下行 beta 与下偏矩：标准 beta 看不见的那一半风险

CAPM 用一个数概括了风险：beta。资产对市场的敏感度，涨也 beta、跌也 beta，对称、优雅、好算。但任何一个真正管过组合的人都知道一件事——市场上涨 1% 时你跟不跟，和市场下跌 1% 时你跟不跟，根本不是一回事。有些资产在牛市里温吞吞、熊市里却带头跳水；它的 beta 看起来平平无奇，下行风险却大得吓人。

这就是「下行 beta」和「下偏矩」（Lower Partial Moments, LPM）要解决的问题。它们不满足于用一个对称的方差去丈量风险，而是只盯着收益跌破目标的那一半，把「亏损概率」「期望不足」「半方差」拆开来看。本文用 numpy 从零算一遍，回答三个问题：为什么两个 beta 相同的资产风险可能天差地别？下行 beta 怎么算？半方差和 Sortino 比率为什么比夏普更诚实？

一、标准 beta 的盲区：对称假设#

标准 beta 的定义是协方差除以市场方差：

$\beta_i = \frac{\mathrm{Cov}(r_i, r_m)}{\mathrm{Var}(r_m)}$

它隐含一个假设：资产对市场的反应是线性且对称的。也就是说，市场涨 1% 和跌 1%，资产都按同一个 $\beta$ 移动。这显然是理想化——现实中，投资者对损失的厌恶（损失厌恶）远大于对收益的喜爱，很多策略（比如卖出看跌期权的组合、高杠杆结构、某些成长股）天生就是「上行钝、下行敏」。

我造了两条假数据：资产 A 是纯对称的（上行下行都是 beta=1），资产 B 则是上行 beta=1、下行 beta=1.5——牛市跟得上，熊市跌得更狠。用标准公式一算，两者的 beta 分别是 1.02 和 1.27，确实有差距，但还看不出「天壤之别」。可是换下行 beta 一看，资产 B 的下行 beta 飙到 1.35，而资产 A 只有 1.01。标准 beta 把 B 的下行风险平均摊平到了上行区间里，稀释了真实的危险信号。

二、下行 beta 怎么算#

下行 beta 的思路很直接：只用市场下跌（低于其均值/目标）的那段样本去回归。形式上，它本质上是「下半协方差」除以「下半方差」：

$\beta^-_i = \frac{\mathbb E\big[(r_i - \bar r_i)(r_m - \bar r_m)\,\big|\, r_m < \tau\big]}{\mathbb E\big[(r_m - \bar r_m)^2\,\big|\, r_m < \tau\big]}$

其中 $\tau$ 是目标收益（通常取无风险利率或市场均值）。代码非常短：

import numpy as np

def downside_beta(r_i, r_m, tau=None):
    if tau is None:
        tau = r_m.mean()
    neg = r_m < tau                      # 只看市场下行段
    num = np.mean((r_i[neg] - r_i.mean()) * (r_m[neg] - r_m.mean()))
    den = np.mean((r_m[neg] - r_m.mean()) ** 2)
    return num / den

# 资产 B: 上行 beta=1, 下行 beta=1.5
rB = np.where(mkt < 0, 1.5 * mkt, 1.0 * mkt) + np.random.normal(0, 0.010, n)
print(downside_beta(rB, mkt))   # ≈ 1.35

注意这个「下行 beta」不是唯一的定义——有些实践者直接用市场负收益段做 OLS 回归，结果与上面的「下半协方差/下半方差」略有差异，但方向一致。关键在于：它把「市场下跌时你跟不跟」单独拎出来量化，而不是和上行段混在一起。

三、下偏矩（LPM）：一个家族，三个视角#

下行 beta 只回答了「跟跌多少」，下偏矩则更完整地刻画「跌得有多惨」。LPM 的定义是：

$\mathrm{LPM}_k(\tau) = \mathbb E\big[\max(\tau - r, 0)^k\big]$

$k$ 是阶数，$\tau$ 是目标收益。不同的 $k$ 对应完全不同的风险视角：

• $k=0$：LPM₀ = 亏损概率，即 $\Pr(r < \tau)$。只关心「会不会亏」，不关心亏多少。
• $k=1$：LPM₁ = 期望不足（expected shortfall 的下半部分），关心「平均亏多少」。
• $k=2$：LPM₂ = 半方差（semi-variance），关心「亏损的波动有多大」，对深度亏损给更高权重。

用资产 B 的数据一算，$\tau=0$ 时：LPM₀≈0.53（超过一半时间在亏）、LPM₁≈0.0087、LPM₂≈0.00022。三个数讲的是同一个故事的三层：「经常亏、平均亏 0.87%、偶尔亏得很深」。而标准方差只会给你一个笼统的总波动率，把这三种截然不同的痛感揉成一团。

四、半方差 vs 总方差：B 的下行风险被掩盖了#

这是最反直觉、也最重要的一点。看年化数据：

总波动率显示 B 只比 A 高约 4 个百分点，看起来「风险略大」。但下半偏差显示 B 的下行风险比 A 高出 6 个多百分点，且绝对值 31.1% 已经相当扎眼。换句话说，B 比 A 多出来的风险，几乎全部集中在下行方向——而总波动率因为把上行波动也算进去，把这个危险信号稀释掉了。

下半偏差（semi-deviation）就是半方差的平方根，它是 Sortino 比率的分母：

$\mathrm{Sortino} = \frac{\bar r - \tau}{\text{下半偏差}}$

夏普比率用总波动率做分母，把「赚钱的波动」也当风险惩罚了；Sortino 只惩罚「亏钱的波动」。对于一个目标是「别亏、稳增长」的组合，Sortino 比夏普更贴合你真正在意的风险。

五、实战里怎么用#

下行 beta 和下偏矩不是学术玩具，它们能直接落进你的组合管理流程：

1. 选股/选策略：在标准 beta 之外加一列「下行 beta」做二次筛选，把那些「牛市装死、熊市跳楼」的标的揪出来。很多「看起来稳健」的低波动策略，下行 beta 其实很高。
2. 风险预算：用下半协方差矩阵替代协方差矩阵做风险平价，权重会天然偏向下行风险小的资产。
3. 绩效归因：把总波动拆成「上行波动 + 下行波动」，分别看 alpha 的来源；如果 alpha 全靠下行波动的放大，那它本质是「借了尾部风险」，不可持续。
4. 尾部对冲：LPM₁（期望不足）直接告诉你「一旦跌破目标，平均会亏多少」，这是给尾部对冲定价的天然输入。

六、结语：对称的优雅，掩盖了不对称的残酷#

CAPM 的对称假设让数学变得漂亮，但漂亮不等于正确。金融收益的下行和上行从来不是镜像关系——损失厌恶、杠杆、结构性产品、流动性挤兑，都在制造不对称。标准 beta 和总方差把这些不对称「平均」掉了，下行 beta 和下偏矩则把它们「放大」出来。

如果你做的是风险管理，而不是教科书演示，请务必在标准 beta 旁边再放一列下行 beta、在总波动率旁边再放一列下半偏差。两个 beta 相同的资产，下行 beta 可能差出一个数量级；两个波动率相同的组合，下行风险可能完全不同。 那一半被对称性掩盖的风险，恰恰是最可能要你命的那一半。