遇事不决五五开，等权重为何总让高级模型难堪

我平常投资做选择时，喜欢说一句：“遇事不决，五五开。”

这不是玩笑。

两边都没有足够把握，那就先各给一半，不急着重押。后来我才发现，这句口头禅放进投资里，恰好就是等权重最简洁的版本。

当然，资产一多，就不只是五五开了。

大约在公元四世纪，拉比艾萨克(Rabbi Isaac)留下过一条资产配置建议：

一个人应该把财富分成三份：三分之一放在土地，三分之一放在商品，还有三分之一留在手边。

没有预期收益，没有协方差矩阵，更没有优化器。

只有三等分。

我最近重新想起这个故事，是因为读到Xuan Feng在2026年7月发表的新论文 When Simplicity Beats Optimization: Evidence from Factor Timing, Volatility Management, and the 1/N Benchmark，中文可译作《当简单胜过优化：来自因子择时、波动率管理与1/N基准的证据》。他用1976年至2025年的9个股票因子做了一轮检验，结果是：加入因子择时、波动率管理与均值—方差优化之后，依然很难打败最简单的等权重。

更有意思的是，这并不是一个新结论。

整整二十年前，Victor DeMiguel、Lorenzo Garlappi和Raman Uppal在SSRN发布 Optimal Versus Naive Diversification: How Inefficient Is the 1/N Portfolio Strategy?，中文可译作《最优分散化与朴素分散化：1/N策略究竟有多低效？》。这篇后来于2009年发表于 The Review of Financial Studies 的论文，也得出了几乎一样的答案。

一篇研究股票组合之间的配置，一篇把问题推进到多因子投资；一篇面对的是当时最先进的组合模型，一篇又多了二十年的数据与工具。两篇论文隔空相望，最后都停在了1/N面前。

三等分走进现代金融

先把时间拨回2006年。DeMiguel等人把拉比那则古老的三等分建议写进论文开头。他们当然不是想证明古人比马科维茨更懂投资，而是要追问一个至今仍让量化研究者尴尬的问题：当我们真的拿模型没有见过的数据检验时，复杂的最优组合，究竟能不能打败最朴素的等权重？

所谓1/N，不外乎把资金平均分给N个可投资标的。“遇事不决五五开”，其实就是N等于2时的1/N；十个标的，每个10%；二十个标的，每个5%。不预测谁更好，也不根据历史数据给谁更多权重。

作者找来7组月度数据，覆盖美国行业组合、国际股票指数、规模与价值组合，以及MKT、SMB、HML、动量等因子组合；再让14种优化模型与1/N同场比较。模型中不乏均值—方差、Bayes-Stein收缩、最小方差、卖空约束等严肃方法，评价标准则包括样本外夏普比率、确定性等价收益和换手率。

结果很干脆：没有一种模型能在这三项指标上持续优于1/N。

挑三个例子看得更清楚：

数据来源：DeMiguel、Garlappi与Uppal（2009），Table 3

有意思的是，优化理论本身并没有错。在看得到全样本、近乎没有估计误差时，均值—方差组合明显更好。问题出在现实世界：未来收益未知，我们只能用过去几十个月去估计预期收益与协方差，而优化器会把这些并不可靠的小差异当真。

论文举过一个两资产的极端例子。两项资产真实的年化收益率都是8%，波动率都是20%，相关系数0.99，合理权重本应各50%。如果第一项资产的收益率仅仅被误估成9%，均值—方差模型给出的权重就会变成635%和-535%。

模型算得很精确，输入却没有那么精确。

作者进一步估算：按照美国股市参数，一个25项资产的组合，需要超过3000个月的历史数据，均值—方差策略才有望胜过1/N；50项资产则需要超过6000个月。现实中常用的估计窗口，不过120个月。

是的，差的不是一台更快的电脑，而是几百年尚未发生的历史。

二十年后变成九等分

再回到2026年的新论文。Feng并不是简单重做一遍旧研究，工具已经换了一代：除了滚动均值—方差优化，他还加入波动率管理、因子动态筛选、36个月至120个月滚动窗口和VIX市场状态分析。研究对象则是Market、SMB、HML、RMW、CMA、UMD、ROE、IA和BAB这9个股票因子。

