核心要點
1989年Richard Grinold提出的主動管理基本定律將主動投資組合經理的表現濃縮為一個簡潔的公式：IR = IC x sqrt(BR)。資訊比率（IR）等於衡量預測能力的資訊係數（IC）乘以每年獨立投注數即廣度（BR）的平方根。此後Clarke、de Silva和Thorley引入了傳遞係數（TC），用以捕捉經理將信號轉化為投資組合持倉的效率。該公式揭示了一個嚴酷的數學現實：大多數主動管理經理無法產生足夠的能力或廣度來證明其收費的合理性。
解釋主動管理的公式
1989年，Richard Grinold發表了一篇為投資行業提供了最強大分析框架之一的論文。主動管理基本定律將經理的風險調整後表現還原為兩個可測量組成部分的乘積：你正確的頻率有多高，以及你有多少正確的機會。
Grinold (1989)將其表述為：
IR = IC x sqrt(BR)
其中IR是資訊比率（年化alpha除以追蹤誤差），IC是資訊係數（預測報酬率與實現報酬率之間的相關性），BR是廣度（每年獨立預測機會的數量）。
該公式的力量在於其分解。經理的IR不是一個神秘的單一數字，而是能力與機會的乘積。這種分解立即提出了通往高風險調整後報酬的兩條路徑：在預測方面非常出色（高IC），或進行大量獨立投注（高BR）。
Grinold與Kahn的教科書闡釋
Grinold和Kahn在1999年的教科書Active Portfolio Management中大幅擴展了這一框架。該著作系統化了主動管理經理應如何思考從預測生成到投資組合構建再到績效衡量的整個投資過程。
該教科書闡明了基本定律與夏普比率之間的關係。對於相對基準採取主動持倉的投資組合，IR衡量這些主動投注的效率。更高的IR意味著經理每單位主動風險產生更多的alpha。
Grinold and Kahn (1999)強調，IC在大多數預測任務中通常非常低。報酬率預測與實際後續報酬率有5%相關性、達到IC 0.05的選股者表現已經相當不錯。IC 0.10是例外水準。包括許多高薪專業人士在內的絕大多數預測者的IC接近於零。
這就是廣度變得至關重要的原因。如果IC僅為0.05，則需要巨大的廣度才能產生有競爭力的IR。數學很清晰：
| IC | 廣度 (BR) | sqrt(BR) | 預期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 |
擁有適度能力（IC = 0.05）的選股者主動管理100檔股票可達到預期IR 0.50。擁有顯著更高能力（IC = 0.15）但每年僅有4個獨立投注的總經交易員IR僅為0.30。平方根函數意味著廣度翻倍只能使IR增加約41%，但大量獨立投注的累積效果是強大的。
從Treynor-Black到Grinold
Grinold的框架並非憑空產生。Treynor and Black (1973)已經建立了最適主動投資組合構建的理論基礎。他們的模型展示了如何將被動市場投資組合與根據alpha和殘差風險確定權重的主動持倉相結合。
Treynor-Black模型表明主動持倉的最適權重與其alpha除以殘差變異數成正比，這一原則預示了Grinold框架中基於IC的權重方法。Treynor和Black的核心洞察是，即使適度的選股能力，當應用於多個持倉時，也能創造有意義的投資組合層面價值。
Grinold的貢獻在於將這一直覺形式化為清晰的分解。透過將能力（IC）與機會（BR）分離，他創建了一個經理可以用來診斷自身表現並確定改進方向的框架。
傳遞係數擴展
原始的基本定律假設經理能夠完美執行其預測，將每個信號無約束地轉化為最適投資組合持倉。實際上，經理面臨眾多約束：僅做多限制、產業限制、週轉率限制、稅務考量和交易成本。這些約束降低了信號傳遞的效率。
Clarke, de Silva, and Thorley (2002)引入了傳遞係數（TC）來捕捉這種實施摩擦。擴展的基本定律變為：
