--- id: "J38nDELR8s4" title: "LTCM 联合创始人 Victor Haghani：风险本身永远是一项成本" channel: "Odds on Open" host: ["Ethan Kho"] guests: ["Victor Haghani"] date: "2026-06-18" updated: "2026-08-24" duration: "1:11:56" duration_seconds: 4316 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=J38nDELR8s4" canonical: "https://pod-exp.pages.dev/J38nDELR8s4/" transcript_jsonl: "https://pod-exp.pages.dev/J38nDELR8s4/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["投资","交易","人生方法"] series: [] --- # LTCM 联合创始人 Victor Haghani：风险本身永远是一项成本 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Victor Haghani 从 LTCM 的失败出发，把投资拆成“买什么”和“买多少”两道独立问题：前者往往是零和竞争，后者却是每个人都能通过纪律改善的风险管理。他用偏置硬币、Crystal Ball 实验和 LLM 交易游戏说明，拥有信息优势并不等于能赚到钱，仓位过大足以把正优势变成破产。对个人投资者，他主张把风险视为一项内部费用，只承担有补偿的系统性风险，并把人力资本纳入总财富衡量；最终，任何资产配置技巧之前，都必须先储蓄、制定计划并有意识地管理终身可持续消费与给予。 ## [0:02] 片头：LTCM 的教训不是选错，而是下得太大 · YouTube **Ethan Kho：** 你们在 LTCM 做的交易明明有优势，最后却还是爆掉了。怎么会既判断正确，又同时把自己毁掉？ **Victor Haghani：** 问题不在交易选择，而在仓位大小。把仓位下对，比把投资标的选对容易得多。仓位管理不是零和活动：你做对了，不需要另一个人做错。但如果你想跑赢市场，就只能找到别人没有找到的投资机会；换句话说，你跑赢，就意味着别人要跑输。 **Victor Haghani：** [音乐/片头剪辑] 承担风险本身永远是一项负担。“我要怎样成为亿万富翁？”这是个错误的问题，也是错误的目标。我敢说 Elon 根本没在想我们这里讨论的这些东西；他的总财富大约承受 50% 的波动率。只看这种分布本身，他在十年后财富变得很少的概率就相当高。 **Ethan Kho：** 我看后台 YouTube 数据时发现，只有大约 25% 的观众订阅了频道。所以想请大家帮个忙：如果你喜欢我们做的内容，也希望节目继续成长，请点一下订阅。我也会尽力回报大家，继续找最好的嘉宾、做我们能做出的最好访谈。谢谢，现在回到节目。 **Ethan Kho：** Vic，非常感谢你来做客。 **Victor Haghani：** 很高兴来这里，Ethan，真的很高兴。 **Ethan Kho：** 那我们从 LTCM 说起。你们当时的交易有 edge，却仍然爆掉了——怎么会既对又输？ ## [1:28] 投资的两道题：买什么，以及买多少 · YouTube **Victor Haghani：** 这些年我们回头反思、也写过很多。一个很有用的框架，是把投资看成两个决定：第一，投资什么；第二，投多少，也就是 sizing。金融媒体、培训和金融教育几乎把所有注意力都放在第一道题——什么才是好投资。LTCM 当年其实找到了不少非常好的交易。 **Victor Haghani：** 但第二道题同样关键：那些“好东西”到底应该拿多少？而且我认为，仓位这个决定其实更容易做对，前提是你意识到它有多重要，真的给它足够注意力。LTCM 的错误就在这里：不是交易选错，而是仓位下错。这件事让我后来非常清楚地认识到 sizing 的重要性。 **Victor Haghani：** 与其马上进入 LTCM 那套复杂组合，可以先看一个简单得多的例子。假设给你一枚硬币，正面出现的概率是 60%。你应该押多少？应该拿自己财富的多大比例去下注？假设你可以连续抛 20 次。 ## [3:00] 期望财富与风险调整后的价值不是一回事 · YouTube **Victor Haghani：** 如果唯一目标是让第 20 次结束后的“期望财富”最高，那么数学上，你每一次都应该把全部财富押在正面。这样做以后，你几乎没有机会真的带着钱走出游戏；但如果你连续 20 次都是正面，你的财富会放大大约一百万倍，也就是 2 的 20 次方。极小的概率乘上极大的结果，让“每次 all-in”成为最高期望值策略。 **Victor Haghani：** 但任何人听到这里都会说：“不不不，我绝不会这么干。”很多人并没意识到，自己拒绝的恰恰是最高期望值策略。这个例子说明：expected value 和 risk-adjusted value 是两件不同的事。真正要最大化的是风险调整后的价值，而仓位大小正是其中最重要的变量。 **Victor Haghani：** 多年前我们做过一个偏置硬币实验。我们给参与者真钱，让他们反复抛一枚 60/40、有正优势的硬币。结果显示，人们既没有被系统教过，也并不凭直觉掌握：面对一个正期望机会，究竟该下多大的注。参加者包括金融研究生，也包括华尔街的投资组合经理；现实里当然没人真的递给你一枚 60/40 硬币，大家面对的是股票、债券和各种交易，但两者之间有非常直接的类比。 **Victor Haghani：** 所以，就算你把“投什么”答对了，只要 sizing 错了，你可能什么也留不下来，甚至直接破产。 **Ethan Kho：** 我觉得这个实验最有意思的地方就在于，犯错的是所谓 sophisticated investors，是华尔街 PM。大家通常怎么下注？我们能从他们的错误里学到什么？ ## [5:15] 为什么专业投资人也会把仓位下错 · YouTube **Victor Haghani：** 最明显的现象是，大家用各种奇怪的方法下注。有些人明明知道每次抛硬币彼此独立，行为上却并没有这样处理：连续几次反面以后，就觉得“下一次更可能是正面”，于是加大正面的赌注。这其实就是典型的赌徒谬误。总体来说，很多人根本没有装备好去处理 sizing，所以不少人最后破产，核心原因就是押得太大。 **Victor Haghani：** 另一端也一样有问题。我们当时给每个人 25 美元，让他们在半小时内尽量把钱做大。有些人每次永远只押 1 美元，因为觉得这样几乎不可能破产——从一开始得连续遇到大约 25 次反面才会输光。但这样又完全没有充分利用 60/40 的优势。还有一些人一开始输了几次，25 美元掉到 3 美元，就因为不耐烦而突然放大下注，想着“不赌大一点就翻不了身”，结果更容易归零。 **Victor Haghani：** 我们还看到有人在连续五次正面后改押反面，因为觉得“下一次肯定该轮到反面了”。各种行为都说明：人没有受过 sizing 的训练。实验结束后，我们通常只需要花十分钟解释一个更合理的方法：每一次都押正面；用 bankroll 的固定比例下注；尽量快地反复执行。这个固定比例大概应该在 10% 到 20% 之间，Kelly 比例是 20%，你也可以更保守一点。 **Victor Haghani：** 一旦解释清楚，几乎所有人都立刻接受，没有人说“我不同意”。很多人的反应是：“天啊，早有人告诉我就好了。”也有人说自己好像听过 Kelly criterion。它的有趣之处就在这里：仓位这件事一旦被指出来，其实非常直观，也比“找对投资”容易得多。 ## [8:20] 选股是零和竞争，仓位管理不是 · YouTube **Victor Haghani：** 把 sizing 做对不是零和游戏。你做对了，不需要别人做错，我们可以一起做对。但要跑赢市场，性质完全不同：你必须找到别人没有找到的东西；你高于市场，就一定有人低于市场。因此 investment selection 的竞争远远比 sizing 激烈。 **Victor Haghani：** 当然，你也可以像我们一样做指数投资。那依然是一种 selection——你还是要决定选什么，比如广泛的美国股票。但一旦做完这个选择，过程就舒服得多，也不需要永远追逐“下一个新东西”。把投资过程明确拆成“投什么”和“投多少”，本身就是非常有用的思考工具。 ## [9:30] Onyx 招聘信息与“为什么没人认真研究仓位” · YouTube **Ethan Kho：** 如果你是学生，想去一家很好的交易公司工作，听一下这段。我们的品牌合作方 Onyx——节目中介绍为全球最大的石油衍生品交易公司——正在招聘 junior Rust developers。他们甚至向从没写过 Rust 的人开放，因为会从零训练。你从第一天起就在小团队里参与真实项目，向搭建过这些系统的资深工程师学习。如果你是自学成才，而且有扎实项目可以展示，可以通过下方链接申请。 **Ethan Kho：** 回到 sizing。为什么人们几乎不花时间研究仓位？我在这个播客上一直跟 PM 聊，这件事对投资流程显然非常重要。“买什么”当然也极重要，但无论是个人储蓄、赚钱还是积累财富，仓位都占财富方程很大一部分。为什么大家对它的关注，连“买什么”的一个可比比例都达不到？ ## [10:36] 机构约束不等于风险调整后的最优仓位 · YouTube **Victor Haghani：** 专业投资者当然会碰到 sizing，但在很多机构里，来自上层的规则已经先规定了你能怎么下仓位。因此你并不是根据 expected return、risk、tail risk、完整分布去做 sizing，也不是为了最大化风险调整后的回报。你是在一堆约束里找一个合规仓位：单一股票不能超过资本的 X%，VaR 必须低于某个数，等等。 **Victor Haghani：** 我在 Salomon Brothers 和 LTCM 的经历就是这样。当时我不会先拿一个 risk-adjusted-return 的目标函数出来算，而是面对“能用多少 balance sheet”之类的现实约束。所以在这一点上，我愿意给不同阶段的专业投资人一些宽容：他们确实在做仓位决策，只是以另一种方式到达结果。不过，对投资机构和风险管理部门来说，如果还能明确拥有一个良好的风险调整后回报指标，会好得多。我的观察是，多数地方并没有真正做到。 **Victor Haghani：** 再看个人端。为什么我们也很少从 risk-adjusted return 来想？很多人只是默认“我做 70/30 股债”或者“我做 100/0”，非常主观地跳到最终答案，而没有先问：股票相对安全资产的预期风险溢价是多少？股票到底有多危险？我的效用函数和风险厌恶是什么？这就带到我认为整件事最核心的一点：风险本身有成本。 ## [12:56] 把风险当成一笔看不见的管理费 · YouTube **Victor Haghani：** 风险的成本，本质上可以像一笔 fee 一样思考。你给基金经理付管理费时，钱真实地从账户里出去，所以投资者能看见，也会在意。有人拿一只 S&P 500 基金来收 75 个基点，大家会说：“别闹了，我知道三四个基点就能买到。”高费率尤其在回报不好时，会让人非常恼火，因此 fee 会直接进入投资决策。 **Victor Haghani：** 但承担风险其实也在付费。风险成本可能相当于 50、100、200 个基点，具体取决于组合。差别只是，这笔钱像是“付给了自己”：没有人从账户划走，所以你看不见它。