如何评估隐含风险

鉴别和计量隐含风险（就是那些在历史数据里没有但是投资策略又深受其影响的事件风险）需要我们采用定性和定量相结合的办法。

量化指标

虽然历史数据可能没有包括那些会影响基金或者策略的事件，但是我们仍然可以用这些数据来找出这些风险。以下就是历史数据如何用于找出隐藏风险的例子。

·相关性。这个数据看的是两个变量是如何同步变化的。相关性的数值可以从-1.0到+1.0。这个数值越接近1.0，说明两个变量的变化越同步（即同向变化）。相关性指数不能证实二者有无因果关系，但是可以在一定程度上表明因果关系的存在（我们在第9章还会详细讨论相关性）。举例来说，假设一个对冲基金的历史业绩很接近图4-3所描述的股票对冲基金指数业绩。到2007年10月为止，这个历史数据都表明了基金的趋势是稳步向上，而且最大跌幅很小，最差的时候就是区区3%。这个历史数据所表明的风险可谓非常低。

但是，如果我们查看这一系列的历史数据和标普500指数在同期的回报，我们会看到二者NAV在2007年10月都到达顶峰，并揭示了二者相关性指数是0.72——这个数值很高，暗示着两组数据之间有着很强的相关性。因为2007年10月之前标普500指数一直都逐步增长，下跌也有限，那么相关性高的意思就是这只基金稳步上升、下跌有限的历史业绩只不过反映了当时市场环境有利于它的策略，而不是它风险低。相关性高同时也意味着如果市场发生逆转的话，该基金也会大跌，而这件事后来确实发生了。实质上，按照相关性，即使其历史数据并未显现出任何巨大损失，市场逆转时该基金的业绩下降是可以预测的。相关性也可以用来计算任何基金受其他市场风险因素影响的敏感度，比如对信贷价差增大的敏感度。

·Beta。一个基金相对于参照指数的beta，指的是当指数变化一个单位时，基金的期望回报变化。例如，一个基金的beta等于0.7意味着该基金在参照指数盈利1%的时候它能盈利0.7%；而当参照指数亏损1%时，该基金亏损0.7%。这里我们再次假设有这么一个对冲基金，其历史业绩很接近于图4-3所描述的股票对冲基金指数业绩，而它对于标普500指数在2007年10月之前回报的beta是0.47。这意味着当市场下跌时，该基金的损失可以高达标普500指数的一半左右。虽然基金比指数的风险要低得多，但是该基金的beta仍然表明了极大的股票风险敞口。有趣的是，随后在2009年2月标普500指数大跌53%的时候，这只指数的跌幅为30%，比标普跌幅的一半高出少许。

Beta和相关性这两个指标之间有着数学关系，它们只是在不同层面揭示了相同的信息。相关性指标提供的信息是一个回报数据与其参照物之间的关系大小程度，而beta提供的信息是参照系变化1%的时候回报数据会变化百分之几^[1]。

·在回报为负的月份取平均回报。受到风险影响的基金在不利市场条件下总是业绩不佳。因此在评估风险的时候，仅仅考虑在市场为负的月份里该基金的回报比考虑该基金在所有月份的回报要更好，这就是俗语所谓的以简驭繁。例如，一个基金在历史数据里亏损很小的原因可能是历史数据取得的时期正好是市场有利的时期，而不是因为它风险管理做得好。因此，如果我们仅取市场不利情况下的基金历史回报，就可以看到在市场下行时候该基金可能的跌幅。

·在市场回报为负的月份盈利的可能性有多大。它指的是当市场下行时候，该基金有多大概率上行。这个数据计量的是该基金在熊市承受风险的能力。

定性评估

历史数据只不过是风险评估的一个着手点。当历史数据显示了该基金有着高风险的时候，这说明未来市场下行的时候基金会遭到损失。然而，这句话却不能反过来说，即当历史数据无法证明风险存在的时候，不等于说未来就没有风险。投资者必须问自己一个问题：历史回报数据的来源是什么？详细地说，投资者须确定到底这些历史回报数据在多大程度上受到市场头寸或者信贷风险、做空波动性、头寸低流动性、杠杆水平的影响。所有这些因素都使得在大多数时间基金的回报是平稳的，但是在投资者大幅避险的市场环境下就会遭到重大打击。

这些定性评估可以用评分表来进行量化，即对每一项风险打分然后加总。例如，每个风险因素可以给一个1～10的数值，1表示风险最低，10表示最高。比如，一个仅交易G-7国货币的外汇基金在流动性风险上将会是1，而一个有着10亿美元管理资产的微型股（microcap）基金的流动性风险则可能为8～10。再举一例，一个市场中性的股票基金其市场风险评分应该为1～2，而一个多头基金的市场风险评估则会接近10。就这样，我们可以对每一个风险因素进行打分并加总。虽然这个方法难免有点主观，但是对于找出未来潜在高风险的基金甚有助益，哪怕这个风险在历史数据里尚未清晰显现。我们来假设有两个基金，二者的波动性都很低，股票跌幅也不大。但是，我们对它们的定性风险评估却不同，如表4-2所示。虽然历史数据可能显示两个基金的风险相似，但是定性分析的打分表却清晰表明B基金的风险高得多。

表4-2　风险打分表

[1] 数学上，beta等于相关性乘以数据的标准差与参照系的标准差之间的比率。举例来说，如果相关性等于0.8，数据的标准差是参照系标准差的一半，那么beta就等于0.4。