基本面指数加权 vs 市值加权：为什么「不按价格配」反而赚更多

被动投资的第一直觉是「买指数就完事了」。但「指数怎么加权」这件事，远比你想的重要。最常见的市值加权（cap-weighted），本质是让价格决定你的仓位——哪只股票涨得多，你就自动多配它。这听起来中性，实则藏着一个反直觉的陷阱：市值加权会系统性地超配被高估、近期过热的大块头。

结论先放这：基本面指数（Fundamental Index，Arnott-Hsu-West 2005，即 RAFI 思路）改用销售额、现金流、账面价值、股息、员工数这些「真实经济规模」来定权重，而不是用价格。 因为价格会偏离基本面（被高估/低估），按基本面加权就等于每年自动「低买高卖」——跌出基本面的便宜股权重上升，涨过头的贵股权重下降。本文用纯 numpy 从零合成 50 只股票（真实基本面缓慢增长 + 围绕基本面的均值回复错误定价），对比两种加权：基本面加权终值 43.31x（年化 13.38%）跑赢市值加权 26.80x（年化 11.58%），超额约 1.8% 年化，且换手率更低（0.4% vs 2.4%）、集中度更分散。附完整 Python 与五类真实陷阱（中阶）。

一、市值加权到底「加权」了什么#

市值加权指数里，股票 i 的权重是 $w_i^{cap} = P_i / \sum_j P_j$。这里 $P_i$ 是股价，但你买的是「价格」。如果某只股票被市场炒高、价格偏离其真实价值一倍，市值加权会让你持有两倍于它经济份额的仓位。

问题在：价格 $P$ 可以写成 $P = F \times m$ 其中 $F$ 是「真实基本面」（经济规模、盈利能力），而 $m$ 是市场对它的错误定价乘数（m>1 被高估，m<1 被低估，长期均值回复到 1）。市值加权 ∝ $P = F \times m$，于是权重同时被「真实价值」和「错误定价」推着走——被高估的股票，权重被错误定价额外加码。

基本面加权则干脆去掉 $m$，只按 $F$ 定权重：$w_i^{fund} = F_i / \sum_j F_j$。价格涨不涨、市场疯不疯，都不影响你的仓位。这等于：你永远按「企业真实大小」配置，而不是按「市场认为它多大」配置。

二、从零合成「真实价值 + 错误定价」的股票宇宙#

我们造 50 只股票，每只都有一条缓慢增长的基本面 $F_t$（真实经济价值），价格 $P_t = F_t \times m_t$，其中 $m_t$ 是均值回复的错误定价（OU 过程，均值 1，意味着贵了会回归、便宜了会回归）。

import numpy as np

N = 50
T = 360  # 月

def gen_panel(seed=20260722):
    rng = np.random.default_rng(seed)
    g = rng.normal(0.006, 0.004, N)          # 每只基本面漂移
    F = np.zeros((T + 1, N)); F[0] = rng.uniform(0.8, 1.2, N)
    kappa = rng.uniform(0.05, 0.15, N)        # 错误定价回复速度
    m = np.zeros((T + 1, N)); m[0] = 1.0 + rng.normal(0, 0.25, N)
    for t in range(1, T + 1):
        F[t] = F[t-1] * (1 + g) * np.exp(rng.normal(0, 0.01, N))
        m[t] = m[t-1] + kappa*(1.0 - m[t-1]) + rng.normal(0, 0.06, N)
        m[t] = np.clip(m[t], 0.5, 2.0)
    P = F * m
    R = P[1:] / P[:-1] - 1.0
    return F[:-1], P[:-1], R

关键在于：收益的来源是价格相对基本面的均值回复。一只被高估（m>1）的股票，之后 m 回归 1 会拖累它的收益；一只被低估（m<1）的，回归会贡献额外收益。市值加权因为超配贵股，会吃这个亏；基本面加权因为权重锚在 F，反而「被动捡便宜」。

三、两种加权权重 + 年度再平衡回测#

权重计算很简单：

def weights(F, P):
    w_cap = P / P.sum(1, keepdims=True)   # 市值加权：∝ 价格
    w_fund = F / F.sum(1, keepdims=True)  # 基本面加权：∝ 真实价值
    return w_cap, w_fund

def backtest(R, w_cap, w_fund, rebal=12):
    nav_cap = np.ones(T); nav_fund = np.ones(T)
    wc, wf = w_cap[0].copy(), w_fund[0].copy()
    for t in range(1, T):
        nav_cap[t] = nav_cap[t-1] * (1 + R[t-1] @ wc)
        nav_fund[t] = nav_fund[t-1] * (1 + R[t-1] @ wf)
        wc = wc * (1 + R[t-1]); wf = wf * (1 + R[t-1])
        wc /= wc.sum(); wf /= wf.sum()
        if t % rebal == 0:                  # 年度再平衡回目标权重
            wc = w_cap[t].copy(); wf = w_fund[t].copy()
    return nav_cap, nav_fund

