Capital Market
1. Black-Scholes（必考）
你需要：
- 会讲假设
- 会讲局限
- 会讲为什么在 risk 中用
必问
- BS 假设有哪些？
- volatility 是 constant 吗？
- 为什么 real market 有 volatility smile？
2. Binomial Model（一定会对比问）
- Binomial vs Black-Scholes
- 为什么 Binomial 是 BS 的离散近似？
- 哪些产品更适合 Binomial？
Portfolio Construction & Capital Allocation
1.Fund Types
重点：
- 区分 fund mandate 和 liquidity profile。
- 会解释为什么 Sharpe 或 VaR 指标在不同基金中含义不同。
- 理解 Blackstone 属于 Alternative Asset Manager 体系（接近 FoF + direct investments）。
2.CAPM
两只股票，只要 β 相同，理论上期望收益相同，哪怕它们波动率完全不同。这就是为什么：
- 高波动 ≠ 高回报
- 市场只补偿 systematic risk
MPT（均值-方差） ↓ Two-Fund Separation ↓ Market Portfolio（= 市值加权市场） ↓ CML（组合层面：风险-回报） ↓ CAPM / SML（单资产层面：beta-回报）
对比 | CML | SML (CAPM) |
研究对象 | 投资组合 | 单个资产 |
风险度量 | σ（总风险） | β（系统性风险） |
适用范围 | 仅有效组合 | 所有资产 |
理论地位 | 组合层面 | 定价核心 |
Capital Market Line（CML）你要掌握什么
1.CML 是什么（一句话）
CML 描述的是：所有“有效组合”的风险–回报关系。
关键词：
- 只适用于 有效组合（efficient portfolios）
- X 轴：总风险（σ）
- Y 轴：期望收益
2.CML 的公式（理解即可，不用死记）
你只需要知道三点：
- 截距 = 无风险利率
- 斜率 = Sharpe Ratio of Market
- 风险用的是 标准差 σ（总风险）
3.CML 的经济含义（很重要）
- 市场只为 **“无法通过组合消除的风险”**付钱
- 但在 组合层面，用 σ 是没问题的
- 前提：你已经在 CML 上（即高度分散）
4.为什么 CML 不能用于“单只股票”
这是核心转折点。
关键问题：
单只股票的 20% 波动，市场会为全部买单吗？
答案：❌ 不会。
因为：
- 其中一部分风险可以被分散
- 市场不奖励可分散风险
👉 所以 σ 不再是正确的风险度量
CAPM / Security Market Line（SML）
3.Correlation & Diversification
Portfolio risk is lower than the weighted average risk of its constituents.
这句话是：
- 现代资产配置的地基
- Markowitz 理论的起点
- 面试里经常被考的原话
The Pitfalls of Modern Portfolio Theory (MPT)
MPT 的核心假设，哪里“坏掉”了？我们逐条来，这一部分非常关键。
1.正态分布 / 二次效用：现实中不成立
2.单期模型，用来做长期配置 —— 逻辑断裂
3.投资者效用：损失厌恶 vs MPT 的“对称世界”
Kahneman & Tversky 的结论是致命一击：
- 亏 10 块的痛苦 > 赚 10 块的快乐
- 效用函数是 非对称的
而 MPT 假设：
- 上下波动对投资者“等价”
📌 所以：
MPT 在心理层面 严重低估风险感知
Correlation 是如何“降低风险”的？
Efficient Frontier（有效前沿）
Efficient Frontier = 在给定收益下，风险最低的一组组合/在给定风险下，收益最高的一组组合
两个关键点你必须记住
为什么加入 Risk-Free Asset 后，Efficient Frontier 变成一条直线？
切点组合（Tangency Portfolio）——整套理论的灵魂
1️⃣ 什么是 Tangency Portfolio？
这是那只：
- 同时属于
- 有风险资产的 Efficient Frontier
- 包含无风险资产的 Efficient Frontier
- 并且使 CAL 与原 Frontier 相切 的组合
📌 这不是随便一个组合
📌 这是 风险—收益比最高的组合
2️⃣ 为什么“所有人”都应该持有它？
因为一个极其重要的结论出现了：
所有有效组合 = Risk-free asset + 同一个 risky portfolio
也就是说：
- 你不需要无数种“最优股票组合”
- 只需要一个
这个组合就是：
Tangency Portfolio（在 CAPM 里就是 Market Portfolio）
4.Asset Allocation
Strategic Asset Allocation
SAA = 设定长期资产类别权重 + 定期再平衡
- 决定：
- 股票 / 债券 / 现金 各占多少
- 特点：
- 长期（3–10 年，甚至更长）
- 不追热点
- 偏“纪律”，不是预测
SAA 的 6 个核心步骤（这是骨架）
你只要记住这 6 步，其他都是细节。
1️⃣ 设定投资期限（Horizon）
- 常见：3–10 年
- 年轻投资者：可更长
- 养老金 / 主权基金：20–30 年
👉 这是一切的前提
2️⃣ 明确风险承受能力（Risk Appetite）
- 保守 / 平衡 / 激进
- 决定你：
- 股票比例
- 最大回撤容忍度
3️⃣ 约束条件（Constraints）
现实世界一定有约束：
- 不做空？
- 不加杠杆？
- 排除某些国家 / 行业？
- ESG 偏好？
👉 MPT 永远是“带约束优化”
