资金流与业绩反馈环：申赎如何反过来杀死策略

一个策略回测很漂亮：年化 18%、Sharpe 2.0、最大回撤 8%。你募到了钱，跑起来，前两年也确实赚。然后第三年规模翻了十倍，净值开始走平；第五年遇到一波回撤，客户集中赎回，你被迫在最低点砍仓，回撤从 −12% 变成 −30%。

故事里没有黑天鹅，没有模型失效，没有对手盘阴谋。杀死策略的，是策略自己的资金流。 本文要说的就是这件事：业绩和申赎之间有两圈反馈环，它们会把一个好策略从内部反向绞死。所有图都由下方 Python 真实计算，非占位。

一、第一条环：资金追逐业绩 → 规模越过容量 → alpha 衰减#

第一条反馈环最隐蔽，因为它在「好时候」发生。逻辑链是：

业绩好 → 资金涌入(AUM↑) → 规模超过策略容量 K → 单笔交易冲击变大、机会变少
      → alpha 被稀释(μ(A)↓) → 业绩回落 → 但资金还在惯性涌入

关键在「策略容量（capacity）」这个概念。任何有边际 alpha 的策略，能吸收的资本都有一个上限 K。超过它，你下每一笔单都在自己制造价格冲击，alpha 会被自己的资金吃光。最简单的容量模型是指数衰减：

μ(A) = μ₀ · exp(−A / K)

μ₀ 是容量内月度 alpha，A 是 AUM，K 是容量。A 越过 K 之后，alpha 指数级塌缩。

模拟实现#

我们用一个双路径对比：同一套市场与策略，一条路径允许资金随过去 12 个月累计收益涌入（资金追逐业绩），另一条路径把 AUM 钉死在初始 A0，作为对照。

import numpy as np

def simulate_flow_feedback(T=180, A0=0.30, K=1.0, mu0=0.015, beta=0.6,
                           sigma_m=0.04, mu_m=0.008, idio=0.02,
                           gamma=0.55, maxflow=0.40, seed=0):
    rng = np.random.default_rng(seed)
    aum = np.zeros(T); nav = np.zeros(T); flow = np.zeros(T)
    aum[0] = A0; nav[0] = 1.0
    nav_fixed = np.zeros(T); nav_fixed[0] = 1.0   # 对照：AUM 钉死
    aum_fixed = A0
    for t in range(1, T):
        m = rng.normal(mu_m, sigma_m)
        a = mu0 * np.exp(-aum[t-1] / K)        # 容量衰减的 alpha
        eps = rng.normal(0, idio)
        r = beta * m + a + eps                  # 策略毛收益
        # 资金追逐业绩：基于过去 12 个月累计收益
        trailing = nav[t-1]/nav[t-12]-1.0 if t >= 12 else nav[t-1]-1.0
        fr = float(np.clip(gamma * trailing, -maxflow, maxflow))
        flow[t] = fr
        aum[t] = aum[t-1] * (1.0 + r + fr)
        nav[t] = nav[t-1] * (1.0 + r)
        # 对照路径
        r_fixed = beta*m + mu0*np.exp(-aum_fixed/K) + eps
        nav_fixed[t] = nav_fixed[t-1] * (1.0 + r_fixed)
    return aum, nav, nav_fixed, flow

跑出来（种子 7，180 个月）：资金流路径的 AUM 一路冲到 15.16 倍容量 K——早就超过了策略能承受的边界。

图里两条净值线在前期几乎重合（资金涌入的阶段业绩还行），一旦 AUM 越过 K，含资金流的净值（深蓝）开始系统性跑输钉死规模的对照（青色点线）。关键结论在终点：

• 峰值 AUM = 15.16 × K（第 179 月），远超容量
• 资金流版最大回撤 = −29.9%（第 128 月） vs 对照版 −18.5%
• 180 月终点净值：资金流版 1.744 vs 对照版 6.919

也就是说，因为资金涌入把规模推过容量、alpha 被稀释，终点净值被砍掉了约 75%。这还没算第二条环。

容量曲线长什么样#

把 α(A) = μ₀·exp(−A/K) 画出来，叠加 AUM 峰值位置，能直观看到问题出在哪：

在 AUM = 15×K 的地方，α 已经从容量内的 1.5%/月 衰减到接近于 0——策略还在收管理费，但已经不创造 alpha 了。这正是「规模是策略的敌人」的数学表达。

