股债相关性切换：60/40 组合的隐形地基何时崩塌

结论先行#

“60/40 股债组合在 1998–2020 年是完美的：债券涨时股票跌、股票涨时债券跌，负相关性提供了免费的分散化。2022 年这个假设崩塌了——美国经历股债双杀，60/40 组合最大回撤超过 20%。”

这不是偶然，而是结构性机制：股债相关性本身是 regime 依赖的。本文用一个受控两因子模拟实验，把这个机制拆解到底，诚实给出三个负面结论：

1. 滚动相关性无法及时识别 regime 切换：250 日窗口的平均识别滞后约 188 天（≈9 个月），等你发现时已经亏损了大半年。
2. 动态资产配置的价值几乎全被成本吃掉：无论 60/120/250 日窗口，扣成本后 Sharpe 均低于或接近静态 60/40（0.399），安慰剂检验（打乱 regime 序列）下动态策略 Sharpe 仅 0.144——说明”收益”来自随机噪声，不是真实信号。
3. 用全样本相关性矩阵做协方差估计是致命 bug：此 bug 可将 Sharpe 虚报 78%（0.255 → 0.454）。

一、机制：两因子如何驱动相关性反转#

1.1 经典 flight-to-quality（增长冲击主导）#

当经济意外上行（增长冲击 +1σ）时：

• 资金撤出避险资产 → 债券下跌（equity: +1.0σ, bond: −0.7σ）
• 两者符号相反 → 强负相关（模拟理论值 ≈ −0.97）

这是 1998–2020 年美股的常态。低通胀 + 稳定增长 → 股债天然对冲。

1.2 滞胀机制（通胀冲击主导）#

当通胀意外上行（通胀冲击 +1σ）时：

• 实际利率上升 → 同时压股票和债券（equity: −0.5σ, bond: −0.9σ）
• 两者同向 → 正相关或弱负相关（模拟理论值 ≈ −0.33，接近 0）

2022 年的美国市场正是这个机制：CPI 同比从 7% → 9%，联储暴力加息，股债双杀。

1.3 两因子模型（代码片段）#

import numpy as np

# 因子日化波动率（年化 10% / 6%）
FAC_VOL = {"growth": 0.10 / np.sqrt(252),
           "inflation": 0.06 / np.sqrt(252)}

# 因子载荷（Regime A: 增长主导 / Regime B: 通胀主导）
LOADINGS = {
    "A": {  # 增长主导：股债强负相关
        "equity": {"growth": 1.0,  "inflation": -0.5},
        "bond":   {"growth": -0.7, "inflation":  0.7},
    },
    "B": {  # 通胀主导：股债弱负/正相关
        "equity": {"growth": 0.5,  "inflation":  1.0},
        "bond":   {"growth": 0.3,  "inflation": -0.9},
    },
}

# Regime B 下增长与通胀因子负相关（滞胀：通胀高则增长低）
FAC_CORR_B = -0.7

def simulate_returns(T, regime_seq, fac_corr_B=-0.7):
    z1 = np.random.randn(T)
    z2 = np.random.randn(T)
    # Regime A: 两因子独立
    e_g_A = z1 * FAC_VOL["growth"]
    e_i_A = z2 * FAC_VOL["inflation"]
    # Regime B: 因子负相关（fac_corr_B = -0.7）
    e_g_B = z1 * FAC_VOL["growth"]
    e_i_B = (fac_corr_B * z1 + np.sqrt(1 - fac_corr_B**2) * z2) \
            * FAC_VOL["inflation"]

    rets = {"equity": np.zeros(T), "bond": np.zeros(T)}
    for t in range(T):
        reg = regime_seq[t]
        eg, ei = (e_g_B[t], e_i_B[t]) if reg == "B" else (e_g_A[t], e_i_A[t])
        for a in ["equity", "bond"]:
            w = LOADINGS[reg][a]
            rets[a][t] = w["growth"] * eg + w["inflation"] * ei
    return pd.DataFrame(rets, index=pd.date_range("2015-01-01", periods=T, freq="B"))

关键：Regime B 里引入因子间相关（growth 与 inflation 相关系数 −0.7），使得两资产对两因子的响应方向产生冲突，最终相关性从 −0.97 跳到 −0.36（模拟实测 −0.97 / −0.36），这正是 2022 年现实对应的区间。

怎么读这张图：绿色背景区（增长主导 regime）对应相关性在 −0.97 附近，红色背景区（通胀主导）对应相关性跳升至 −0.36 左右。阈值线（橙色虚线）居中分割两种 regime。下方累计收益曲线在两个 regime 下走势明显分化——通胀 regime 下 60/40 组合（橙线）波动更剧烈。