4️⃣ 使用优化工具（通常是 MPT）
- 实务中：
- 仍然大量使用 均值–方差优化
- 原因：
- 简单
- 可解释
- 可落地
⚠️ 不是因为它完美，而是因为替代品更难用
5️⃣ 估计参数（最痛苦的一步）
需要估计：
- 各资产长期 期望收益
- 方差–协方差矩阵
👉 这里是 SAA 的“阿喀琉斯之踵”
6️⃣ 再平衡（Rebalancing）
- 周期：
- 1 年
- 或重大市场冲击后
- 目标：
- 回到原定权重
- 控制风险漂移
股票版 SAA（简化）
- 不做：
- 股票 vs 债券
- 而做：
- 地区配置（美股 / 非美）
- 风格配置（价值 / 成长 / 防御）
- 行业暴露
- 因子暴露
👉 逻辑完全一样，只是资产集合不同
Rebalancing
Bounds（资产配置区间）
Bounds = 你允许资产权重“失控到什么程度”的硬性规则。
为什么「只给目标权重」是危险的？
很多人只设：
- 股票 = 60%
但不设 Bounds，等于默认：
- 股票可以涨到 80%、90%、甚至 100%
- 风险在不知不觉中爆炸
📌 结论：
SAA 没有 Bounds = 伪资产配置
三、Bounds 的三大核心作用（这是重点）
1️⃣ 控制“风险漂移”（Risk Drift）
市场不会平均上涨：
- 强的更强
- 弱的更弱
👉 不设 Bounds，你的组合会被赢家资产绑架
2️⃣ 给 TAA 留“操作空间”
如果：
- 股票目标 40%
- Bounds 只有 35%–45%
那你几乎无法表达任何市场观点
（熊市来了，你最多少 5% 股票，没意义）
📌 结论：
Bounds 决定 TAA 是“真的”还是“象征性的”
3️⃣ 防止情绪型决策
Bounds 的本质是：
- 在理性时
- 为未来情绪失控的自己
- 设定不可突破的护栏
四、Bounds 的正确结构（专业级）
❌ 错误做法（新手最常犯）
- 60% ± 5%
- 看起来“稳健”，实际上没用
✅ 正确做法（实务共识）
Bounds 应满足 3 个条件：
✅ 1. 足够宽（能真的改变风险）
- 至少 ±15%～20%
✅ 2. 单调递进（不同风险档不重叠）
- 保守 < 平衡 < 激进
- 不要出现 40–60 和 50–70 这种混乱区间
✅ 3. 能覆盖极端行情
- 能应对：
- 2000–2002（-46%）
- 2008（-50%）
- 2020（-35%）
Tactical Asset Allocation
在你“早就想好的长期配置方案不变”的前提下，根据当下市场情况，稍微多一点或少一点去押某一类资产。
用一个真实生活的比喻
你已经决定了：
“我这辈子大概 60% 投股票，40% 放稳的东西”（这就是 SAA = 战略资产配置）
那 TAA 是什么？
不是推翻这个决定，而是：
- 市场看起来很危险 →
股票先少买点，用 50%
- 市场非常差、大家都很恐慌 →
股票压到 40%（但不会清零）
- 市场刚从大跌里缓过来 →
股票慢慢加回 60%
📌 你始终在“40–60% 股票”这个区间里活动
三个明确目标
1️⃣ 回避深度熊市（>20% 下跌）
2️⃣ 利用估值 & 宏观错位获取阶段性优势
3️⃣ 控制组合路径风险（Path Risk）
📌 注意：
- TAA 是 防大错 + 抓中等机会
- 不是高频交易
- 不是择时精确到点位
宏观环境 → 盈利预期变化 → 估值是否可持续 → 调整资产 / 区域 / 行业权重
TAA 与 SAA 的本质区
维度 | SAA | TAA |
决定因素 | 投资者风险偏好 | 市场环境 |
时间尺度 | 3–10 年 | 1–12 个月 |
是否频繁调整 | 否 | 是 |
是否基于观点 | 否 | 是 |
是否有 Bounds | 必须有 | 只能在 Bounds 内 |
📌 关键一句话：
TAA 永远不能突破 SAA + Bounds
TAA 的两大核心驱动
🔹 Driver 1：Valuation（估值）
本质逻辑
价格 ≠ 价值，
估值决定“未来回报空间”，而不是当下涨跌
常用估值工具（不用全会，但要懂逻辑）
- P/E（市盈率）
- Earnings Yield（盈利收益率）
- PEG（P/E ÷ 盈利增长）
- 相对估值（区域 / 行业之间比较）
📌 核心判断不是：
“贵不贵”
而是：
“相对其他资产，值不值得加 / 减”
一个极重要但反直觉的结论（一定要记）
市场创新高 ≠ 市场高估上涨过程中，估值可以下降
例子（课程里的 2004–2007）：
- 指数 +60%
- P/E 从 17 → 14
👉 上涨是靠盈利，不是泡沫
🔹 Driver 2：Macro / Business Cycle（宏观与周期）
核心变量（只要抓住这 4 个）
1️⃣ 经济增长（Growth）
2️⃣ 通胀（Inflation）
3️⃣ 利率 / 货币政策
4️⃣ 盈利预期（Earnings Expectations）
Tactical Asset Allocation × Market Timing
1️⃣ Market Timing 是什么（一句话）
Market timing = 在 TAA 框架内，决定“何时降低 / 提高股票风险暴露”❌ 不是抓高点低点❌ 不是频繁进出市场
2️⃣ Market Timing 在资产配置里的位置（必背）
StrategicAssetAllocation（长期） →Bounds（上下限） →TacticalAssetAllocation（短期调权） →MarketTiming（信号）
📌 Timing 只能调整权重，不能推翻 SAA
3️⃣ 为什么不能用普通 PE 来 Timing（高频考点）
- 盈利有周期
- 盈利高点 → PE 假便宜
- 盈利低谷 → PE 假昂贵
📌 结论一句话：
未做周期调整的 PE，在拐点最容易误判
4️⃣ Shiller CAPE（你要知道什么）
- 用 10 年平均盈利 平滑周期
- 用来判断 长期估值水平
- ❌ 不能精确择时
📌 标准表述（直接用）：
CAPE is a long-term valuation anchor, not a precise timing tool.