IR = TC x IC x sqrt(BR)
TC的範圍從0到1，其中1代表無約束實施，較低的值反映約束對經理信號的稀釋程度。僅做多約束就可以將典型股票投資組合的TC降至約0.6，立即將預期IR削減40%。
| 經理類型 | IC | BR | TC | 預期IR |
|---|---|---|---|---|
| 無約束量化股票 | 0.05 | 500 | 0.90 | 1.01 |
| 僅做多量化股票 | 0.05 | 500 | 0.60 | 0.67 |
| 集中選股者 | 0.08 | 30 | 0.70 | 0.31 |
| 全球總經 | 0.15 | 4 | 0.85 | 0.25 |
| 多空股票 | 0.06 | 200 | 0.80 | 0.68 |
| 市場中性統計套利 | 0.03 | 2000 | 0.95 | 1.27 |
傳遞係數擴展解釋了許多主動管理觀察者注意到的一個謎題：一些具有明顯能力的經理仍然產生平庸的報酬。問題往往不在於信號而在於實施。一位出色的分析師如果被限制在30%產業限制和50%年週轉率的僅做多投資組合中，可能只將其預測信號的40%傳遞到投資組合權重中。
大多數主動管理經理在數學上失敗的原因
基本定律為實證金融中最穩健的發現之一提供了嚴格的解釋：大多數主動管理經理在扣除費用後跑輸基準。數學是無情的。
考慮一個典型的主動管理大型股基金。經理可能以適度的預測能力（IC = 0.05）覆蓋100檔股票，但季度再平衡和持倉之間的相關性將有效廣度降低到每年約50個獨立投注。僅做多約束和其他投資組合限制將TC降至約0.60。預期IR為：
IR = 0.60 x 0.05 x sqrt(50) = 0.21
IR 0.21與典型的4%追蹤誤差意味著年化預期alpha僅為0.84%。扣除0.80%的管理費和0.20%的交易成本後，淨alpha為負。經理儘管擁有真實的、雖然適度的能力，卻在摧毀價值。
這一算術支撐了被動投資的論據。主動管理經理要實現正的淨alpha，需要高IC、高BR、高TC和低費用的某種組合。同時實現所有這些是罕見的。
| 預期IR | 4% TE基準Alpha | 減80 bps費用 | 減20 bps成本 | 淨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% |
實務中的IC測量
IC在理論上看似簡單，但測量是微妙的。IC被定義為經理的預測報酬率（alpha）與隨後實現報酬率之間的相關性。幾個實務挑戰隨之而來。
首先，IC通常以截面方式測量：在每個時間點，將經理的預測與所有證券的後續報酬率進行排名比較。這些截面相關性的時間序列平均值給出經理的IC。對於熟練的量化經理，0.02到0.08是典型值。
其次，IC可能在不同市場體制下顯著變化。價值導向的預測可能在正常市場中顯示IC 0.08，但在動量驅動的上漲行情中顯示負IC。在短期內測量IC會產生雜訊較大的估計值，經理可能在信號恢復之前就放棄了。
第三，IC取決於預測和評估期間的時間範圍。一個月預測對一個月報酬率評估的IC與同一信號對三個月報酬率評估的IC不同。Grinold和Kahn強調IC和BR必須一致定義：如果使用月度預測來測量IC，那麼BR應該計算月度再平衡次數乘以獨立持倉數。
廣度並非你所想
廣度是基本定律中最常被誤解的組成部分。它不僅僅是投資組合中的證券數量。廣度衡量的是每年利用的獨立預測機會數量。
兩個關鍵區別很重要。首先，相關的投注減少有效廣度。持有200檔股票但主要在產業層面下注的經理，其獨立投注數遠少於200。如果每個產業內的持倉高度相關，有效廣度可能更接近產業投注數。
其次，再平衡頻率影響廣度。每月更新預測並交易的經理擁有同一證券池中年度更新經理12倍的廣度。這是附加價值的真正來源：在其他條件相同的情況下，更頻繁的更新增加了利用預測能力的機會。
