核心要点
1989年Richard Grinold提出的主动管理基本定律将主动投资组合经理的表现浓缩为一个简洁的公式：IR = IC x sqrt(BR)。信息比率（IR）等于衡量预测能力的信息系数（IC）乘以每年独立投注数即广度（BR）的平方根。此后Clarke、de Silva和Thorley引入了传递系数（TC），用以捕捉经理将信号转化为投资组合持仓的效率。该公式揭示了一个严酷的数学现实：大多数主动管理经理无法产生足够的能力或广度来证明其收费的合理性。
解释主动管理的公式
1989年，Richard Grinold发表了一篇为投资行业提供了最强大分析框架之一的论文。主动管理基本定律将经理的风险调整后表现还原为两个可测量组成部分的乘积：你正确的频率有多高，以及你有多少正确的机会。
Grinold (1989)将其表述为：
IR = IC x sqrt(BR)
其中IR是信息比率（年化alpha除以跟踪误差），IC是信息系数（预测收益率与实现收益率之间的相关性），BR是广度（每年独立预测机会的数量）。
该公式的力量在于其分解。经理的IR不是一个神秘的单一数字，而是能力与机会的乘积。这种分解立即提出了通往高风险调整后收益的两条路径：在预测方面非常出色（高IC），或进行大量独立投注（高BR）。
Grinold与Kahn的教科书阐释
Grinold和Kahn在1999年的教科书Active Portfolio Management中大幅扩展了这一框架。该著作系统化了主动管理经理应如何思考从预测生成到投资组合构建再到绩效衡量的整个投资过程。
该教科书阐明了基本定律与夏普比率之间的关系。对于相对基准采取主动持仓的投资组合，IR衡量这些主动投注的效率。更高的IR意味着经理每单位主动风险产生更多的alpha。
Grinold and Kahn (1999)强调，IC在大多数预测任务中通常非常低。收益率预测与实际后续收益率有5%相关性、达到IC 0.05的选股者表现已经相当不错。IC 0.10是例外水平。包括许多高薪专业人士在内的绝大多数预测者的IC接近于零。
这就是广度变得至关重要的原因。如果IC仅为0.05，则需要巨大的广度才能产生有竞争力的IR。数学很清晰：
| IC | 广度 (BR) | sqrt(BR) | 预期IR |
|---|---|---|---|
| 0.05 | 10 | 3.2 | 0.16 |
| 0.05 | 50 | 7.1 | 0.35 |
| 0.05 | 100 | 10.0 | 0.50 |
| 0.05 | 500 | 22.4 | 1.12 |
| 0.10 | 10 | 3.2 | 0.32 |
| 0.10 | 50 | 7.1 | 0.71 |
| 0.10 | 100 | 10.0 | 1.00 |
| 0.15 | 4 | 2.0 | 0.30 |
| 0.15 | 10 | 3.2 | 0.47 |
| 0.15 | 50 | 7.1 | 1.06 |
拥有适度能力（IC = 0.05）的选股者主动管理100只股票可达到预期IR 0.50。拥有显著更高能力（IC = 0.15）但每年仅有4个独立投注的宏观交易员IR仅为0.30。平方根函数意味着广度翻倍只能使IR增加约41%，但大量独立投注的累积效果是强大的。
从Treynor-Black到Grinold
Grinold的框架并非凭空产生。Treynor and Black (1973)已经建立了最优主动投资组合构建的理论基础。他们的模型展示了如何将被动市场投资组合与根据alpha和残差风险确定权重的主动持仓相结合。
Treynor-Black模型表明主动持仓的最优权重与其alpha除以残差方差成正比，这一原则预示了Grinold框架中基于IC的权重方法。Treynor和Black的核心洞察是，即使适度的选股能力，当应用于多个持仓时，也能创造有意义的投资组合层面价值。
Grinold的贡献在于将这一直觉形式化为清晰的分解。通过将能力（IC）与机会（BR）分离，他创建了一个经理可以用来诊断自身表现并确定改进方向的框架。
传递系数扩展
原始的基本定律假设经理能够完美执行其预测，将每个信号无约束地转化为最优投资组合持仓。实际上，经理面临众多约束：仅做多限制、行业限制、换手率限制、税务考虑和交易成本。这些约束降低了信号传递的效率。
Clarke, de Silva, and Thorley (2002)引入了传递系数（TC）来捕捉这种实施摩擦。扩展的基本定律变为：
IR = TC x IC x sqrt(BR)
TC的范围从0到1，其中1代表无约束实施，较低的值反映约束对经理信号的稀释程度。仅做多约束就可以将典型股票投资组合的TC降至约0.6，立即将预期IR削减40%。
| 经理类型 | IC | BR | TC | 预期IR |
|---|---|---|---|---|
| 无约束量化股票 | 0.05 | 500 | 0.90 | 1.01 |
| 仅做多量化股票 | 0.05 | 500 | 0.60 | 0.67 |
| 集中选股者 | 0.08 | 30 | 0.70 | 0.31 |