5️⃣ Timing 的真正核心：不是估值，是宏观
估值告诉你“贵不贵”
宏观告诉你“在哪个阶段”
📌 Timing 的 Alpha，主要来自“识别衰退结束”
6️⃣ 一个你必须记住的宏观信号（够用）
US Consumer Confidence（同比）
- ≤ –20% → 进入衰退
- 从 < –20% 回升穿越 –20% → 衰退结束
📌 因为消费 ≈ 70% GDP，领先于市场
7️⃣ 对应的 TAA 操作逻辑（一句话）
- 衰退期 → 股票降到下限
- 衰退结束 → 在 Bounds 内重新加股票
❌ 不是 All-in / All-out
5.Assessing performance
Choose the right benchmark
Benchmark 为什么重要（三大用途）
你必须记住这三个功能：
- 绩效评估工具
- 衡量主动管理是否创造 Alpha
- 例：Active US Equity Manager vs MSCI USA
- 被动投资复制对象
- ETF / Index Fund 的投资标的
- 例：S&P 500 ETF
- 资产配置的“代理收益”
- 用作 SAA（Strategic Asset Allocation）的输入
- 养老金、捐赠基金常用
Benchmark 的历史起点（只需一句话）
- 起源：Dow Jones Average（1884）
- 真正成为“Benchmark”：CAPM + Modern Portfolio Theory
- 核心思想：
市场组合是系统性风险的代表
常见 Benchmark 类型（必须能区分）
你需要能说出并区分以下几类：
- Broad Market Index
- S&P 500, MSCI World
- Factor-based Index
- Value / Size / Momentum
- Style Index
- Growth vs Value
- Manager Universe / Median
- 不可投资（重要缺点）
- Customized Benchmark
- 为特定 mandate 定制
CFA 定义的“好 Benchmark”标准（核心考点）
你不需要背原文，但要掌握逻辑。
一个好 benchmark 必须：
- 事前确定（Ex-ante specified）
- 不能事后才知道
- 可衡量（Measurable）
- 有清晰、可重复的数据
- 成分透明（Unambiguous）
- 权重、规则清楚
- 与投资策略匹配
- Value manager ≠ 用 broad index 评估
- 可投资（Investable）
- 能被被动复制
- 低系统性偏差
- 不应引入无关因子暴露
- 低换手率
- 减少交易成本
一句话总结：
好 benchmark = 风险相似 + 可复制 + 与策略一致
Absolute vs relative return
- Relative return：比别人好不好
- Absolute return：我有没有亏
Relative Return Mandate（相对收益）
定义：
目标是跑赢 benchmark，而不是赚钱本身
典型特征：
- 始终 fully invested
- 不持大量现金
- 不系统性对冲市场风险
- 常见于：
- Pension funds
- Institutional investors
典型“问题式表述”：
“我们亏了 28%，但 benchmark 亏了 30%”
Absolute Return Mandate（绝对收益）
定义：
目标是正收益 / 控制回撤，不关心是否跑赢指数
核心逻辑：
- Upside participation < 100%
- Downside capture ≪ 100%
- 可以：
- 持现金
- 对冲
- 动态调仓
投资者真正关心的是：
“我亏了多少钱？”
什么时候会“从 Relative 转向 Absolute”（非常重要）
规律：
- 牛市：
- 人人要 relative return
- 对 benchmark 极度敏感
- 熊市 / 危机：
- 即使机构投资者也会：
- 放弃 relative
- 追求保本 / 控回撤
核心原因：
在极端亏损面前，没有人真的在乎 benchmark
Risk-Adjusted Performance Metrics
指标 | 风险定义 | 适用对象 | 核心假设 |
Sharpe | 总波动率 | 传统基金 | 正态分布 |
Treynor | Beta | 分散组合 | CAPM 成立 |
Sortino | 下行波动 | Hedge fund | 回报非对称 |
1. Sharpe Ratio（最基础、最通用）
定义
衡量什么
- 单位**总风险（波动率）**下的超额收益
- 假设风险 = 波动率
什么时候用
- 比较传统多资产 / long-only 基金
- 回报分布 近似正态
- 行业标准、最常用
优点
- 简单直观
- 跨基金、跨策略可比
致命假设 / 局限
- 假设回报正态分布
- 把“好波动”和“坏波动”一视同仁
- 对 skewness / fat tails 不敏感
一句话记忆
Sharpe = 用“总波动”衡量风险的风险调整收益
2. Treynor Ratio（只奖励系统性风险）
定义
核心思想
- 投资者不应该为可分散风险获得补偿
- 只奖励 市场风险（Beta）
什么时候用
- 组合高度分散
- 明确基于 CAPM 框架
- 关注相对市场暴露
关键前提
- 投资者已经充分分散
- Beta 是主要风险来源
和 Sharpe 的根本区别
Sharpe | Treynor |
用总风险 | 用系统性风险 |
波动率 | Beta |
一句话记忆
Treynor = 只为“你无法分散掉的风险”付钱
3. Sortino Ratio（只惩罚“坏风险”）
定义
核心改进
- 只考虑 下行波动
- 不惩罚超额正收益
风险定义
- Risk = 低于目标收益（或 0）的波动
什么时候用
- Hedge fund
- Absolute return 策略
- 回报分布 非对称
