私募信贷的估值平滑：低波动是真的还是没有报价 • halo 的技术博客

过去十年，「私募信贷」（Private Credit / Direct Lending）是资管行业募资最猛的赛道之一。它给投资者的业绩报告长这样：年化波动率 4%–6%，最大回撤个位数，Sharpe 常年 4 以上。对比标普 500 那动辄 15% 的波动和不到 1 的 Sharpe，简直是「风险调整后的圣杯」。

但有一个问题很少有人在路演里讲清楚：这份低波动，究竟是底层资产真的低波动，还是因为根本没有连续报价、估值被「熨平」了？

结论先放这：私募信贷的低波动，绝大部分是估值方法的产物，不是资产本身的属性。底层借款人的违约、展期、估值折扣（haircut）每天都在真实发生，但基金净值（NAV）按季度、甚至按「最近一笔可比交易」估值，再用指数加权滑动平均（EWMA）做平滑，于是日度甚至月度收益序列被严重拉长、压扁。本文用一个完全可复现的合成例子，把「真实经济价值」和「上报 NAV」拆开，量化平滑到底把波动率砍掉了多少、把 Sharpe 虚高了几倍，并给出 Geltner（1993）去平滑方法，把被熨平的波动找回来。附完整 Python 与四张真实计算图（高阶）。

私募信贷：上报净值把波动「熨平」了，但底层价值一直在动

一、为什么私募信贷的净值天然「平滑」#

公开市场（股票、ETF）的价格由每秒的买卖报价决定，收益序列是高频、噪声大、近似白噪声的。私募信贷没有连续二级市场，它的 NAV 来自：

季度估值：基金管理人按估值模型（可比公司、现金流折现、最近一笔交易）给出季度末净值，中间月份往往线性插值或简单外推；
滞后报价（stale pricing）：用「上一次成交价」或「上一期估值」当本期价格，本期新信息被推迟到下一期才反映；
EWMA 平滑：为了稳定LP情绪，很多管理人会对 NAV 做指数加权滑动平均，让净值变化看起来更连续、更温和。

这三种机制在数学上是同一个东西：上报收益 = 真实收益的滑动平均（MA 过程）。只要平滑系数 β 接近 1，本期上报值就高度依赖上期上报值，本期真实冲击被「摊」到未来很多期才慢慢显现。

本文用一个干净的设定把这件事量出来。设真实经济价值的日收益是 i.i.d. 正态：

r_t^{\text{true}} \sim \mathcal{N}(\mu,\sigma^2)

然后构造上报 NAV：先由真实收益生成真实净值路径，再对净值做 EWMA 平滑得到上报净值，最后取上报净值的对数差分作为「上报收益」：

\text{NAV}_t^{\text{rep}} = \beta \cdot \text{NAV}_{t-1}^{\text{rep}} + (1-\beta)\cdot \text{NAV}_t^{\text{true}}

R_t^{\text{rep}} \approx \frac{\text{NAV}_t^{\text{rep}} - \text{NAV}_{t-1}^{\text{rep}}}{\text{NAV}_{t-1}^{\text{rep}}}

取 β=0.85（代表「高度平滑」的另类资产），真实日波动 σ=1.2%。下面所有数字都来自这个设定，可直接复现。

二、平滑把波动率砍掉近一半、Sharpe 翻倍#

先看最刺眼的两张图。左图是年化波动率，右图是年化 Sharpe（无风险利率设为 0，便于比较口径）：

平滑把波动率砍掉近一半、Sharpe 翻倍——但收益一分没多

在我们的合成设定里（β=0.85）：

真实年化波动率 19.05%，真实年化 Sharpe 0.79；
上报年化波动率 4.46%，上报年化 Sharpe 4.27。

换句话说，仅仅因为把净值平滑了，报告出来的波动率被砍掉了 76.6%，Sharpe 被虚高了 5.4 倍。注意：真实收益和上报收益的累计总收益是完全一样的——平滑没有改变任何一毛钱的赚钱能力，它只改变了「波动长什么样」。