二、识别滞后：滚动窗口的内在权衡#

2.1 信号质量与滞后天数的量化关系#

阈值设定在两种 regime 理论相关性的中点（−0.65），这是模拟中的已知最优阈值。在实际操作中你甚至不知道真实阈值是多少，这又引入了一层估计误差。

2.2 机制解释#

滚动相关性本质是一个 低通滤波器：窗口越长，高频噪声越少，但相位延迟越大。这是信号处理中经典的速度-精度权衡，没有任何方法可以同时做到”反应快”和”信号稳”。

# 不同窗口的滚动相关性
for w in [60, 120, 250]:
    roll_corr[w] = df_rets["equity"].rolling(w).corr(df_rets["bond"])

# 测量识别滞后
def measure_lag(roll_series, true_regime, threshold, search_window=252):
    lag_list = []
    for i in range(1, len(true_regime)):
        if true_regime.iloc[i] != true_regime.iloc[i-1]:
            sp = i  # regime 切换点
            sub = roll_series.iloc[sp:sp+search_window].dropna()
            regime_after = true_regime.iloc[sp]
            # 相关性应向 regime_after 对应的方向移动
            mask = (sub > threshold) if regime_after == 1 else (sub < threshold)
            if mask.any():
                lag = (sub.index[np.where(mask.values)[0][0]]
                       - roll_series.index[sp]).days
                if 0 < lag < search_window:
                    lag_list.append(lag)
    return np.mean(lag_list) if lag_list else np.nan

实测结果：250 日窗口平均滞后 188 天 ≈ 9 个自然月。也就是说，当真实 regime 在某月切换时，你的滚动相关性信号要等 9 个月才告诉你。届时损失已经发生，等你降杠杆，市场可能已经反弹。

怎么读这张图：左图条形高度即识别滞后天数，直观可见窗口越长滞后越大。右图的箱线图反映信号噪声：60 日窗口（最左）分布最宽，说明单次估计方差大，但响应快；250 日窗口（最右）分布最窄，信号平滑但严重滞后。两者是互补关系，无法同时优化。

三、Regime 切换下的 60/40 组合风险#

模拟中两个 regime 各持续约一年，10 年共 10 次切换。关键指标对比：

关键发现：通胀主导 regime 下，绝对波动率和最大回撤与增长 regime 相近（3.21% vs 3.26%），但分散化效果显著减弱（股债相关性从 −0.97 变为 −0.36），Sharpe 比率下降约 29%（0.197 → 0.139）。这意味着：60/40 组合在它最需要保护的时候（通胀冲击），分散化恰恰已经失效了——虽然绝对风险相近，但你承担的是不相关的风险，而非经过对冲后的有效低风险。

容易读错的地方：波动率柱（左右几乎一样高）容易让人误以为”风险差不多”。但看 Sharpe 柱（右图），通胀 regime 明显更矮——说明相同波动率下，组合收益更低，本质是相关性变化带来的分散化失效，不在于绝对波动本身。

四、动态资产配置：一个诚实的负面结论#

4.1 信号逻辑#

最简单的动态配置思路：当相关性升至阈值以上（分散化失效），降低股票权重；当相关性回落，恢复 60/40。

• 正常（相关性 < −0.65）：60% 股票 + 40% 债券
• 预警（相关性 > −0.65）：20% 股票 + 10% 债券（降杠杆）

4.2 实测：大部分动态策略跑输静态基准#

结论：除了 250 日窗口，其余全部跑输静态基准。250 日窗口的”优势”来自信号更少（只切换 11 次），但这本身不稳定——它只是碰巧在当前随机种子下赢了。

4.3 成本拆解#

def dynamic_strategy(df_rets, roll_corr_series,
                    threshold=-0.65, cost_bps=10.0):
    """
    相关性 > threshold → 降杠杆（20/10）
    每次状态切换收取 cost_bps
    """
    n_switches = 0
    prev_state = None
    for i in range(250, len(df_rets)):
        c = roll_corr_series.iloc[i]
        if pd.isna(c):
            continue
        state = "safe" if c > threshold else "normal"
        if prev_state is not None and state != prev_state:
            n_switches += 1
        prev_state = state
    total_cost_bps = n_switches * cost_bps
    # ... 计算收益，扣除成本
    return {"n_switches": n_switches,
            "total_cost_bps": total_cost_bps}

实测：10 次切换 × 10bp = 100bp 年度换手成本。问题在于：每次切换的判断有 43–188 天的滞后——你往往在错误的时间点切换，损失已经发生，降杠杆之后市场可能已经反弹。