- 投资者更关注亏损而非波动
为什么对 HF 更合适
- HF 目标：控制下行、保住本金
- 上行波动不是“风险”
一句话记忆
Sortino = 只惩罚让投资者不爽的波动
Using Asset Pricing Models to Estimate Fund Performance
- Alpha 是 风险调整后的超额收益
- Alpha 取决于 所选资产定价模型
- 模型遗漏因子 → 虚假 alpha
- FF3 是实践中的主流 baseline
- 大多数主动基金 没有长期正 alpha
1. Alpha 的本质（一定要理解清楚）
定义
本质含义
- Alpha = 超越风险补偿之后的收益
- 衡量的是 manager 的选股能力（selectivity）
关键区分
- Alpha ≠ 运气
- Alpha ≠ 市场上涨
- Alpha ≠ 风格暴露（size / value）
一句话记忆：
Alpha 是“扣掉所有已知风险补偿之后，剩下的那部分收益”
2. 为什么要“假设没有 Timing 能力”
Timing（择时）是什么
- 根据市场判断主动提高 / 降低 beta（例如进出 S&P 500）
为什么在 Alpha 估计中要排除 Timing
- 实证研究：大多数基金没有稳定的择时能力
- 若不排除，alpha 会混入运气和市场判断
结论
- Alpha 只用于衡量 选股能力
- Timing 通常被视为独立维度
3. 用 CAPM 估计 Alpha（基础方法）
回归模型
图形理解
- 横轴：市场超额收益
- 纵轴：基金超额收益
- 截距 > 0 → 正 alpha
核心假设
- CAPM 是正确的 benchmark 模型
4. 为什么 CAPM 不够 → Fama–French 3 Factor
5. 最重要的一个“坑”（面试高频）
6. 数据长度的重要性（很多人忽略）
- 样本太短 → 置信区间巨大
- Alpha 统计上不显著
- 实务中：
- 月度数据至少 3–5 年
- 日度数据需注意噪声和自相关
7. 经验事实（Jensen 结论）
经典发现
- 大多数主动型基金：
- 平均 alpha < 0（扣费后）
- 管理费 + 交易成本吞噬 alpha
核心含义
- 真正持续的 alpha 极其稀缺
- 大部分“看起来厉害”的表现：
- 来自 beta 或风格暴露
6.Performance Attribution（收益与风险归因）
Performance Analysis
Performance analysis 的目标是：解释收益从哪里来
1. Performance vs Return（先把概念站稳）
Return
- 偏向 前瞻性
- 用于投资决策、预期收益、资产配置
Performance（Past Performance）
- 回顾性
- 回答的问题是：
“过去这段时间，我做得怎么样？”
一句话记忆：
Return 是“我要赚多少”，Performance 是“我实际赚了多少”
2. 第一核心问题：算“谁的表现”？
3. 为什么 Time-Weighted 是“标准答案”
- 资金进出时间由客户决定
- 投资经理 无法控制
- 用 MWR 评估经理 → 不公平
行业共识
- 投资组合 / 基金业绩 → 必须用 Time-Weighted
- 客户收益 → 用 Money-Weighted
4. Performance Contribution（绝对收益拆解）
5. Relative Performance & Benchmarking
Performance analysis 必须放在 参照物 下看。
参照对象可以是
- Benchmark（最常见）
- Target return
- 同类组合
- 定制参考组合
没有参照 → Performance 没意义
Performance Attribution
一句话定义：
Performance attribution = 把“主动超额收益”拆解清楚：
到底是“配得对”，还是“选得好”。
核心对象是：
- Active Return = Fund Return − Benchmark Return
1.两个最核心的来源（99% 都围绕这两个）
2. Interaction Effect（交互效应，必须知道但不用太纠结）
它是什么？
- Allocation 和 Selection 同时发生时的“乘积效应”
典型情况
- Overweight 一个行业
+
在这个行业里选得好 → 正向 interaction
- Overweight 一个行业
+
但选得差 → 负向 interaction
实务中
- 经常 不大
- 有时直接并入 allocation 或 selection 解读
3.经典 Return Decomposition 公式（不用背公式，背逻辑）
Active Return =
- Asset Allocation Effect
- Stock Selection Effect
- Interaction Effect
你要记住的是 计算逻辑：
Asset Allocation Effect（配置）
- 用 权重差
- 乘 Benchmark 的行业收益
👉 “如果我只改变权重、不改变选股，会发生什么？”
Stock Selection Effect（选股）
- 用 Benchmark 权重
- 乘 基金 − Benchmark 的行业收益差
👉 “如果我只改变选股、不改变权重，会发生什么？”
Interaction Effect（交互）
- 权重差 × 收益差
👉 “我既改变权重，又改变选股，叠加效果是多少？”
7.Portfolio Optimization
- Markowitz 均值-方差优化：对预期收益极度敏感 → 不稳定
- Risk Parity：让各资产 风险贡献相等（桥水 All Weather 策略基础）
- Black-Litterman：用市场均衡收益 + 主观观点 → 更稳健的输入
- 实际挑战（估计误差、交易成本）
方法 | 优化目标 | 思想 | 缺点 | 举例记忆 |