这正是私募信贷业绩最容易误导人的地方：投资者看到的是「低波动 + 高 Sharpe」的组合，于是以为自己买到了一个近似无风险的 4 倍超额收益来源。实际上你买到的是一个波动率被严重低估、相关性被严重低估、尾部风险被严重低估的信用资产。

下面的 Python 完整复现了上面的路径与两个指标：

import numpy as np

rng = np.random.default_rng(20260827)
T = 252                      # 约 1 年交易日
beta = 0.85                  # 平滑系数（越接近 1 越平滑）
mu_true, sig_true = 0.0006, 0.012

# 1) 真实经济价值路径
true_ret = rng.normal(mu_true, sig_true, T)
true_nav = np.cumprod(1 + true_ret)

# 2) 上报 NAV：对真实净值做 EWMA 平滑
rep_nav = np.zeros(T)
rep_nav[0] = true_nav[0]
for t in range(1, T):
    rep_nav[t] = beta * rep_nav[t - 1] + (1 - beta) * true_nav[t]
rep_ret = np.diff(rep_nav) / rep_nav[:-1]

# 3) 年化指标（无风险利率 = 0）
def ann_stats(r):
    vol = np.std(r, ddof=1) * np.sqrt(252)
    sharpe = np.mean(r) * 252 / vol
    return vol, sharpe

v_true, s_true = ann_stats(true_ret)
v_rep, s_rep = ann_stats(rep_ret)
print(f"真实: 波动={v_true:.2%}  Sharpe={s_true:.2f}")
print(f"上报: 波动={v_rep:.2%}  Sharpe={s_rep:.2f}")
print(f"波动削减={1 - v_rep/v_true:.1%}   Sharpe 虚高={s_rep/s_true:.2f}x")
# 真实: 波动=19.05%  Sharpe=0.79
# 上报: 波动=4.46%   Sharpe=4.27
# 波动削减=76.6%   Sharpe 虚高=5.38x

python

三、平滑的签名：收益自相关由负转正#

平滑不会只压低波动，它会在收益序列上留下一个可检测的签名——正自相关。真实收益是白噪声，lag-1 自相关应接近 0（甚至略负）；平滑后的上报收益，因为本期值依赖上期值，lag-1 自相关会显著为正。

自相关：真实收益近似白噪声，上报收益 lag-1 高度正相关

在我们的设定里：

真实收益 lag-1 自相关 −0.081（近似白噪声，符合 i.i.d. 假设）；
上报收益 lag-1 自相关 +0.795（高度正相关，平滑的典型指纹）。

这个签名非常重要：它意味着你不需要知道底层资产真实波动是多少，只要拿到上报收益的日度（或月度）序列，算一下自相关就能判断「这只基金被熨平了多少」。自相关越接近 1，平滑越严重。这也是后面 Geltner 去平滑能成立的前提——平滑在数学上就是 MA(1)，而 MA(1) 的自相关结构是可识别的。

def acf(x, lags):
    x = np.asarray(x) - np.mean(x)
    return np.array([1.0 if L == 0 else np.sum(x[L:] * x[:-L]) / np.sum(x * x)
                     for L in lags])

lags = np.arange(0, 11)
rho_true = acf(true_ret, lags)
rho_rep = acf(rep_ret, lags)
print(f"lag-1 自相关  真实={rho_true[1]:.3f}  上报={rho_rep[1]:.3f}")
# lag-1 自相关  真实=-0.081  上报=0.795

python

四、Geltner 去平滑：把被熨平的波动找回来#

既然平滑是 MA(1)，就可以反操作——这正是 Geltner（1993）的思路。基本逻辑：如果上报收益近似满足

R_t^{\text{rep}} = \beta \cdot R_{t-1}^{\text{rep}} + \varepsilon_t

那么用上报收益对它的滞后项回归，就能估计平滑系数 β̂，再把「被摊到后面」的部分还回去，得到去平滑后的收益：

r_t^{\text{unsmoothed}} = \frac{R_t^{\text{rep}} - \hat\beta \cdot R_{t-1}^{\text{rep}}}{1 - \hat\beta}