它是一项内部会计指标，但仍然是一项成本，应该像管理费一样被计入。 **Victor Haghani：** 因而做投资决定时，你应该同时看交易成本、买卖价差、可能的佣金，以及风险成本。风险成本与组合风险的平方——也就是收益方差——以及你本人的风险厌恶程度有关。更完整地讲还要考虑尾部，但作为顶层 rule of thumb，我常把典型投资者的风险收费直接近似为组合方差。 **Victor Haghani：** 举例说，如果你认为组合年化标准差是 15%，比如大约 80% 分散股票加 20% 固收，那么风险成本可以粗略看成 0.15 的平方，也就是 2.25%。所以你真正要看的 risk-adjusted return，不是“我预计赚多少”，而是“预计回报减去这 2.25% 的风险成本”。这个框架尤其会改变你看待集中持仓的方式。 ## [16:31] 集中持仓的风险成本如何平方放大 · YouTube **Victor Haghani：** 如果集中股票组合的波动率是 30%，30% 的平方就是 9%。因为方差按平方增长，30% 波动的风险成本是 15% 波动的四倍。也就是说，你应该在内部给自己记一笔大约 9% 的风险费。现实里没人真的来收，所以我们很容易忽略它，然后只是说：“我喜欢这些股票，我觉得它们会跑赢。” **Victor Haghani：** 你甚至可能进一步安慰自己：最坏也不过是 idiosyncratic risk 的一个 50/50 公平赌局，市场至少足够有效，不至于让这种特异风险有负期望。但别忘了，所谓 50/50 的另一边也有人，而且对手平均很可能比我聪明。我可不想让 D. E. Shaw、Renaissance 之类站在我交易的另一边。不过即便先不讨论信息劣势，只看风险成本，你也已经需要额外赚大约 7%，才能把一个 30% 波动组合相对 15% 波动组合的风险调整后回报补回来。 **Victor Haghani：** 还有一种角度，是看风险如何侵蚀 compound return。如果你非常能承受风险，近似一个 Kelly bettor，目标不是一般意义的风险调整收益，而是最大化复合增长，那么你可以把风险成本降到“方差的一半”。这等于假设你的风险厌恶只有我刚才典型投资者的一半。其实在我们跟客户的经验里，我刚才描述的典型投资者已经算风险厌恶较低；很多人还要再高 50% 左右，所以真正的 Kelly bettor 有点像神话人物。 **Victor Haghani：** 即便采用最宽松的 Kelly 框架，30% 波动的组合仍要承担 4.5% 的风险成本——30% 的平方再除以 2。数字先说到这里，但这就是核心：几乎没人真的这么算。很多人会说“我全仓 Tesla”，可 Tesla 的波动率可能到 50%。 ## [20:33] 高波动持仓需要多高的额外回报 · YouTube **Victor Haghani：** 如果按我前面那种风险厌恶程度，50% 波动意味着 25% 的方差成本。你得先多赚 25 个百分点，才刚刚进入“这项风险对我有帮助”的区域。即使用只关心复合增长的版本，也仍然需要相当可观的额外回报。 ## [20:50] 高波动财富的隐藏尾部：以 Elon 为例 · YouTube **Victor Haghani：** 刚才那个复合增长版本对应的数字，大约还要多赚 12.5 个百分点。顺便说一句，我敢保证 Elon 没在想这些。他的总财富可能处在大约 50% 的波动率下。我觉得这非常疯狂。只看价格的 log-normal 分布，我估计他有大约 90% 的概率落入非常不利的财富路径；换句话说，哪怕我既不看多也不看空他的任何企业，只假设这些资产定价大致公平、波动率就是 50%，他十年后财富变得很少的概率也相当高。分布的大部分概率质量都会被推到图的左侧。 **Victor Haghani：** 当然，我们不用替 Elon 太担心；即便结果不理想，他大概也仍然过得很好。但这个例子能提醒你：高财富和高风险不是同义词，今天极高的账面财富也不意味着未来路径平滑。 **Ethan Kho：** 你提到 Elon 很有意思。现在尤其在 X 上，常见叙事是：如果你想赚很多钱、创造巨大财富，就必须高度集中持仓。 ## [22:21] “怎样成为亿万富翁”是正确答案对应了错误问题 · YouTube **Ethan Kho：** 一方面，不管是押注一家企业还是一项投资，要赚到非常大的钱，好像确实需要集中；另一方面，你刚才从收益的 log-normal 分布说，事情也可能发展得很糟。要是目标真的是赚很多钱，这两边该怎么调和？ **Victor Haghani：** 这是“错误问题的正确答案”。如果问题是“我怎样成为亿万富翁”，那么正确答案确实是：承担很多、非常多的风险。对一个普通投资者来说，只靠正常储蓄，要冲到十亿美元，基本就得把风险放得非常大——当然不是说世界上绝无其他路径，但作为投资问题，大体就是如此。 **Victor Haghani：** 真正的问题在于，“怎样成为亿万富翁”本身不是你该优化的目标。对大多数人，更合理的财务目标应该是：在一生中最大化平滑、可持续、经过风险调整的消费与给予能力，同时考虑通胀和生活成本。严格说还可以把工作的负效用放进去：有些人很喜欢工作，我自己可能接近“工作乐趣与工作成本相抵”；但对多数人而言，工作本身确实有 disutility。为了不把目标函数弄得过度复杂，我们甚至可以先把职业选择拿掉。 **Victor Haghani：** 那么剩下的目标就是：在既定工作安排下，让一生的个人消费和对他人的给予尽可能高，同时足够平滑、足够可持续。目标不是“谁死的时候钱最多谁赢”，不是“最大化退休时够钱的概率”，也不是“我要死时正好花光”。后者当然很容易——明天把钱全花了再吞颗药就行了。[笑] 那显然不是一个合理目标。目标同样不是“最大化成为亿万富翁的概率”。 **Victor Haghani：** 对一个正常、非病理性的心理结构来说，更好的目标是最大化一生可持续、平滑、经过风险调整的消费能力。这样一来，没有补偿的 idiosyncratic risk 并不会帮助你，只会伤害你。 ## [26:22] 年轻人真正该追求的是有补偿的风险 · YouTube **Victor Haghani：** 我们曾受邀去一家成功的风投机构讲《The Missing Billionaires》。面对一群年轻人，我们说：你应该先明确自己的目标，尽量承担有补偿的 systematic risk，同时尽量减少人生中所有 idiosyncratic risk。别让财富集中在单一股票；如果房子占你财富很大一部分，就该有房屋保险；总之，把那些无法获得额外回报的可分散风险降下去。 **Victor Haghani：** 结果有几个人问：“可如果我照你说的做，我怎么可能成为亿万富翁？”我们的回答就是：没错，这条路不是用来把你变成亿万富翁的。但“怎样成为亿万富翁”本来就不是正确问题，也不是正确目标。 **Ethan Kho：** 我还想继续追问风险，特别是那些在股票市场里主动冒险、试图击败市场的人。你能讲讲 Crystal Ball 吗？讲讲你们做的那个实验。 ## [27:27] Crystal Ball：提前一天看到《华尔街日报》头版 · YouTube **Victor Haghani：** 我特别喜欢这个实验，它真是一个不断带来新东西的礼物。几年前，我的朋友 Rich Dewey——我记得应该是他——告诉我 Nassim Taleb 发过一条推文。Taleb 就是《Fooled by Randomness》的作者。他说，如果把第二天《华尔街日报》的头版提前一天给人看，一年之内大家还是会全部破产。 **Victor Haghani：** 我理解他的意思是：人们拿到这颗“水晶球”后会过度自信。头版当然会把“股票涨了”“债券跌了”这类结果信息删掉，否则太简单；你只提前知道新闻。人会觉得自己占尽先机，于是仓位下得过大，迟早被清零。他们不会充分认识到，有时就业数据很热，债券反而会上涨；信息和价格反应之间并没有机械对应关系。 **Victor Haghani：** 我们好多年都想把这件事真正做成实验：要找历史头版、把结果性文字涂掉、搭工具、做游戏。后来大约三年前，一个叫 James Cross 的实习生来了。我问他：“要不要把这个东西做出来？”他说自己不会编程。我说：“没关系，试试看。”于是他花一个夏天真的把游戏搭出来了。 **Victor Haghani：** 我们从 15 年里随机选了 15 张《华尔街日报》头版，每年一张，把“债券上涨”“股票下跌”之类结果删掉。玩家能提前一天看到那张头版：例如看到周三早上的报纸，却能按周一晚上的价格建仓，再按周二晚上的结果结算。就像今天刚公布一份很热的就业报告；假如昨晚你已知道内容，而我们通话时债券正在跌，你当然可能从中赚钱。但如果债券最终涨了，而你押它跌，那结果就不好看。 **Victor Haghani：** 接着我们去各个商学院找人玩，大约 100 名参与者。每人给 50 美元真钱，最多支付 100 美元。你把 50 做到 75，我们就付 75；什么都不做、坐半小时，也能拿走 50；输光就什么都没有。所以初始 stake 大约是 5,000 美元，最后总共付出约 5,300 美元。整体看，大家几乎没赚到钱，只是勉强打平；大约六分之一的人直接破产。 **Victor Haghani：** 这些参与者对市场方向的判断正确率大约只有 52%，不算惊艳，仓位也非常混乱：有人完全不用杠杆，有人在单日交易里开到 20 倍杠杆。要是股市一天跌 5%，方向又押反了，就会直接归零。实验同时暴露了两个问题：人不仅很难正确解释新闻，也很难正确 sizing。 ## [31:29] 专业宏观交易员与普通参与者的差别 · YouTube **Victor Haghani：** 后来我们把游戏开放给所有人，用虚拟资金玩。每个人拿 100 万美元 play money，假装这是自己的真实财富。到现在大概有 5 万人玩过，在 Elm Wealth 网站的 games 或 tools 页面可以找到。我们也写过相关文章。 **Victor Haghani：** 再后来，我们想看看真正的专业宏观交易员会怎样。我们找了六个朋友，大概五六十岁，长期做 macro trading，有的经营宏观对冲基金、有的管理银行交易台。他们表现很好：方向命中率大约 60%，平均财富增长大约 70%；我记得六个人应该全都赚了钱。这让人受到鼓舞——头版新闻里确实有可交易的信息。 **Victor Haghani：** 更重要的是，他们非常有选择性。15 个交易日里，很多人只在六七天下注，也不会每次都同时押股票和债券。他们只等自己真正有把握的情形，然后下注相对大。这与普通参与者“有新闻就想交易”的行为很不一样。 **Victor Haghani：** 现在每天仍有十几二十个人来网站玩。接着我们又想：Claude 会怎么玩？ChatGPT 会怎么玩？于是把 AI 也放进同一个游戏，而且仍保留所有 redaction，并把模型 sandbox 起来，不能上网查报纸日期和真实市场结果。现在玩家最多可以同时跟四个 AI 比：Claude、ChatGPT、Gemini 和 Grok，也可以只选其中几个；你还可以点进去看它们为什么这么下单。 **Victor Haghani：** 我们已经让这些 AI 重复跑了很多次，手上有平均结果，准备在接下来几周写文章。新版游戏正好今天重新上线。它很让人谦卑：你会觉得“天啊，我提前知道就业报告，这不是等于能发财吗？”但实际上比想象困难得多。你可能有正 edge，却因为仓位太大照样亏钱。 ## [34:56] LLM 加入 Crystal Ball 后，人为什么更容易失控 · YouTube **Victor Haghani：** 一旦把 AI 变成对手，人的行为还会更疯狂。