Markowitz | 在给定风险下最大化收益 | 传统均值-方差理论 | 对收益预估极度敏感 | “理想理论，但不稳定” |
Risk Parity | 让各资产风险贡献相等 | 风险均衡，而非收益最大 | 不考虑收益，只看风险 | “桥水All Weather” |
Black-Litterman | 在市场均衡基础上加入主观观点 | Bayesian调整收益 | 更稳健，但复杂 | “Markowitz的进化版” |
Markowitz 均值-方差优化 (Mean-Variance Optimization)
💡 核心思想
“在给定风险下最大化预期收益，或在给定收益下最小化风险。”
你知道每个资产的：
- 预期收益 (μ_i)
- 风险（波动率 (σ_i)）
- 协方差矩阵 (Σ)
优化问题是：
📈 举例：
假设你有两类资产：
Asset | Expected Return | Volatility | Correlation |
Stocks | 8% | 15% | 0.2 |
Bonds | 4% | 5% | 0.2 |
直觉：
- 股票高收益高风险；
- 债券低收益低风险；
- 组合后相关性不高 → 可分散风险。
优化器会找出最佳权重 w*，让风险最小而收益满足要求。
⚠️ 缺点
- 结果对 (μ_i)（预期收益）极度敏感。
→ 预期收益略变，最优权重差别巨大。
- 实际估计的 (μ) 噪声太大，因此结果“很理论化”。
💬 面试口语模板
“Markowitz optimization finds the efficient frontier by minimizing portfolio variance for a given target return.However, it’s highly sensitive to estimated expected returns, which makes the optimal weights unstable in practice.That’s why many real-world risk teams use more robust approaches like risk parity or Black-Litterman.”
Risk Parity（风险平价）
💡 核心思想
“让每个资产对组合的风险贡献相等。”不是追求收益最大化，而是追求风险来源平衡。
📘 数学形式
📈 举例（最直观理解）
假设：
- 股票年波动 15%，债券 5%。
- 如果你各配 50%，股票贡献的风险其实远高于债券。
- Risk Parity 会自动调低股票权重，让两者风险贡献相同。
结果可能是：
- 股票权重 25%，债券 75%。
- 总波动下降，但风险更平衡。
这正是 桥水 All Weather Fund 的核心逻辑：
“Don’t put equal dollars, put equal risk.”
💬 面试口语模板
“Risk Parity focuses on equalizing risk contributions rather than maximizing expected return.For example, if equities are three times as volatile as bonds, we allocate less to equities so that each asset contributes equally to portfolio volatility.This creates a more stable and diversified portfolio, which is the foundation of Bridgewater’s All Weather strategy.”
Black-Litterman 模型（Bayesian 优化）
💡 直觉理解
Markowitz 的问题是：
“我不知道该信谁的预期收益 μ —— 市场的？我自己的？”
Black-Litterman 的解决方法：
“用市场隐含的均衡收益作为基础，再加入我自己的主观看法，用贝叶斯加权。”
📘 数学逻辑
(1) 市场均衡收益：
- (π)：市场隐含收益（从市场权重反推出来）
- (λ)：风险厌恶参数
- (Σ)：协方差矩阵
- (w_{mkt})：市场权重（如 S&P500 市值权重）
(2) 投资者观点：
假设投资者认为某些资产有不同预期（Q），用矩阵 P 表示观点。
(3) 结合公式（Bayesian blending）：
[
E[R]_{BL} = π + τΣP^T (P τΣP^T + Ω)^{-1}(Q - Pπ)
]
解释：
- (π)：基础市场预期（“default belief”）
- (Q)：投资者观点（“your belief”）
- (Ω)：观点的不确定度
- (τ)：权重参数
结果 (E[R]_{BL})：融合后的预期收益，比直接猜 μ 稳健。
📈 举例
- 市场暗示美国股市预期年化收益 6%。
- 你认为未来 12 个月美国股市会更强（+2%）。
- Black-Litterman 会根据你的信心水平（Ω）把收益上调到比如 6.8%，
而不是直接改成 8%。
👉 更符合直觉，不会引发权重剧烈波动。
💬 面试口语模板
“Black-Litterman combines market equilibrium returns with subjective investor views using a Bayesian framework.It starts from the market-implied expected returns — the equilibrium — and adjusts them according to our confidence in specific views.This produces more stable inputs for mean-variance optimization and avoids the extreme weights typical of Markowitz portfolios.”