回测结果（见封面图）：

读这张图：基本面加权一路在市值加权上方（对数轴）。超额不是来自某次神操作，而是结构性地、每年自动地低配贵股、高配便宜股累积出来的。这正是 RAFI 论文的核心 claim——它不是「择时」，是「换了一种更聪明的加权方式」。

四、集中度与换手率：基本面加权反而更省#

很多人以为基本面加权换手率更高（因为要年年调回基本面权重）。在我们的合成里恰恰相反：

原因很直观：市值加权里，一旦某只股票大涨，它的价格权重立刻膨胀，月间漂移就把权重越推越偏，年度再平衡时要大动干戈扳回；而基本面权重锚在缓慢增长的基本面 F 上，目标权重年年变化很温和，所以再平衡换手反而小。更低的换手 = 更低的交易成本，这对被动策略是实打实的增益。

五、估值倾斜：权重到底跟价格走不走#

把「估值 P/F（>1 偏贵）」和权重画在一起，差异最刺眼：

市值加权里，权重和估值（P/F）正相关——越贵的股票权重越大（追涨）；基本面加权的权重几乎和估值无关（corr≈0.01），因为它压根不看价格。这就是基本面加权「价值倾斜」的本质：你不是主动做价值因子，而是用「不看价格」这件事，被动地复制了一个价值 tilted 的组合。

严谨点说：这里市值加权的估值相关只有 0.08，因为合成里 m 的波动是温和的（OU，σ≈0.06/月）。真实市场里（尤其dot-com 时期）价格泡沫会让这个相关高得多，基本面加权的优势也更夸张。本文用温和设定，是给一个保守的下界演示。

六、五类真实陷阱（不拆穿就是自欺）#

陷阱 1：把「价值倾斜」当成免费午餐（最隐蔽）。 基本面加权跑赢，本质是它被动地做多价值、做空成长。所以它不是「无风险的指数升级」，而是「承担了价值因子暴露」。当价值因子长期跑输（如 2017–2020 美股成长牛），基本面加权会跑输市值加权。对策：把基本面指数当成「带价值 tilt 的被动」，而不是「稳赢的被动」。

陷阱 2：基本面的「再平衡漂移」风险。 基本面权重用的是「滞后财报」的基本面（去年销售额、去年账面值）。财报公布滞后 + 重述，会让目标权重本身带噪声。对策：用最新可得财报、做季度滚动更新，但注意这会增加换手。

陷阱 3：幸存者偏差与基本面口径。 用「销售额/现金流/账面值/股息/员工数」五种基本面做几何平均（RAFI 原始做法）比单一指标更稳，但只用存活公司会系统性高估（退市的公司基本面也消失）。对策：用含退市点的 universe，或接受这是「存活公司」的被动策略。

陷阱 4：低流动性陷阱。 基本面加权天然偏向「便宜的大块头」，但其中一部分是低流动性、小市值的「价值陷阱」股。回测用收盘价、零冲击成本，会高估真实可建仓的收益。对策：加流动性门槛（如仅用沪深 300 / 中证 800 成分），收益会打折但可交易。

陷阱 5：本文收益来自「均值回复」设定（自证）。 合成里 m 被强制均值回复到 1，所以基本面加权必胜——这是演示前提不是市场规律。真实市场里错误定价不一定快速回复（可能有长期动量、可能有 regime）。对策：把本文当「机制演示」，真实 alpha 要用样本外、跨周期、含成本的数据验证，别把合成的 1.8% 年化当成必赚。

七、小结#

市值加权指数不是「中立被动」的代名词——它悄悄把你的仓位交给了价格。基本面指数（RAFI）的聪明之处，是意识到「价格会骗人，但企业的真实经济规模骗人慢得多」，于是改用基本面定权重，等于每年自动低买高卖、且换手更低。

要点：

• 市值加权权重 ∝ $P = F \times m$，自动超配贵股；
• 基本面加权权重 ∝ $F$，与价格脱钩，被动复制价值倾斜；
• 本文合成：基本面加权年化 13.38% vs 市值 11.58%，换手 0.4% vs 2.4%；
• 但它是「带价值暴露的被动」，价值因子跑输时它也跑输——不是稳赢。

一句话：被动投资问「买什么」之前，先问「怎么加权」——加权方式决定了你到底是跟着价格走，还是跟着价值走。

代码与数据完全可复现：本文所有图由 gen_fundamental_weighting.py 生成（纯 numpy，无 sklearn/torch 依赖）。市值加权终值 26.80x（年化 11.58%）、基本面加权 43.31x（年化 13.38%）、超额 +1.80% 年化；平均 HHI 5.65 vs 5.37；年度换手 2.4% vs 0.4%；权重-估值相关 0.079 vs 0.014，均直接打印在脚本输出里。