| 全球宏观 | 0.15 | 4 | 0.85 | 0.25 |
| 多空股票 | 0.06 | 200 | 0.80 | 0.68 |
| 市场中性统计套利 | 0.03 | 2000 | 0.95 | 1.27 |
传递系数扩展解释了许多主动管理观察者注意到的一个谜题：一些具有明显能力的经理仍然产生平庸的收益。问题往往不在于信号而在于实施。一位出色的分析师如果被限制在30%行业限制和50%年换手率的仅做多投资组合中，可能只将其预测信号的40%传递到投资组合权重中。
大多数主动管理经理在数学上失败的原因
基本定律为实证金融中最稳健的发现之一提供了严格的解释：大多数主动管理经理在扣除费用后跑输基准。数学是无情的。
考虑一个典型的主动管理大盘股基金。经理可能以适度的预测能力（IC = 0.05）覆盖100只股票，但季度再平衡和持仓之间的相关性将有效广度降低到每年约50个独立投注。仅做多约束和其他投资组合限制将TC降至约0.60。预期IR为：
IR = 0.60 x 0.05 x sqrt(50) = 0.21
IR 0.21与典型的4%跟踪误差意味着年化预期alpha仅为0.84%。扣除0.80%的管理费和0.20%的交易成本后，净alpha为负。经理尽管拥有真实的、虽然适度的能力，却在摧毁价值。
这一算术支撑了被动投资的论据。主动管理经理要实现正的净alpha，需要高IC、高BR、高TC和低费用的某种组合。同时实现所有这些是罕见的。
| 预期IR | 4% TE基准Alpha | 减80 bps费用 | 减20 bps成本 | 净Alpha |
|---|---|---|---|---|
| 0.15 | 0.60% | -0.20% | -0.40% | -0.40% |
| 0.25 | 1.00% | 0.20% | 0.00% | 0.00% |
| 0.35 | 1.40% | 0.60% | 0.40% | 0.40% |
| 0.50 | 2.00% | 1.20% | 1.00% | 1.00% |
| 0.75 | 3.00% | 2.20% | 2.00% | 2.00% |
| 1.00 | 4.00% | 3.20% | 3.00% | 3.00% |
实务中的IC测量
IC在理论上看似简单，但测量是微妙的。IC被定义为经理的预测收益率（alpha）与随后实现收益率之间的相关性。几个实务挑战随之而来。
首先，IC通常以截面方式测量：在每个时间点，将经理的预测与所有证券的后续收益率进行排名比较。这些截面相关性的时间序列平均值给出经理的IC。对于熟练的量化经理，0.02到0.08是典型值。
其次，IC可能在不同市场体制下显著变化。价值导向的预测可能在正常市场中显示IC 0.08，但在动量驱动的上涨行情中显示负IC。在短期内测量IC会产生噪声较大的估计值，经理可能在信号恢复之前就放弃了。
第三，IC取决于预测和评估期间的时间范围。一个月预测对一个月收益率评估的IC与同一信号对三个月收益率评估的IC不同。Grinold和Kahn强调IC和BR必须一致定义：如果使用月度预测来测量IC，那么BR应该计算月度再平衡次数乘以独立持仓数。
广度并非你所想
广度是基本定律中最常被误解的组成部分。它不仅仅是投资组合中的证券数量。广度衡量的是每年利用的独立预测机会数量。
两个关键区别很重要。首先，相关的投注减少有效广度。持有200只股票但主要在行业层面下注的经理，其独立投注数远少于200。如果每个行业内的持仓高度相关，有效广度可能更接近行业投注数。
其次，再平衡频率影响广度。每月更新预测并交易的经理拥有同一证券池中年度更新经理12倍的广度。这是附加价值的真正来源：在其他条件相同的情况下，更频繁的更新增加了利用预测能力的机会。
Buckle（2004）表明，当持仓相关时，广度的简单计算可能将预期IR高估2倍以上。有效广度调整需要估计主动持仓的平均截面相关性，而这一任务本身也会引入估计误差。
对策略设计的启示
基本定律对量化策略的设计方式有直接启示。它提供了分配研究资源和在不同策略方法之间选择的框架。
在集中的全球宏观策略和分散的统计套利策略之间做出决定的团队可以使用该框架设定最低能力要求。如果宏观策略的BR = 10，且需要IR 0.50才能在费用扣除后生存，则所需的IC为：
IC = IR / sqrt(BR) = 0.50 / sqrt(10) = 0.16
这是一个异常高的标准。IC 0.16意味着经理的预测需要与实现结果有16%的相关性，这是极少数宏观交易员能够长期维持的方向性准确度水平。
BR = 1,000的统计套利策略达到同样的IR目标需要：
IC = 0.50 / sqrt(1000) = 0.016
IC 0.016远更容易达到。这种不对称性解释了过去二十年量化、高广度策略的增长。数学有利于以适度能力进行大量小型独立投注的策略，而不利于以所谓的高超能力进行少量大额投注的策略。
拥挤问题
基本定律的一个重要局限是将IC和BR视为静态参数。实际上，两者都是动态的，可能被拥挤所侵蚀。
当多个经理追求相同的信号时，这些信号可用的alpha会衰减。价值等因子可能在1980年代提供了IC = 0.05，但随着数千亿美元流入价值策略，任何单一经理可用的IC下降了。这就是拥挤导致的alpha衰减，基本定律无法直接捕捉。