Quant strategies and Factor Thinking
因子Factor
宏观与市场类（Macro / Market Factors）
这些是 最核心的 cross-asset 因子，BXMA、BlackRock、MSCI RiskMetrics 都用它们。
因子 | 含义 / 驱动风险 | 常用 Proxy（数据来源） | 应用场景 |
Equity Market (Beta) | 整体股市暴露 | S&P 500 / MSCI World return | Equity portfolios, L/S hedge funds |
Interest Rate / Duration | 利率变动对价格的影响 | 10Y Treasury yield change | Fixed Income, Macro funds |
Credit Spread | 信用风险暴露（IG vs HY） | CDX IG/HY index spread | Credit, Multi-Asset Risk |
FX (Foreign Exchange) | 外汇敞口 | DXY / EURUSD / USDJPY changes | Global portfolios |
Volatility (VIX / MOVE) | 隐含波动风险 | VIX / MOVE index | Vol-targeting / Vol-arb strategies |
Commodities / Oil | 大宗商品暴露 | Brent / Gold / GSCI | Macro / Commodity funds |
Liquidity / Funding | 流动性收紧风险 | TED spread / OIS-LIBOR | Stress scenario testing |
💡 总结口语句式：
“At the macro level, we usually track exposures to equities, rates, credit spreads, FX, and volatility —since these explain over 80% of risk in most multi-asset portfolios.”
风格与策略类（Style / Cross-Sectional Factors）
主要在 量化基金、股票型组合、或 FoF Attribution 中使用。
因子 | 含义 | Proxy / Source | 常见应用 |
Value | 低估值股票表现优于高估值 | Book-to-Price, Earnings Yield | Equity L/S funds |
Momentum | 过去赢家继续上涨 | 12M–1M prior return | Stat Arb, CTA |
Size | 小盘 vs 大盘股票 | Market Cap | Equity quant models |
Quality | 盈利稳定、杠杆低 | ROE, Debt/Equity | Smart Beta portfolios |
Volatility | 低波动股票超额收益 | σ of returns | Risk premia |
Carry | 高收益资产 outperform | FX interest diff, bond yield spread | FX / Fixed Income strategies |
Liquidity | 交易活跃度风险溢价 | Turnover, Bid-ask spread | Stress testing |
💡 总结口语句式：
“On the style dimension, we look at value, momentum, size, quality, and carry —these explain performance differences within equity or credit universes.”
另类资产与跨资产因子（Alternative / Cross-Asset Factors）
因子 | 含义 | Proxy / Source | 应用 |
Real Estate Factor | 房地产市场系统风险 | REITs Index Return | Real estate portfolios |
Infrastructure Factor | 基建项目风险 | Infra index / listed infra ETF | Infra funds |
Private Credit Beta | 私募债务市场系统性回报 | BDC index, CLO spreads | Credit strategies |
Inflation / Breakeven | 通胀预期变化 | Breakeven inflation / CPI swaps | Macro inflation hedge |
Energy Transition / ESG | 绿色资产与传统能源的分化 | Clean energy index / oil spread | Thematic strategies |
Searching for Hedge Fund Alpha
- 平均来看：
- Hedge funds 很难产生正的 net alpha
- 扣除 fees 后更明显
- 多数“alpha”：
- 来自 未纳入模型的风险因子
- 不是管理能力
为什么 Hedge Fund Alpha 特别难估？
学界如何“正确”衡量 Hedge Fund Performance？
Fung–Hsieh 七因子模型（必会）
这是学术界衡量 hedge fund performance 的标准工具
七类因子对应三大策略族群
1️⃣ Long–Short Equity
- Market factor（股票市场）
- SMB（Small – Big）
2️⃣ Fixed Income Arbitrage
- 10Y Treasury yield changes
- Credit spread（BAA – Treasury）
3️⃣ Trend Following（CTA）
- Bond trend
- Currency trend
- Commodity trend
（用 lookback straddles 模拟 → 非线性 payoff）
关键认知
Hedge fund “alpha” 很多只是这些因子的暴露
最关键的一刀：Liquidity Risk（必考）
对冲基金策略
重点不是选股票，而是选：
- 哪个 manager 有 alpha
- 哪个策略适合现在的 regime
- 哪些 exposures、beta、style drift 需要监控
- 组合的整体风险怎么平衡
Equity L/S
An Equity L/S fund takes long positions in stocks expected to appreciate and short positions in those expected to decline, aiming to generate alpha independent of broad market direction.
How it makes money
- Stock selection (fundamental or quantitative alpha)
- Sector relative value
- Factor tilts (quality, growth, value, momentum)
Risks
- Equity beta
- Crowding (tech, healthcare)
- Leverage
- Style drift (e.g., value vs growth)
What Corbin evaluates
- Is the manager truly market neutral?
- Does performance rely on equity beta?
- Drawdown behavior in equity selloffs
- Consistency of alpha across regimes
Credit L/S
A Credit L/S fund takes long exposure to undervalued credit and short exposure to deteriorating or mispriced credit.
How it makes money
- Spread tightening
- Capital structure arbitrage
- Distressed/recovery situations
Risks
- Spread beta
- Rate sensitivity
- Liquidity risk
- Event risk
What Corbin evaluates
- Performance during spread-widening episodes
- Exposure to duration and rates
- Degree of illiquidity (smooth returns)
- Tail risk from leveraged credit trades
Global Macro
Macro managers take directional or relative-value positions across interest rates, FX, equities, and commodities based on macroeconomic views.
