0.6, 0.0, 0.4] vol2 = portfolio_volatility(w2, cov_annual) # 方案三：核心-卫星式，40%股票A + 20%股票B + 40%债券 w3 = [0.4, 0.2, 0.4] vol3 = portfolio_volatility(w3, cov_annual) print(f"方案一 全仓股票A 波动率: {vol1:.2%}") print(f"方案二 股6债4 波动率: {vol2:.2%}") print(f"方案三 核心卫星 波动率: {vol3:.2%}")

这个脚本会打印出三个方案的年化波动率。你大概率会看到：方案三的波动率比方案一低 30%-50%，但三者的预期收益差距远没有这么大。这就是"免费午餐"的实证。

4.3 结果解读

把上面脚本跑一遍，你会得到类似这样的结果：

注意：以上数值基于np.random.seed(42)的模拟数据，换一个种子结果会有差异，但规律是稳定不变的——加入低相关性资产（债券、另一类股票）后，组合波动率显著下降，而预期收益只是按权重线性摊薄。

这就是核心-卫星策略、跨市场配置、全天候组合能有效控制回撤的数学根源。

4.4 为什么数量越多，分散效果越好

还有一个经典问题：买 10 只基金一定比买 2 只基金更分散吗？

答案是：不一定，取决于你买的是什么。这里要引入 MPT 的另一个核心概念——风险的两层结构。

• 系统性风险（市场风险）：整个市场一起波动的风险，比如利率变化、宏观经济衰退、地缘冲突。这种风险靠分散化无法消除，买再多基金也躲不掉。
• 非系统性风险（个体风险）：单一资产特有的风险，比如某家公司业绩暴雷、某个行业政策突变。这种风险可以通过分散化消除——因为不同资产的"个体坏运气"不会同时发生。

MPT 告诉我们：当组合里加入足够多的低相关性资产时，非系统性风险被逐步稀释，组合风险最终逼近系统性风险的下限。

graph LR A[组合中资产数量] --> B{非系统性风险} A --> C{系统性风险} B -->|数量增加| D[逐步消散趋于0] C -->|数量增加| E[基本不变] D --> F[组合总风险<br/>逼近系统性风险下限] E --> F

所以分散化的正确姿势是：增加的是"低相关性的不同资产"，而不是"同涨同跌的同类资产"。买 10 只都是重仓白酒的基金，非系统性风险根本没有被消除——它们共享同一个"个体风险"。

这也是为什么研究报告反复强调：跨市场（美股、A股、港股）、跨资产（股票、债券、黄金）的组合，才能真正逼近系统性风险的下限。而单一市场里买再多基金，也只是在同一片池塘里游泳。

五、从理论到实战：核心-卫星的底层逻辑

5.1 为什么核心-卫星能降低波动

回顾前面第 08 篇讲过的核心-卫星策略：核心仓位（50%-70%）配宽基指数或固收+，卫星仓位（30%-50%）配行业主题或主动基金。

这个架构为什么有效？用 MPT 的话说就是：核心资产的波动率低（宽基指数分散了几十上百只股票的非系统性风险），卫星资产和核心资产的相关性中等偏低（行业主题基金和宽基指数的驱动逻辑不同），两者组合后，组合整体风险显著低于"全卫星"配置。

举个具体例子。核心选沪深 300 指数基金，卫星选新能源主题基金。平时两者相关性可能在 0.6-0.7（毕竟新能源也是 A 股的一部分），但新能源的波动率远高于沪深 300（行业基金的波动率可能是宽基的 1.5 倍以上）。如果全仓新能源，回撤轻松超过 40%；但 60% 核心 + 40% 卫星，组合回撤会被压缩到 25% 左右——因为核心资产在新能源暴跌时提供了缓冲。

5.2 再平衡：把"免费午餐"吃到嘴里的方式

理论上的分散化，还需要一个执行机制来兑现，这就是再平衡（第 09 篇讲过）。

再平衡的底层逻辑也很 MPT：资产价格波动会让权重偏离目标，定期把权重调回来，本质上是在"高抛低吸"——卖出涨多的资产，买入跌多的资产，让组合始终保持在风险收益最优的权重附近。

回测数据也验证了这一点。华鑫证券的数据显示：采用月度再平衡的中美核心资产组合，2015 年初至 2025 年底，年化回报 33.89%，较各指数等权组合超额收益高出 12.31 个百分点，最大回撤控制在 18.23% 以内。

为什么再平衡能增厚收益？因为市场长期存在"均值回归"的倾向，涨多了的资产容易回调，跌多了的资产容易修复。再平衡强制你在高位卖出、低位买入，等于把均值回归的收益装进了口袋。