去平滑后序列的波动率和 Sharpe 会回到真实量级（注意：只能回到量级，因为平滑已经不可逆地丢失了部分高频信息，去平滑只是把偏差校正回来，不会凭空造出真实路径）。

Geltner 去平滑：用滞后项回归剥离平滑，波动率回到真实量级

实务回归得到的 β̂≈0.80，去平滑后：

去平滑年化波动率 13.35%（真实为 19.05%，方向正确、量级回归，但偏低——因为 EWMA 平滑比纯 MA(1) 损失更多）；
去平滑年化 Sharpe 1.59（真实为 0.79，仍偏高，因收益也含平滑偏差）。

这个结果说明两件事：（1）去平滑把被低估的波动向上校正了 3 倍（4.46% → 13.35%），证明原始报告的 4.46% 确实是平滑的产物；（2）即使去平滑，也回不到真实 19%，提醒我们 Geltner 是偏差校正而非真相还原，不可过度解读为「真实波动就是 13%」。

# Geltner 去平滑：用上报收益滞后项回归估计 β，再反平滑
X = rep_ret[:-1]
Y = rep_ret[1:]
beta_hat = float(np.polyfit(X, Y, 1)[0])
beta_hat = min(max(beta_hat, 0.05), 0.95)        # 截断到合理区间

unsmooth = (rep_ret[1:] - beta_hat * rep_ret[:-1]) / (1 - beta_hat)
v_un, s_un = ann_stats(unsmooth)
print(f"β̂={beta_hat:.3f}  去平滑波动={v_un:.2%}  去平滑Sharpe={s_un:.2f}")
# β̂=0.797  去平滑波动=13.35%  去平滑Sharpe=1.59

# 验证：去平滑后的 lag-1 自相关应明显回落
print(f"去平滑 lag-1 自相关={acf(unsmooth, [1])[0]:.3f}")

python

五、对配置的真正含义：相关性也被低估了#

平滑的伤害不止于「Sharpe 虚高」。它更阴险的后果是相关性被低估：

一只平滑的资产，和股票、和危机的同期相关性被压低，于是它在回测里看起来「能分散风险」；
但危机来临时，所有借款人的违约同时浮现，滞后几期后净值集中下修，此时它和股票的相关性会跳升——偏偏在你最需要分散化的时候，它不再分散。
这就是为什么 2020 年 3 月、2022 年英国 LDI 冲击里，许多「低相关另类资产」净值出现了迟到的、集中的下修，而不是路演材料里那种温和的独立波动。

所以，看到一只「年化波动 5%、和股 0 相关、Sharpe 4」的私募信贷基金，正确的做法是：

用自相关判断平滑程度：lag-1 自相关 > 0.3 就高度可疑；
做 Geltner 或类似去平滑，把波动率和相关性校正后再放进组合优化；
用危机样本（而非平静期）估计它和股/债的真实尾部相关性，因为平滑会把尾部相关性藏到滞后项里；
不要用报告的 Sharpe 做资金配置权重——那是一个被 √ 因子放大的数字。

六、小结#

私募信贷不是「骗局」，它的低波动有一部分来自资产本身的私密性、少交易、长锁定期。但路演材料里那个 4%–6% 的波动和 4 以上的 Sharpe，绝大部分是估值平滑的产物，不是阿尔法。本文用一只合成基金证明：在真实波动 19%、真实 Sharpe 0.79 的设定下，仅因 EWMA 平滑，报告波动就被压到 4.46%、Sharpe 被虚高到 4.27（5.4 倍）；lag-1 自相关从 −0.08 跳到 +0.80 是平滑的可检测指纹；Geltner 去平滑能把波动向上校正 3 倍回到 13% 量级。

量化研究者的纪律是：看到一份过于漂亮的业绩，先问它是不是「没有报价」带来的，而不是先问它赚的是什么钱。低波动是真的，还是只是没有报价——这个问题的答案，往往决定了你是在买 alpha，还是在买一个被熨平的方差。

本文所有数值与图表均由附带的 Python 代码在固定随机种子下生成，可逐行复现。去平滑方法为偏差校正，非真相还原，结论仅供研究参考。