Buckle（2004）表明，當持倉相關時，廣度的簡單計算可能將預期IR高估2倍以上。有效廣度調整需要估計主動持倉的平均截面相關性，而這一任務本身也會引入估計誤差。
對策略設計的啟示
基本定律對量化策略的設計方式有直接啟示。它提供了分配研究資源和在不同策略方法之間選擇的框架。
在集中的全球總經策略和分散的統計套利策略之間做出決定的團隊可以使用該框架設定最低能力要求。如果總經策略的BR = 10，且需要IR 0.50才能在費用扣除後生存，則所需的IC為：
IC = IR / sqrt(BR) = 0.50 / sqrt(10) = 0.16
這是一個異常高的標準。IC 0.16意味著經理的預測需要與實現結果有16%的相關性，這是極少數總經交易員能夠長期維持的方向性準確度水準。
BR = 1,000的統計套利策略達到同樣的IR目標需要：
IC = 0.50 / sqrt(1000) = 0.016
IC 0.016遠更容易達到。這種不對稱性解釋了過去二十年量化、高廣度策略的成長。數學有利於以適度能力進行大量小型獨立投注的策略，而不利於以所謂的高超能力進行少量大額投注的策略。
擁擠問題
基本定律的一個重要侷限是將IC和BR視為靜態參數。實際上，兩者都是動態的，可能被擁擠所侵蝕。
當多個經理追求相同的信號時，這些信號可用的alpha會衰減。價值等因子可能在1980年代提供了IC = 0.05，但隨著數千億美元流入價值策略，任何單一經理可用的IC下降了。這就是擁擠導致的alpha衰減，基本定律無法直接捕捉。
同樣，當更多經理爭奪相同的廣度時，每個經理可用的有效廣度縮小。200位量化股票經理都交易相同的3,000檔股票，他們集合起來並不擁有一位經理200倍的廣度；他們在爭奪同一個預測機會池。
McLean and Pontiff (2016)記錄了異象報酬在學術發表後下降約32%，表明隨著更多資本追逐已知信號，其可用IC在減少。對於依賴發表後IC為0.03的公開因子的經理，達到IR 0.50所需的廣度增加到近280個獨立投注。
實踐分解練習
為說明該框架，考慮分解一個假設的多空股票基金的表現。
該基金持有150個多頭和100個空頭持倉，按月再平衡。其五年實現IR為0.65。使用基本定律，我們可以估計與此結果一致的IC、BR和TC組合。
假設TC = 0.80（對於具有適度約束的多空基金是合理的），則IC x sqrt(BR)的隱含乘積為：
IC x sqrt(BR) = 0.65 / 0.80 = 0.81
如果有效廣度為每年200個獨立投注（考慮250個持倉的相關性和月度再平衡），則隱含IC為：
IC = 0.81 / sqrt(200) = 0.057
IC 0.057與熟練的量化股票經理一致。這一分解告訴我們，該基金的強勁表現主要來自廣度（月度再平衡的大量獨立持倉）而非非凡的預測能力。如果基金的週轉率約束收緊或持倉數量減半，預期IR將大幅下降。
超越基本公式
基本定律儘管優雅，但包含幾個實務者應該理解的簡化假設。它假設預測在證券和時間段之間是獨立的，IC是恆定的，經理能夠在約束條件下最適地配置持倉。
實際上，預測相關性減少有效廣度，IC因體制而異，交易成本在期望持倉和實際持倉之間製造了楔子。Qian和Hua（2004）以及Ding（2010）的更精密研究開發了放鬆部分假設的廣義版本，但基本框架仍然是思考主動管理最有用的出發點。
基本定律最大的貢獻可能是哲學層面而非公式層面的。它迫使經理和投資者嚴格思考表現的來源。它將對話從「這位經理好嗎？」轉向「這位經理如何產生報酬，這些來源是否可持續？」無論應用於選股者、總經交易員還是系統化量化基金，這種分解仍然是投資管理中最具澄清作用的練習之一。
Written by Sam · Reviewed by Sam
本文基於引用的一手文獻，並經編輯團隊審核以確保準確性和歸屬。 編輯政策.
參考文獻
- 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.