四世纪的三等分，在这里变成了九等分。

结果依然是那种跨越二十年的熟悉感。

数据来源：Feng（2026），Table 5；不同表格因重叠评价区间不同，数值略有差异

波动率管理并非全无价值。它明显改善了UMD和ROE等个别因子的夏普比率，与等权结合后，VM 1/N也从1.203提高到1.321，差异在95%置信水平上显著。不过，一旦把它塞进递归优化和动态筛选，新增的估计误差又把好处吃掉了。

下面这张图更值得看。无论VIX处于低、中还是高位，标准1/N都比递归优化更稳。尤其在高VIX阶段，标准1/N的夏普比率仍为0.44，波动率管理1/N反而降至-0.03。

数据来源：Feng（2026），Figure 4

说到底，波动率高不代表此刻降低仓位一定更好；过去表现更好的因子，也不代表下一期仍该获得更多权重。实时投资里，模型必须在信息残缺时下注，而等权重干脆不参加这场预测比赛。

普通人的好消息

这两篇相隔二十年的论文，研究范围从行业与国家配置走到多因子组合，结论指向了同一件事：复杂方法若想证明自己有用，至少应该先跨过1/N这条线。

是的，对普通投资者而言，这当然是个好消息。

你不必拥有昂贵数据库，也不必每天更新协方差矩阵，才有资格搭建一个像样的组合。手里有多只股票，却没有足够把握判断谁该重仓，1/N可以先作为权重基准；当几个股票组合、几只定位相近的基金或几种因子都有长期配置理由，却很难判断未来谁更强时，等权重也不是无奈的退而求其次，而是一个相当强的起点。高级工具的价值仍然存在，但举证责任应该落在复杂方案那边：它带来的改善，能否覆盖估计误差、换手、费用和执行难度？

不过，边界也要说清楚。两篇论文检验的是行业、国家股票指数、风格组合与股票因子，并没有证明股票、债券、商品和现金之间也应该机械等权。不同大类资产的波动差异很大，资金各占一半，不代表风险也各占一半。1/N解决的是缺乏可靠预测时怎样少犯错，不是不同风险资产应该承担多少组合风险。

这不意味着等权思路到了多资产配置就失效了，只是“平分”的对象变了。风险平价（Risk Parity）不再追求每类资产各拿1/N的资金，而是尽量让它们贡献相近的风险；再往前一步，还可以把资产拆成增长、通胀、利率、信用等风险因子，在因子层面做等风险配置。等的不是钱，而是风险。

但无论平分的是资金还是风险，前提并没有变：先确定哪些标的具有可比性，哪些风险值得放进组合。两篇论文当然没有证明“所有股票闭眼等权”永远有效。若成分质量悬殊、风险高度不对称，或者表面上有十项资产、实际都押在同一个风险来源上，平均分配也救不了组合。更何况，2026年的论文没有研究多资产配置，也没有明确计入交易成本与杠杆约束。

是的，等权重不是把思考省掉。它只是承认，在完成资产筛选和风险分层之后，我们未必还能准确判断每个标的应该多拿1%，还是少拿1%。该做的选择、风险控制和再平衡，一样都不能少；被简化的，只是最容易被估计误差放大的那一步。

回到那条流传一千六百多年的建议。

土地、商品、现金各三分之一，真正留下来的或许不是一个神奇比例，而是一种克制：当你无法可靠地知道谁会赢，就先别假装自己知道。

从五五开，到三等分，再到九等分，工具变了很多，我们对未来的把握却未必多了多少。

所以以后再说“遇事不决，五五开”，或许不只是玩笑。它不是拒绝判断，而是在证据不足时，先拒绝重押。

扩展阅读

DeMiguel, Victor, Lorenzo Garlappi, and Raman Uppal, Optimal Versus Naive Diversification: How Inefficient Is the 1/N Portfolio Strategy?, The Review of Financial Studies, 22(5), 1915–1953, 2009. SSRN: 网页链接；DOI: 网页链接 Xuan, When Simplicity Beats Optimization: Evidence from Factor Timing, Volatility Management, and the 1/N Benchmark, Financial Markets and Portfolio Management, published July 18, 2026. SSRN: 网页链接；DOI: 网页链接

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>