你一落后，就不再问“怎样做才合理”，而会变成“我怎么才能打败 Grok？”Claude 领先了也就算了，但你会想：“至少不能输给 Grok 吧。”[笑] 于是玩家反而更容易为了追赶 AI 而爆仓。 **Victor Haghani：** 另一方面，当你读模型对头版的分析，会发现它们有时观察得很不错，这又会逼着你认真一点：“等等，这个 AI 都看到这些了，我也得提高水平。”所以我觉得新版会更有趣，也会让更多人愿意玩。 **Ethan Kho：** 从你们现在看到的初步结果看，不同 LLM 表现怎样？Claude、Grok、GPT 呢？ **Victor Haghani：** 还得强调，现在仍然是 TBD。我们会多跑几轮，确保所有东西正常。不过目前结果已经相当稳定。网站里用的是现成、成本不高的版本，不是最贵模型，因为如果很多人同时玩，我们不想烧掉巨量 token。在这些普通版本里，Claude 最好，OpenAI 第二；不知道为什么，Gemini 和 Grok 目前是亏钱的，我们还要继续检查。 **Victor Haghani：** 还有一个共同点：普通版本的模型都太 aggressive、承担太多风险。Claude 的方向命中率大约略高于 60%。如果我们自己跑更昂贵的顶级版本，能做的主要是 Claude、OpenAI 和 Gemini；Grok 更贵版本的接入太麻烦，我们当时没值得花那么多时间去弄。高端版本整体都更好，Claude 尤其明显：它会主动降低仓位，同时方向命中率进一步上升，平均可能到大约 66%，也就是差不多三次猜对两次，这非常厉害。 **Victor Haghani：** 代价是推理很慢。让三个顶级模型各把这套游戏跑十遍，差不多要过夜。我忘了总 token 成本是多少，不算巨大，但肯定不适合直接放给网站上的所有人实时调用。 ## [38:57] AI 能赢普通人，不等于 AI 能无条件击败市场 · YouTube **Victor Haghani：** 这至少是一个金融游戏里 AI 比普通人做得更好的例子。当然，它不是现实市场，因为现实中没人能提前一天拿到头版。它也不意味着 AI 可以无条件 beat the market。它说明的是：如果 AI 也有同一颗“水晶球”，它通常能比来玩的平均人类更好地利用信息，而且最好的模型大概已经达到有经验的宏观交易员水准。 **Victor Haghani：** 这一点跟很多 AI 交易研究的问法不太一样。现在大家常问：“AI 能不能击败市场？”然后发现 AI 很难做到。我们的实验其实是在问：“当 AI 和普通投资者拥有同样额外信息时，谁更会解释并 sizing？”在这个问题上，AI 表现明显优于平均人类；我们那组专业 macro trader 的成绩则大概跟 Claude 相当。不过别忘了，目前也有两个 LLM 在这游戏里是亏钱的。[笑] **Ethan Kho：** 那你可得小心，Elon 明天可能会打电话说：“把播客撤了，把 Grok 那段收回去。”[笑] 好，我们不再纠结 AI。我想转到 Elm Wealth，但在这之前还有一个问题。 ## [40:36] 个人投资者能否长期稳定产生 alpha · YouTube **Ethan Kho：** 一个人能不能长期、持续地击败市场？我想把问题限定在 fundamental investing，因为量化领域确实有一些证据，edge 也更容易度量。那些极其富有的基本面对冲基金投资者，结果中到底有多少是 skill，多少只是 variance 或运气？ **Victor Haghani：** 我只能告诉你我的信念，因为要从经验数据直接回答，很依赖你的 Bayesian prior。先把专业投资者和非专业投资者分开。对 professional investors——包括 quants，也包括其他一些类型——我相信他们可以击败市场，而且有很多证据。Warren Buffett 是专业投资者，我认为他已经用基本面方式展示了长期跑赢的能力。 **Victor Haghani：** 同时，我们也有很多高度复杂团队把市场“打穿”的证据。“beat the market”甚至有点轻描淡写，有些机构做得远不止小幅跑赢。[笑] 这并不真正违背市场效率。Grossman-Stiglitz 那套思路很重要：如果市场要有效率，就必须有人因为搜集信息、让价格更有效而获得报酬。所以少数玩家近乎低风险地从市场里持续赚钱，并不是什么理论上的灾难。 **Victor Haghani：** 但对非专业个人投资者，我的信念基本是“不行”，或者说成功概率非常非常低。经验检验的麻烦在于，你总能找到某个个人投资者十年 Sharpe ratio 做到 3，或者某只股票在 15 年里 Sharpe 到 2。一个人如果恰好把钱全投进那只股票并一直拿着，按通常统计检验看起来当然“显著”。 **Victor Haghani：** 但如果你的 prior 是：个人投资者通常没有持续 edge，而样本里本来就必然有人碰巧买中极强股票，那么出现这种幸存者并不能推翻原来的判断。它不等于证明普通个人拥有可复制的 skill。我的结论仍然是，非专业投资者具备持续击败市场所需能力和判断力的概率非常低。 ## [44:37] Buffett 式能力不能外推给非专业投资者 · YouTube **Victor Haghani：** Buffett 大意上说过：如果他五十岁、只有十万或二十万美元，他很容易赚到 20% 左右的回报。我不确定原话数字是不是完全这样，但意思差不多。可我们已经知道 Buffett 是投资天才，而且他是职业投资者，一辈子从早到晚都在找投资。这跟非专业投资者不是同一种人。 **Victor Haghani：** 因此，作为一般规则，我认为个人投资者几乎没有机会靠自己选股票持续获得正的 risk-adjusted return。