怎么读这张图：右图是核心——安慰剂检验（紫色柱）Sharpe 仅 0.144，远低于静态基准 0.399。这说明：即使在完全随机的 regime 序列下，滚动相关性的噪声波动就足以制造”假信号”，而这些假信号产生的交易亏损就把动态策略的收益消耗殆尽。灰色带（静态 ±5%）几乎覆盖了所有动态策略。

五、证伪对照：两个实验#

5.1 安慰剂检验（置换 regime 序列）#

将真实 regime 时序打乱（随机置换），保留因子分布不变，用同一套代码跑动态策略。

结果：打乱后动态策略 Sharpe = 0.144（远低于静态基准 0.399），切换 14 次。

这意味着：你在真实数据上看到的”动态策略有效”，有相当部分来自 regime 时序的偶然性，而非信号本身具有预测力。

5.2 纯净引擎对照（恒定相关性市场）#

构造一个相关性恒定在 ≈0.5 的市场（通过 Cholesky 分解强制 corr=0.5），在此市场上跑同一套动态配置。

结果：Sharpe = 0.099，切换 0 次。

这个结果说明：在相关性真正恒定的市场，滚动窗口不会产生虚假切换（因为因子结构把噪声压住了）。但这恰恰反衬出真实市场的问题——当 regime 真的在切换时，噪声和信号混在一起，纯净引擎的对照结果（0.099）反而低于静态基准（0.399）。

六、Bug 复盘：全样本相关性矩阵偷看未来#

6.1 错误的实现（look-ahead bias）#

# ❌ 错误：全样本相关性（用了整个样本，含未来数据）
full_corr = df_rets.corr()           # 用了整个样本（含未来）
full_eq_vol = df_rets["equity"].std()
full_bd_vol = df_rets["bond"].std()
port_vol_bug = np.sqrt(
    (0.6 * full_eq_vol)**2
    + (0.4 * full_bd_vol)**2
    + 2 * 0.6 * 0.4 * full_corr.loc["equity","bond"]
      * full_eq_vol * full_bd_vol
)
bug_sharpe = (port_ret.mean() * 252) / (port_vol_bug * np.sqrt(252))

正确实现：

# ✅ 正确：滚动协方差（只用历史数据，无 look-ahead）
roll_vol_eq = df_rets["equity"].rolling(250).std()
roll_vol_bd = df_rets["bond"].rolling(250).std()
roll_cov    = df_rets["equity"].rolling(250).cov(df_rets["bond"])
roll_port_vol = np.sqrt(
    (0.6 * roll_vol_eq)**2
    + (0.4 * roll_vol_bd)**2
    + 2 * 0.6 * 0.4 * roll_cov * roll_vol_eq * roll_vol_bd
)

6.2 数字对比#

这个 78% 的虚高来自：将全样本的稳定负相关（−0.75）当作”已知条件”代入协方差矩阵，使得组合波动率被系统性低估。而真实的滚动协方差在 regime 切换点附近波动剧烈，平均值比全样本更低（−0.69），导致真实 Sharpe 明显下降。

教训：相关性矩阵永远要用过去数据估计；任何带 df.corr() 或 df.cov() 的全局计算都要在回测框架里做严格检查，特别是涉及组合波动率优化的场景。

七、诚实边界#

1. 模拟 ≠ 现实：本文用的是两因子 Gaussian 模型，真实市场的 regime 切换不是整齐的一年一次，因子载荷也随时间变化（央行政策常态化后，债券对增长冲击的敏感度可能永久性改变）。

2. 成本低估：本文用的 10bp/次是保守估计。机构执行 60/40 组合的换手，滑点 + 冲击成本可能高达 20–50bp，特别是在市场压力期间（正是需要信号的时候）。

3. 阈值敏感性：本文阈值（−0.65）是最优已知阈值；实际操作中你需要自己估计阈值，这又引入了一层不确定性。

4. Regime B 相关性：在模拟中 Regime B 的实测相关性为 −0.36（弱负而非正），与 2022 年现实（部分时段正相关）有差距。若调高因子载荷可得到正相关，但核心结论（识别滞后+成本吃掉收益）不变。

5. 真实市场证据：历史数据显示，2000 年互联网泡沫期间、2022 年加息周期中，股债确实出现了正相关或弱相关。但这些样本量太小，无法做统计推断——这也是为什么我们诉诸受控模拟。

总结#

最终答案：滚动相关性作为动态资产配置信号，识别滞后（最多 9 个月）和换手成本联手把大部分理论优势吃光。真正有价值的不是在相关性切换后”做应对”，而是在构建组合之初就认识到 60/40 的这个结构性弱点，并用真正的多资产（商品、通胀挂钩债券、另类）来替代失效的”负相关保险”。