5.3 动态仓位调整：概率加权后的正向决策

到这里，有人会问：那动态仓位调整（第 10、11 篇的估值分位、均线趋势、波动率自适应）和 MPT 有什么关系？

关系非常大。动态仓位调整的本质，是依靠均值回归或趋势延续的概率模型，把组合的风险收益比调整到最优区间。

这可以理解为"带信号的再平衡"：普通再平衡是固定时间触发，动态调整是当某个概率信号出现时触发。两者的目标一致——让组合始终待在风险可控、收益合理的区域。

5.4 估值分位的底层支撑：均值回归

估值分位策略为什么有效？因为它建立在均值回归原理之上。

统计数据表明：指数估值水平在 90% 以上的时间里，都在历史均值的一个标准差区间内波动。也就是说，估值绝大多数时间是"有锚"的——极度高估或极度低估都是短期的、会被纠正的异常状态。

所以，当 PE 分位低于 20% 时加大定投，本质是在"估值大概率要回归均值"这个概率判断上下注；当 PE 分位高于 70% 时降低仓位，本质是在"估值大概率要回归均值"这个判断上防守。

注意措辞：是"概率判断"，不是"确定性判断"。这就是为什么动态调整策略从来不说"抄底"，而说"积累份额"——它是在概率优势的方向上行动，而不是预测精确的底部。

graph TD A[PE分位&lt;20%] -->|估值大概率回归均值| B[上调权益配置10%-15%] C[PE分位&gt;70%] -->|估值大概率回归均值| D[下调权益配置10%-15%] E[PE分位20%-70%] -->|保持不动| F[正常定投节奏] B --> G[组合风险收益比<br/>保持在最优区间] D --> G F --> G

5.5 均线趋势的底层支撑：趋势延续

均线趋势策略（250 日均线）的底层支撑是另一条原理——趋势延续性：在没有突发基本面利空的情况下，指数短期不会跌破长期均线；一旦有效跌破，往往意味着趋势发生了实质性变化。

这个原理和均值回归矛盾吗？不矛盾。两者适用的时间尺度不同：

• 均值回归描述的是估值围绕价值中枢波动的长期规律（以年计）
• 趋势延续描述的是价格沿趋势方向运动的短期惯性（以月计）

动态仓位调整的高手，恰恰是同时使用这两把尺子：估值分位管"贵不贵"（长期），均线趋势管"趋势变没变"（中期），波动率自适应管"风浪大不大"（短期）。三把尺子各司其职，组合的风险收益比始终被校准在概率最优的位置。

六、"免费午餐"的边界：MPT 的三个假设

讲完 MPT 有多好，必须讲讲它有多"脆弱"。免费午餐不是无条件发放的，它建立在一组严格的假设之上。

6.1 假设一：收益服从正态分布（其实不是）

MPT 的数学推导假设资产收益服从正态分布——均值附近概率高，极端值概率极低。

但真实市场有肥尾：极端暴跌（比如单日跌 8% 以上）发生的概率，远高于正态分布模型的预测。2008 年、2015 年 A 股、2020 年 3 月，都属于典型的"尾部事件"。

这意味着什么？意味着 MPT 算出来的组合风险，在正常行情下是准的，在极端行情下会严重低估真实风险。

举个直观的数字例子。按正态分布的假设，标准普尔 500 指数单日下跌超过 5% 的概率应该低到"每 300 年才发生一次"。但真实数据里，1987 年黑色星期一单日暴跌 20%+、2008 年雷曼倒闭后连续多日跌 5%+、2020 年 3 月疫情恐慌中四次熔断——这些"300 年一遇"的事件，十年里就能遇上好几回。

graph LR A[正态分布假设<br/>尾部极薄] --> B[尾部事件概率被低估] C[真实市场分布<br/>肥尾明显] --> D[极端暴跌频繁出现] B --> E[组合风险被低估] D --> E E --> F[需要额外风控手段]

这就是"肥尾"的含义：真实收益分布的尾部，比正态分布预测的"厚"得多。数学上，正态分布给极端值分配的概率微乎其微；现实中，极端值出现的频率远高于模型预测。

肥尾对定投者的启示不是"MPT 没用"，而是"MPT 要搭配风控用"：

• 正常市场里，低相关性组合的降波动效果真实有效；
• 极端危机里，组合回撤可能比模型预测的更猛；
• 所以，控制单资产配置上限、保留固收缓冲、设置回撤止损纪律，是对肥尾风险的现实对冲。