还要注意，即使某人十五年持有一只股票、得到很高 Sharpe，也可能因为承担了极高绝对风险，使风险调整后的结果没有表面那么好。我刚才先举了一个 Sharpe 约 2、年波动可能到 40% 的例子，并说即便 Sharpe 很高，风险调整后的结果也可能是负的；但这个判断我得再想一下。比如如果长期 Sharpe 是 1.5、波动 50%，我边算边觉得，按风险调整口径它也许仍然不错。可如果 Sharpe 只有 1，而且你把 100% 的财富都压在一个极高波动的东西上，那就完全可能得到很差、甚至次优的风险调整结果。这里真正重要的是不能只看表面回报或单一 Sharpe 数字，还要把你承担的绝对风险和风险厌恶一起算进去。 **Victor Haghani：** 所以回到你问题的主干：我非常不相信一个非专业投资者靠研究几只股票、做这做那，就能长期产生正的风险调整后超额回报。 **Ethan Kho：** 那就回到我们一直讨论的点：人们不知道自己应该承担多少风险，也不会最优下注。你们在 Elm Wealth 是怎样替客户解决这个 sizing 问题的？ ## [47:44] Elm Wealth 如何把风险偏好变成仓位 · YouTube **Victor Haghani：** 我们会先跟客户讨论风险厌恶，并把问题转成一个很具体的情境：假设股票长期预期回报比安全债券高 4%，那你愿意把多少财富放在股票里？这个问题一次性把他对股票风险的看法和自己的风险厌恶都锚定下来。有人可能说：“如果真多 4%，我愿意 75% 放股票。”好，这就得到一个 sizing 基准。 **Victor Haghani：** 接着我们会问：如果股票只比债券多 2% 呢？如果客户回答“那我大概愿意 37.5% 放股票”，这就很一致。于是我们可以根据股票的预期超额回报调整仓位，同时再针对风险环境调整：风险更高时减暴露，风险更低时反过来。 **Victor Haghani：** 我们大约收 12 个基点，尽量把一切做得透明，可以把自己理解成“动态资产配置的指数基金”。我们也有一只 ETF，基准股票比例是 75%。如果某个人想要更高或更低的基准，可以把 ETF 与外部股票或其他资产配合使用。 **Victor Haghani：** 除了产品，我们也通过讨论、教育、《The Missing Billionaires》、webinar 等方式，让人不断回到同一个框架：资产配置应该反映 expected return、expected risk 和你自己的 risk aversion。这是决定“承担多少风险”的唯一合理方式。 **Victor Haghani：** 至于“投什么”，我们的默认答案是：广泛分散、低成本、税务效率高的指数基金。这些是 building blocks。不过客户可以有自己的 what，比如 private equity；可以把我们的框架与其他投资组合一起用，也可以全部采用我们的标的，甚至只用我们的 sizing 框架而不用我们的产品。 ## [50:25] 年轻人的真正资产负债表：金融资本加人力资本 · YouTube **Ethan Kho：** 我想做一个思想实验，其实也有点是在问我自己。我还年轻，总觉得自己几乎可以承担无限风险，下行空间接近零，所以我的个人组合也非常集中。钱当然没那么多，但你看了大概还是会说，这承担了不合理的风险。更广泛地说，对那些也许正在问“错误问题”的年轻人，到底该承担多少风险？ **Victor Haghani：** 你应该承担多少风险，应该跟你预计从这份风险得到多少补偿有关。现代投资组合理论里最重要的区分之一，是 systematic risk 和 idiosyncratic risk。整个社会无法通过分散化消掉、所有人合起来必须承担的系统性风险，应该被市场定价，并提供风险溢价作为补偿；而个人完全可以通过分散投资消掉的风险，理论上不应该给你额外风险溢价。 **Victor Haghani：** 既然风险有成本，那么没有补偿、可以被分散掉的 idiosyncratic risk，我们原则上就不该主动承担。这是我的起点：我愿意承担的是有补偿的系统性风险，不愿意拿没有补偿的特异风险。 **Victor Haghani：** 再看年轻人。一个有能力、有雄心、受过训练的年轻人，也许在 401(k) 或 IRA 里只有二十万美元左右，但他未来还有几十年可以工作、挣钱和储蓄，因此拥有巨大的人力资本。假设他的人力资本现值是 500 万美元，金融资本是 20 万美元，而人力资本跟股票市场并没有极高相关性，只带有一部分系统性风险。那么他的总财富其实大约是 520 万美元。 **Victor Haghani：** 这时你说：“我可以让那 20 万美元承担 50% 的风险。”50% 意味着大约 10 万美元的风险，而 10 万相对于 520 万总财富确实很小。这就是“年轻人可以承担很多金融风险”的来源，而且这个逻辑是对的。但重点是，你要增加的是系统性风险。 **Victor Haghani：** 如果只把 20 万全部放进分散指数，相对于 520 万总财富，风险还是很小。所以你可能进一步说：“那我应该加杠杆做多股票市场，我想继续增加系统性风险。”理论上这并没有错，问题会出在杠杆成本和现实摩擦上。 ## [54:27] 杠杆、摩擦与“风险本身是一项成本” · YouTube **Victor Haghani：** 你从哪里拿杠杆？期货、期权、margin account 都可以。Fidelity 的融资成本可能要 9%，你会说那我去 Interactive Brokers，可能只要大约 1.25%。但 1.25% 仍是一笔实实在在的额外成本，而且你还承担被清算、归零等风险。 **Victor Haghani：** 所以我不认为，仅仅因为金融资本只占总财富的一小部分，就值得把金融资本做成 10 倍杠杆。除了融资成本，还有摩擦、对冲和动态调整：市场每天涨跌以后，你还得重新调整 leverage。