同样，当更多经理争夺相同的广度时，每个经理可用的有效广度缩小。200位量化股票经理都交易相同的3,000只股票，他们集合起来并不拥有一位经理200倍的广度；他们在争夺同一个预测机会池。
McLean and Pontiff (2016)记录了异象收益在学术发表后下降约32%，表明随着更多资本追逐已知信号，其可用IC在减少。对于依赖发表后IC为0.03的公开因子的经理，达到IR 0.50所需的广度增加到近280个独立投注。
实践分解练习
为说明该框架，考虑分解一个假设的多空股票基金的表现。
该基金持有150个多头和100个空头持仓，按月再平衡。其五年实现IR为0.65。使用基本定律，我们可以估计与此结果一致的IC、BR和TC组合。
假设TC = 0.80（对于具有适度约束的多空基金是合理的），则IC x sqrt(BR)的隐含乘积为：
IC x sqrt(BR) = 0.65 / 0.80 = 0.81
如果有效广度为每年200个独立投注（考虑250个持仓的相关性和月度再平衡），则隐含IC为：
IC = 0.81 / sqrt(200) = 0.057
IC 0.057与熟练的量化股票经理一致。这一分解告诉我们，该基金的强劲表现主要来自广度（月度再平衡的大量独立持仓）而非非凡的预测能力。如果基金的换手率约束收紧或持仓数量减半，预期IR将大幅下降。
超越基本公式
基本定律尽管优雅，但包含几个实务者应该理解的简化假设。它假设预测在证券和时间段之间是独立的，IC是恒定的，经理能够在约束条件下最优地配置持仓。
实际上，预测相关性减少有效广度，IC因体制而异，交易成本在期望持仓和实际持仓之间制造了楔子。Qian和Hua（2004）以及Ding（2010）的更复杂研究开发了放松部分假设的广义版本，但基本框架仍然是思考主动管理最有用的出发点。
基本定律最大的贡献可能是哲学层面而非公式层面的。它迫使经理和投资者严格思考表现的来源。它将对话从"这位经理好吗？"转向"这位经理如何产生收益，这些来源是否可持续？"无论应用于选股者、宏观交易员还是系统化量化基金，这种分解仍然是投资管理中最具澄清作用的练习之一。
Written by Sam · Reviewed by Sam
本文基于引用的一手文献，并经编辑团队审核以确保准确性和归属。 编辑政策.
参考文献
- Grinold, R. C. (1989). The Fundamental Law of Active Management. Journal of Portfolio Management, 15(3), 30-37. https://doi.org/10.3905/jpm.1989.409211
- Grinold, R. C., & Kahn, R. N. (1999). Active Portfolio Management: A Quantitative Approach for Producing Superior Returns and Controlling Risk. McGraw-Hill. https://doi.org/10.1007/978-1-4757-3250-9
- Treynor, J. L., & Black, F. (1973). How to Use Security Analysis to Improve Portfolio Selection. Journal of Business, 46(1), 66-86. https://doi.org/10.1086/295508
- Clarke, R., de Silva, H., & Thorley, S. (2002). Portfolio Constraints and the Fundamental Law of Active Management. Financial Analysts Journal, 58(5), 48-66. https://doi.org/10.2469/faj.v58.n5.2468
- McLean, R. D., & Pontiff, J. (2016). Does Academic Research Destroy Stock Return Predictability? Journal of Finance, 71(1), 5-32. https://doi.org/10.1111/jofi.12365
- Buckle, D. (2004). How to Calculate Breadth: An Evolution of the Fundamental Law of Active Portfolio Management. Journal of Asset Management, 4(6), 393-405.
- Qian, E., & Hua, R. (2004). Active Risk and Information Ratio. Journal of Investment Management, 2(3), 1-15.