这也解释了为什么第 17 篇要讲最大回撤止损法、第 20 篇要讲 A 股 20% 回撤兜底规则——它们不是 MPT 的敌人，而是 MPT 的补丁。

6.2 假设二：相关系数是稳定的（其实会变）

如前面警告的，相关系数在危机时会趋同。平时分散得很好的组合，危机中可能集体下跌——分散化的保护效果大打折扣。

6.3 假设三：投资者是理性的（其实不是）

MPT 假设投资者理性地根据风险和收益做决策。但真实世界里，追涨杀跌、恐慌割肉、鸵鸟心态才是常态。理论再漂亮，执行不了等于零。

6.4 ⚠️ 避坑警告：别把"低相关"当成"零相关"

很多新手看到"股债 6:4 组合历史回撤只有 15%“，就以为债券永远能对冲股票。但 2022 年全球市场出现了罕见的"股债双杀”——美股跌、美债也跌，因为通胀迫使美联储暴力加息。

这说明：相关性不是永久属性，而是随宏观环境漂移的。低相关性资产组合能降低"一般风险"，但不能消灭"系统性风险"。任何宣称能"稳赚不赔"的组合，都是在骗你。

💡 效率技巧：看一个组合到底分散得怎么样，不要只看历史收益曲线，要看压力测试——把 2008 年、2015 年、2018 年、2020 年、2022 年这几段极端行情单独拉出来，看组合回撤分别是多少。能扛住极端行情的组合，才是真正分散的组合。

6.5 2008 年式极端行情：免费午餐到底缩水多少

用 2008 年金融危机作为压力测试样本，把三类组合的表现对比一下：

注意：2008 年几乎所有股票资产的相关性都飙升到了 0.8 以上，股票之间的分散化确实失效了。但跨资产的分散没有完全失效——美国长期国债当年上涨约 20%，黄金先跌后涨全年基本持平，它们对冲了部分股票亏损。

所以，对第 12 篇开头的那个问题——核心-卫星组合在 2008 年式极端行情里，免费午餐还成立吗？答案是：成立，但分量变少了。股票内部的分散效果大打折扣，而跨资产（债券、黄金）的保护仍然在线。这也是为什么保守型方案要坚持配置 40% 固收 + 5% 黄金，而不是"全仓宽基指数就算分散"。

换一个角度：即使免费午餐在极端行情里"缩水"，有午餐吃，总比饿着强。全仓股票的投资者在 2008 年可能直接崩溃离场，而配置了债券和黄金的投资者更有机会扛过寒冬，等来 2009-2010 年的修复行情——能活下来，本身就是最大的复利。

七、总结：把 MPT 装进口袋

用一张图总结本文的核心逻辑：

graph TB subgraph MPT[现代投资组合理论] A[组合风险 &lt; 加权平均风险] --> B[关键变量：相关系数] B --> C[低相关性资产组合<br/>免费降低风险] end subgraph 应用[实战应用] C --> D[核心-卫星策略] C --> E[再平衡机制] C --> F[跨市场配置] end subgraph 动态[动态调整] G[均值回归<br/>估值分位支撑] --> H[概率加权正向决策] I[趋势延续<br/>均线趋势支撑] --> H H --> J[组合风险收益比<br/>保持最优] end D --> K[定投落地] E --> K F --> K J --> K

给你留一份行动清单：

1. 先算相关系数，再谈分散：构建组合前，用代码算出各资产两两相关系数，相关性超过 0.8 的资产本质是同一类，别指望它们互相保护。
2. 跨市场、跨资产是降波动的核武器：美股 + A 股 + 港股 + 债券 + 黄金，相关系数中等偏低，组合回撤能被显著压缩。
3. 再平衡是兑现"免费午餐"的勺子：没有再平衡的分散化，只是"躺平的分散化"。
4. 动态调整是概率游戏，不是预测游戏：估值分位和均线趋势都是在"大概率正确"的方向上行动，接受偶尔犯错，长期坚持才有效。
5. 永远留一手应对肥尾：MPT 的免费午餐在正常市场有效，在极端危机中会"缩水"。控制单资产上限、保留固收缓冲、严格遵守纪律，是应对未知风险的终极手段。

【思考题】

MPT 假设资产收益服从正态分布，但真实市场存在肥尾风险——2008 年式的极端行情中，所有资产相关性同时飙升，组合的"免费午餐"瞬间缩水。你觉得核心-卫星组合在这种极端行情里，理论上的"免费午餐"还成立吗？如果成立，它靠什么成立；如果不成立，你会用什么手段补上这个缺口？欢迎在评论区展开讨论。

【系列文章预告】

下一篇我们聊聊回撤的数学杀伤力：为什么跌 50% 需要涨 100% 才能回本？这一条数学铁律，将直接解释为什么控制回撤比追求高收益更重要。敬请关注。

标签

现代投资组合理论MPT资产相关性风险分散原理均值回归仓位管理基金定投

本系列文章仅供学习参考，不构成投资建议。