How it makes money
- Rate cycles
- FX mispricings
- Inflation/regime shifts
- Policy-driven moves
Risks
- Leverage
- Volatility spikes
- Event shocks (policy surprises)
What Corbin evaluates
- Convexity and tail behavior
- Volatility management
- Performance across rate cycles
- Correlation with other macro funds
Relative Value
RV funds exploit pricing discrepancies between similar instruments with limited market directionality.
How it makes money
- Spread convergence
- Statistical arbitrage
- Yield curve trades
- RV in credit/equity/derivatives
Risks
- Leverage
- Crowded trades
- Liquidity risk
- Correlation breakdown during stress
What Corbin evaluates
- Return smoothness (good or a red flag?)
- Tail losses vs “steady returns”
- Exposure to systematic RV factors
- Stability of the Sharpe ratio
Event-driven
Event-driven funds invest around corporate events—mergers, bankruptcies, restructurings, special situations.
How it makes money
- Merger spreads
- Post-bankruptcy recovery
- Spin-offs
- Capital structure changes
Risks
- Deal break risk
- Leverage and liquidity
- Idiosyncratic event outcomes
What Corbin evaluates
- Deal break frequency
- Event timing risk
- Performance in volatile markets
- Exposure concentration
BXMA Multi-Strategy Risk Quant 面试速记表
1️⃣ Equity Long / Short (L/S)
🎯 Definition:
Go long undervalued stocks and short overvalued ones to earn alpha while neutralizing market beta.
⚙️ Key Risk Dimensions:
- Net / Gross Exposure → directional beta risk
- Factor Exposure → style risk (Value, Growth, Momentum)
- Leverage & Liquidity Risk → margin amplification, short squeeze
- Correlation Risk → long and short legs move together under stress
💬 Sample Interview Line:
“Equity L/S risk is mainly driven by style exposure and leverage. I monitor factor betas and correlation spikes to detect hidden concentration risk.”
2️⃣ Global Macro
🎯 Definition:
Trade macroeconomic trends via rates, FX, commodities, and indices, either discretionary or systematic.
⚙️ Key Risk Dimensions:
- Interest Rate Risk → duration, convexity sensitivity
- FX & Commodity Volatility → cross-asset contagion
- Correlation Regime Shift → stock-bond correlation turning positive
- Tail & Geopolitical Risk → event-driven drawdowns
💬 Sample Interview Line:
“Macro strategies require cross-asset risk aggregation — I track duration, FX, and commodity sensitivities and stress them under policy shocks.”
3️⃣ Event-Driven / Merger Arbitrage
🎯 Definition:
Exploit pricing gaps from corporate actions like mergers, spin-offs, restructurings.
⚙️ Key Risk Dimensions:
- Deal Spread Risk → transaction failure or delay
- Idiosyncratic Risk → single-name exposure
- Liquidity Risk → trapped capital before deal close
- Jump / Gap Risk → sudden price changes on announcements
💬 Sample Interview Line:
“In event-driven books, I focus on deal-spread PnL attribution and jump risk — modeling binary outcomes helps estimate tail loss properly.”
4️⃣ Credit & Structured Credit
🎯 Definition:
Capture yield or spread dislocations across corporate bonds, CDS, CLOs, or securitized products.
⚙️ Key Risk Dimensions:
- Credit Spread Risk → widening/narrowing spreads
- Default & Recovery Risk → counterparty / rating shocks
- Liquidity & Model Risk → opaque pricing, valuation uncertainty
- Correlation Risk → loan-pool or tranche correlation under stress
💬 Sample Interview Line:
“Credit portfolios are dominated by spread and liquidity risk. I track spread VaR, default stress, and model uncertainty for structured products.”
5️⃣ Fixed Income Relative Value (RV)
🎯 Definition:
Exploit mispricings along yield curves or between bond vs futures/swaps. Often highly leveraged.
⚙️ Key Risk Dimensions:
- Curve Risk → non-parallel rate shifts
- Basis / Funding Risk → repo and financing cost changes
- Leverage Risk → small spread × big leverage = large tail
- Liquidity Risk → unwind cost during stress
💬 Sample Interview Line:
“RV strategies hinge on curve dynamics and funding costs. As a risk quant I model duration mismatches and leverage amplification effects.”
6️⃣ Quant / Statistical Arbitrage
🎯 Definition:
Use statistical or ML models to find short-term pricing inefficiencies or mean-reversion trades.
⚙️ Key Risk Dimensions:
- Model Risk → signal decay, parameter drift
- Crowding Risk → same signals across funds cause correlated losses
- Execution / Slippage Risk → high-frequency transaction cost impact
- Regime Shift Risk → market structure change breaks correlations
💬 Sample Interview Line:
“For quant strategies, I focus on model stability and crowding. Monitoring signal decay and correlation clustering is key to prevent hidden tail risk.”