我觉得实际并不划算。更可行的做法是，可能把金融资本全放股票，或者做到 2:1、1.5:1 这种有限杠杆，然后继续用劳动收入储蓄，把人力资本逐步转化成金融资本。 **Victor Haghani：** 等你到了三十多岁，也许人力资本从 500 万变成 400 万，金融资本从 20 万积累到 150 万，整个结构就开始更舒服。核心是，完全没必要为了“多一点风险”去承担 idiosyncratic、unsystematic risk。 **Victor Haghani：** 风险本身永远是一项负担。承担风险本身，总是负面的；承担得到补偿的风险可以是好事，但即使是有补偿的风险，你仍然可能承担过多。你不应该只是为了“有风险”而去冒险。风险永远是一项成本。 **Victor Haghani：** 所以正确心态不是“我年轻，我要尽可能冒险”，而是：“我愿意多承担有补偿的风险，但多少才够？从什么位置开始，额外风险已经不再改善我的目标？”如果你把股票做四倍杠杆，最后 20 万美元跌到零，心理上也绝不会很好受。手里有点真实储蓄，本身是有价值的。 **Victor Haghani：** 理论模型确实可能给出“我只有十万美元，所以应该持有十倍股票暴露”的结果。纯理论里它可能成立，但一加上交易摩擦、融资成本、调整成本和人的心理，我不认为值得这么做。而且无论如何，都必须是 systematic risk。承担没有补偿的 unsystematic risk 并不会帮助你。 **Victor Haghani：** 更进一步说，集中股票风险不只可能是“没有补偿”，你很可能还有负 edge。站在你交易另一边的人，平均可能比你更有信息。Citadel、Jane Street、Renaissance 这些机构持续从市场里拿走大量收益，个人投资者很难完全不被他们在另一边“剪一点”。所以这里既有风险成本，也有信息劣势。 ## [57:56] 人力资本究竟怎么估值 · YouTube **Ethan Kho：** 我想把你刚才的人力资本说法弄得更具体。你举例说一个年轻人可能有 500 万美元 human capital。到底怎样估这个数字？ **Victor Haghani：** 很难，而且只能做近似。我们跟客户通常从税后起始收入开始：现在一年能赚多少？未来收入大概怎样增长？还会工作多久？职业收入的风险有多大？这个 variability 可以按逐年看，也可以直接看一生总劳动收入的分布。最终，我们是在构造一个带增长、也带波动的人生收入分布。 **Victor Haghani：** 然后要把未来收入折现回来。折现率不能只用无风险利率，因为收入本身也有风险。我们会看它对经济、金融体系和股票市场有没有 beta：如果职业收入跟市场有系统性关联，就要在折现率里加入相应的股票风险溢价；同时还要因为那些只跟你本人、职业路径有关的 idiosyncratic income risk 再做折价。 **Victor Haghani：** 因此最后使用的折现率会高于无风险利率，幅度取决于职业有多危险、和股票市场有多相关。我要强调，我们做得非常、非常 rule-of-thumb。你当然可以不断增加参数、追求更多精度，但很快只是在自我欺骗，因为人力资本本来就是一个非常 messy、非常 hairy 的对象。它不精确，不代表你可以假装它不存在。 **Victor Haghani：** 在一些典型情形里，我们可能会用高于无风险利率大约 6% 的折现率，具体仍然看职业中的 beta 风险和特异风险各占多少。最后得到的数字可能是 500 万、600 万、700 万；很多实际决策并不会对这几个近似值极度敏感，关键是把它纳入资产负债表。 **Victor Haghani：** 我们最近还写过一篇关于 QSBS——Qualified Small Business Stock——的文章，并做了一个计算器。美国创业者如果满足相关条件、持有合格小企业股票五年，可能获得联邦资本利得税豁免。于是就出现一个真实决策：现在卖出，确定缴税、降低集中风险；还是再等几年，为了潜在税收优惠继续承担这家公司的集中风险？ **Victor Haghani：** 比如还差三年达到期限，你要比较“多承担三年风险的成本”与“省下联邦资本利得税”的价值，决定今天是否应该卖掉一部分甚至全部，即使提前卖意味着付本来可能避免的税。对这类年轻创业者，人力资本尤其重要，因为他们的劳动收入、职业和股票财富往往都跟同一家公司纠缠在一起。 ## [1:01:56] 年龄、职业长度与人力资本的重要性 · YouTube **Victor Haghani：** 如果对象已经五六十岁，人力资本通常没年轻时那么重要，因为职业接近尾声，大部分人力资本已经转化成金融资本。但这个规律也正在变。今天的年轻人到了五六十岁时，很可能仍处于职业生涯中段，尤其是服务业，而不是高度依赖体力的工作。 **Victor Haghani：** 所以我们会这样估，也写过相关内容，其他人当然也研究过。它非常粗略，但我还是认为，脑子里有一个人力资本的大致数字，比完全不估要有用。 **Ethan Kho：** 当客户来找你、你给他们建议时，有没有什么话你一遍遍地说，而客户会觉得“原来还可以这样想”？ ## [1:02:46] 投资观念为什么几乎说服不了别人 · YouTube **Victor Haghani：** 这是个好问题。我做这件事差不多 15 年后学到的一件事是：你基本改变不了任何人的任何想法。拿我妈妈来说吧——这是我亲妈，天哪。她 92 岁，还在做 day trading。过去 20 年我一直跟她说应该买指数基金。严格说她不是交易了 20 年；她是在佣金降到零之后才开始日内交易的。但我劝她买指数基金、承认自己是非专业投资者，已经劝了很多年。 **Victor Haghani：** 现在她每天早上、晚上都交易，一天占掉一两个小时。她非常喜欢，而且觉得自己做得不错。