二、第二条环：赎回逼出流动性 → 跌幅触发赎回 → 死亡螺旋#

第一条环发生在好时候，第二条环发生在坏时候，而且更致命。逻辑链：

回撤 → 客户恐慌赎回 → 你被迫在低点卖出流动性(承担冲击成本) → 净值再跌
    → 更多客户赎回 → 卖更多 → 自我强化

这是对冲基金行业著名的「death spiral」。难点在于：即使策略本身没问题，单纯「被赎回逼着卖」这一动作，就会把浮动亏损变成实际亏损，再触发下一轮赎回。

模拟实现#

赎回比例设成「上一期跌幅的线性函数」（投资者追跌杀跌），被迫卖出的头寸承担冲击成本：

def simulate_redemption_spiral(T=60, delta=0.9, impact=1.2,
                               sigma=0.03, base_drift=0.004, seed=1):
    rng = np.random.default_rng(seed)
    nav = np.ones(T); redem = np.zeros(T)
    for t in range(1, T):
        r = rng.normal(base_drift, sigma)
        # 赎回比例随上一期跌幅放大（恐慌性赎回）
        R = float(np.clip(delta * max(0.0, -r), 0, 0.95))
        # 被迫卖出 R 比例持仓，承担市场冲击成本
        realized = r - impact * R * abs(r) - 0.005 * R
        redem[t] = R
        nav[t] = nav[t-1] * (1.0 + realized)
    return nav, redem

对照是同样的波动但没有赎回冲击（不被迫卖）。两条路径的唯一差别，就是「要不要因为客户赎回而砍仓」。

我们这组参数下（种子 3），死亡螺旋版最大回撤 −16.4%，对照版 −15.4%，差距看起来不大——但那只是因为参数温和。真正危险的是冲击系数 impact 和赎回敏感度 delta 一旦抬高（极端行情里两者都会抬高），螺旋会失稳：赎回潮把净值砸出新低，新低触发更大赎回潮。历史上 2008 年、2020 年 3 月大批基金死在这条环上，不是因为策略差，而是因为流动性在你需要它的时候消失。

历史不是模拟：三次被资金流绞杀的真案例#

模拟是为了把机制看清楚，但这两圈反馈环在真实市场里反复发生过。三个最常被引用的案例：

1. 2007 年 8 月 Quant Quake：一大批量化多空基金模型高度相似，其中一家因外部赎回被迫平仓，卖出的正是别人也持有的股票，价格反向移动触发下一家的风控，下一家的平仓再触发下一家。单看任何一家，信号都没失效；失效的是大家共享的流动性在赎回潮里同时消失。
2. LTCM（1998）：规模与杠杆把套利价差推到极端，俄罗斯违约引发赎回与补保证金，被迫在最低点平仓，把浮动亏损变成实际巨亏。经典的第一条环（规模越过容量）+第二条环（被迫卖）叠加。
3. Archegos（2021）：单一家族办公室用高杠杆集中持仓，价格反向后收到追缴，被迫抛售引发更多抛售，几天内清零并拖垮多家券商。这是第二条环在单一主体上的极端版本。

共同点是：它们都不是「因子失效」的故事，而是「资金流 + 流动性」的故事。回测无法告诉你这些，因为回测里没有你的客户。

三、两条环的共同根：AUM 不是免费的#

把两条环放一起看，会发现它们指向同一个事实——管理规模是要付代价的：

一个做实盘的人，对两条环的防御不是「选更好的因子」，而是：

1. 硬容量上限：到 K 就封盘（最难的纪律，但最有效）。很多好基金死于「再募最后一点」。
2. 赎回闸门（gate）/ 侧袋（side-pocket）：用合约切断死亡螺旋，代价是流动性口碑。
3. 对自身 AUM 的反身性建模：把 μ(A) 写进你的容量规划，而不是只看历史 Sharpe。
4. 让客户预期与策略周期匹配：锁定期设计本质是给第二条环加阻尼。

四、对抗式检验：这个模拟哪里不老实#

按惯例，必须点出自己模型的陷阱，否则结论没价值：

• 幸存者偏差 / 选种子：我报的是种子 7 和种子 3 的结果。换种子，AUM 峰值和回撤幅度会变；「终点净值 1.744 vs 6.919」是这组参数下的样本结果，不是定律。应多跑数百条蒙特卡洛取分布。
• 容量曲线是假设的：μ(A)=μ₀·exp(−A/K) 是最简化形式，真实容量取决于市场深度、因子拥挤、对手盘，不可观测。K 的取值直接决定结论，而 K 我们拍了。
• 赎回函数是拍的：R = δ·max(0,−r) 把投资者行为简化成追跌机器。真实客户有赎回阈值、有机构投资者赎回潮的拥挤效应，这里没建模。
• 没算管理费/业绩报酬：两条环都没扣 GP 收费。叠加 2/20 之后，LP 实际拿到手会更少（这正是本专栏另一篇的主题）。
• 单策略单市场：没有多策略之间的资金调配，也没算现金拖累。真实基金的 AUM 管理是组合层面的问题。

结语#

回测里你看不到资金流。但实盘里，策略的业绩会反过来改变策略本身——好业绩引来规模、规模杀死 alpha；坏业绩引来赎回、赎回杀死净值。一个策略能不能活，不只取决于它的信号有多好，还取决于它的规模有多大、它的客户有多慌。 下次看到一个 Sharpe 漂亮的基金，先问一句：它的 AUM 离容量 K 还有多远？

代码与全部数值均来自脚本真实运行；图表为 matplotlib 渲染，非占位图。参数（K、μ₀、γ、δ、impact）为示意取值，结论的定性方向稳健，定量数字请按你自己的容量与赎回假设重跑。