📘
Summary Table (Quick Memory Aid)
Strategy | How It Makes Money | Main Risk Drivers |
Equity L/S | Stock mispricing (long undervalued, short overvalued) | Beta, factor, leverage, liquidity |
Global Macro | Macro trends across assets | Duration, FX/commodity, cross-asset correlation |
Event-Driven | Corporate actions & deal spreads | Idiosyncratic, liquidity, jump risk |
Credit / Structured | Yield & spread arbitrage | Spread, default, liquidity, correlation |
Fixed Income RV | Yield curve & basis mispricing | Curve, funding, leverage |
Quant / Stat Arb | Statistical mean reversion | Model, crowding, regime shift |
🧠
一句记忆口诀
L/S 看风格，Macro 看利率，Event 看事件，Credit 看利差，RV 看曲线，Quant 看模型。
是否希望我帮你 生成一份可导入 Notion 的 Markdown 文件 + 可打印 PDF 面试卡版本？
我可以直接输出一份 .md 文件（导入后自动变成 Notion 卡片结构）。
Risk Management & Stress Thinking
1.Quantitative Risk & Return
这是 Portfolio Quant 的核心技能：
✔ Markowitz Portfolio Theory
✔ CAPM / Beta / Factor Risk
✔ Portfolio Optimization
✔ VaR / Expected Shortfall
✔ Risk Regulation (Basel)
✔ GARCH Volatility
FoF 经理、Portfolio PM、Multi-Asset 全都需要：
- 优化组合
- 控制回撤
- 风险预算
- 波动率预测
- 风险因子解释（equity duration, FX beta）
这就是你的核心技能包。
2.VaR / Expected Shortfall
你需要非常熟：
- Historical VaR
- Monte Carlo VaR
- Parametric VaR
- Expected Shortfall（为什么 ES 替代 VaR）
高频问题
- VaR 的假设是什么？
- VaR 的主要缺陷？
- 为什么 ES 更适合 tail risk？
- VaR 和 ES 在 stress market 下的表现差异
追问方向
- 正态假设失效怎么办？
- fat tail 如何处理？
- volatility clustering 怎么影响 VaR？
Value-at-Risk（VaR）
VaR 是什么
为什么 VaR 用“正号”表示？
这是一个常见考点：
- 金融里：亏损 = 负数
- 风险管理 / 巴塞尔框架里：
👉 VaR 用“正数”表示损失规模
所以你会看到：
VaR = +1,000,000而不是 −1,000,000
两种主流 VaR 计算方法（一定要分清）
VaR 的核心局限（必考 / 必问）
👉 VaR 不告诉你：超过 VaR 后会亏多少
也就是说：
- VaR = “门槛”
- 不关心 tail 的深度
因此才有：
Expected Shortfall (ES / CVaR)（这是 VaR 的升级版）
例题
A portfolio has an allocation of 30% in Stock A and 70% in Stock B.
- Stock A has an expected return of 7% and a volatility of 21%.
- Stock B has an expected return of 6% and a volatility of 16%.
- The covariance between the returns of Stocks A and B stands at 0.025
What is the 99%-VaR of the portfolio using the variance-covariance approach?
Expected Shortfall
Expected Shortfall（ES）= 在已经“超过 VaR 的最坏 α% 情况下”，平均会亏多少钱。
对比：
- VaR：我最坏不会亏“超过 X”的概率是 99%
- ES：如果真的进了这 1% 的极端情况，平均要亏多少
和 VaR 的核心区别（必须会说）
正态假设下（Variance–Covariance）ES 的公式（要会用）
在收益服从正态分布时：
你真正需要记住的不是公式，而是：
- ES 比 VaR 一定更大
- ES 对尾部更敏感
历史法（Historical ES）怎么做（非常重要）
步骤只有三步：
- 拿到历史收益，取负号 → 损失序列
- 找到 VaR（99% 分位）
- 只对超过 VaR 的那 1% 损失求平均
一句话总结：
Historical ES = “最坏那 1% 情况的平均亏损”
为什么监管更喜欢 ES（Basel III / FRTB）
监管逻辑很简单：
- VaR：只管“进不进极端区”
- ES：管“进了以后有多惨”
- ES 鼓励分散化
- ES 对 fat tail / crash 更敏感
因此：
ES 是 VaR 的升级版，而不是替代品
ES例题
A portfolio has an allocation of 30% in Stock A and 70% in Stock B.
- Stock A has an expected return of 7% and a volatility of 21%.
- Stock B has an expected return of 6% and a volatility of 16%.
- The covariance between the returns of Stocks A and B stands at 0.025
What is the 99%-Expected Shortfall of the portfolio using the variance-covariance approach?
3.Stress Testing（情景分析与冲击测试）
4.Risk Budgeting / Risk-Based Allocation
FoF 的核心是：
- 每位 sub-manager 风险贡献是多少？
- 每个策略的 marginal risk contribution？
- Portfolio-level leverage 如何调？
Risk budgeting 是这个岗位“真正的核心能力”。
5.Monte Carlo Simulation（核心）
不考代码，考 思想 + 假设：
- 为什么用 Monte Carlo？
- Monte Carlo 的 input 是什么？
- 如何建 joint distribution？
- 如何引入 correlation？
会结合问
- Copula vs correlation
- 为什么 Cholesky 分解？
- volatility 模型如何嵌入 MC？
6.Backtesting（必考）
你要会说：
- 什么是 VaR backtesting
- Kupiec test（POF）
- Christoffersen test（conditional coverage）
重点不是公式，是：
- backtesting 在检什么？
- violation 多了说明什么？
- violation 少是不是一定好？
Volatility & Time Series
Volatility Modeling（必考）
- EWMA
- GARCH（至少 GARCH(1,1)）
- Volatility clustering
- Volatility smile / skew（加分）
典型问题
- 为什么假设 constant volatility 是错的？
- GARCH 的 intuition 是什么？
- 在 crisis 期间 volatility 模型会出什么问题？
Made with Bullet