我不管说什么、花多少时间，都无法让她不做 day trader，也无法让她相信自己的表现并没有她想象得那么好、未来也不一定能继续好下去。 **Victor Haghani：** 更好笑的是，她并不觉得我是个笨儿子。[笑] 她觉得我聪明，知道我在金融业，知道有人听我说话，也知道我写过书。她还知道我没有利益冲突——我真心想帮她，她少做日内交易不会给我带来任何收益。即便如此，我还是说服不了她。 **Victor Haghani：** 所以，真的很难改变一个人的投资观。它也意味着，最终来 Elm 的客户，本来就已经跟我们以相同或很相似的方式看世界。因此谈话更像一种“终于找到同类”的相认：“太好了，我一直就是这么投的，或者一直想这么投，只是没时间自己不断改资产配置，你们能帮我太好了。” **Victor Haghani：** 我们很少遇到一个完全相反的人，然后靠一场谈话让他突然说“原来如此”。客户真正惊讶的往往是商业模式：“有什么猫腻？你们怎么可能只收 12 个基点就给我做 separately managed account？你们还在哪里赚钱？这里面到底有什么 angle？这生意能持续吗？” **Victor Haghani：** 我们认为 12 个基点完全可以形成可持续业务，因为效率可以很高。要说客户有什么惊讶，更多是惊讶于我们能用这么低的费用运转，而不是突然被我们改变投资哲学。 **Victor Haghani：** 如果你坚信致富之路就是 private equity 和 hedge funds，而且对 index funds 没兴趣，我们永远说服不了你，真的永远不会。相反，如果你本来就想用指数基金，那你来之后会说：“这太好了，这就是我想要的。” **Ethan Kho：** 连你妈妈都说服不了——她知道你聪明、知道你为她好，但还是坚持做一个九十多岁的 degenerate trader，是吧？ ## [1:06:47] 92 岁日内交易母亲与 Lucille 的故事 · YouTube **Victor Haghani：** 对，真的很好笑，而且她就是特别喜欢交易。她是真的、真的很享受。 **Victor Haghani：** 我女儿最近刚采访过她。我女儿在做一个以我妈妈名字命名的业务，叫 Lucille，是给老年人的营养饮品。为了做营销内容，她经常采访我妈妈。她有一条特别棒的 Instagram 内容，就是在我妈妈家里拍她做 day trading，连她记交易的笔记本都拍进去了。非常好笑。总之，就是这样。 **Ethan Kho：** 最后一个问题。如果一个人不是想拼命成为亿万富翁，而是想让自己的财富曲线足够平滑，让消费和给予不至于大起大落，有没有一条最重要、每个人都必须听到的建议？ ## [1:07:35] 财富曲线要稳定，第一件事其实是储蓄 · YouTube **Victor Haghani：** 这让我想到我一个表亲讲的笑话。一个人走进 Rolls-Royce 展厅，到处看车、开门、往里瞧，还坐进几辆车里。销售慢慢走过来，说：“看起来你真的很喜欢劳斯莱斯。你是在考虑买一辆吗？”那个人说：“我有三个理由不买。”销售说：“好啊，说来听听。”他说：“第一个理由，我买不起。”销售立刻抬手：“好了，停在这里就行，另外两个理由我不需要听了。”[笑] **Victor Haghani：** 你的问题也是这样。如果你不储蓄，后面的所有东西都无关紧要。如果你完全不打算存下大约 20% 左右，那么我们后面再讨论资产配置、风险、税务、投资产品，都没有根基。 **Victor Haghani：** 想有一个好的财务未来，第一件具有生存意义、最关键的事，是坐下来弄清楚自己需要存多少，然后真的去存。如果你想退休、想达到 financial independence，就必须持续储蓄。15% 到 20% 是一个范围，但我会说，目标应该是收入的 20% 或更多，而且越早开始越好。 **Victor Haghani：** 我知道学术和理论上有一种 life-cycle consumption smoothing 的观点：年轻时收入低，可以先借钱保持消费；以后收入高了再还债并多储蓄。我的看法是，这是一条很滑的坡。你什么时候才真正开始存？而且对个人来说，借钱的成本非常高，高得离谱。 **Victor Haghani：** 所以我更喜欢从一开始就储蓄，先把 20% 当目标。如果职业里偶尔会有一笔很大的奖金、补偿或其他 windfall，那种年份就应该存远远超过 20%。先把自己的财务机器启动起来。这是第一重要的事。 **Victor Haghani：** 我还有另一个“第一重要”的事——这样说可能意味着其中一个不该叫第一吧。[笑] 但它们彼此相关：你必须有意识地做这件事，必须主动想自己的个人财务。我刚开始工作时完全不想这些。我的感觉只是：“钱在进来，我又没把它全花掉。”我很忙，从来没人逼我认真面对这个问题。现在回头看，我都觉得不可思议。 **Victor Haghani：** 人必须有意识地管理：想清楚、做一份 financial plan、算自己需要存多少，然后储蓄。做到这一点以后，其他六七条重要原则才有意义；没有它，什么都没有。就像那个劳斯莱斯销售说的：“好了，其他理由不用听了。” **Ethan Kho：** [笑] 谢谢你，先生，门在那边。是的，如果你不储蓄，其他都不重要。非常感谢你来节目，这次聊得特别好。 **Victor Haghani：** 谢谢你，Ethan。我也很享受。 ## [1:11:35] 收尾：正确的问题比错误问题的正确答案更重要 · YouTube **Victor Haghani：** 这是一场很好的讨论。把这些东西真正说出来，对说话的人自己也有帮助，因为很多想法会在表达过程中变得更清晰。 **Victor Haghani：** 我尤其喜欢今天冒出来的那个说法——“错误问题的正确答案”。我觉得它很可能会出现在我们以后写的某篇文章里。我很喜欢这个从播客谈话里自然冒出来的想法。