# Beta (贝塔系数)

🟢入门

## 一句话解释
贝塔系数（Beta）是衡量单一资产或投资组合相对于整个市场的波动性的指标，用于量化其系统性风险。

## 详细解释

### 背景与原理
贝塔系数是资本资产定价模型（CAPM）的核心参数之一，该模型描述了系统性风险与资产预期回报之间的关系。从统计学上讲，贝塔是通过将特定资产的回报率与整个市场（通常由一个广泛的市场指数，如标普500指数代表）的回报率进行线性回归分析得出的。回归线的斜率即为贝塔系数。

一个贝塔值为 1.0 意味着该资产的价格波动与市场同步。若贝塔值大于 1.0，则表示该资产的波动性大于市场，例如，贝塔为 1.2 的股票在市场上涨 10% 时，理论上会上涨 12%。反之，若贝塔值小于 1.0，则表示其波动性小于市场。负贝塔值则表示资产的走势与市场相反。

### 计算公式
贝塔系数的计算公式如下：

```latex
\beta_a = \frac{\text{Cov}(r_a, r_m)}{\text{Var}(r_m)}
```

其中：
- `\beta_a` 是资产 `a` 的贝塔系数
- `r_a` 是资产 `a` 的回报率
- `r_m` 是市场 `m` 的回报率
- `\text{Cov}(r_a, r_m)` 是资产 `a` 的回报率与市场回报率的协方差
- `\text{Var}(r_m)` 是市场回报率的方差

### 计算示例
假设我们有以下数据：
- 市场在过去一年的方差 `\text{Var}(r_m)` 为 0.025。
- 某只股票 A 的回报率与市场回报率的协方差 `\text{Cov}(r_a, r_m)` 为 0.035。

那么，股票 A 的贝塔系数计算如下：

`\beta_A = 0.035 / 0.025 = 1.4`

这个结果表明，股票 A 的价格波动性比整个市场高出 40%。

## 在量化交易中的应用
1.  **风险管理与对冲**：量化交易员使用贝塔来构建市场中性策略。通过做多低贝塔的资产并同时做空高贝塔的资产（或市场指数期货），策略师可以试图抵消市场整体波动带来的风险，从而专注于从个别资产的非系统性风险（Alpha）中获利。
2.  **因子模型构建**：在多因子模型中，市场贝塔是解释资产回报的最基本和最重要的因子之一。量化分析师通过分析资产对市场贝塔以及其他因子（如规模、价值、动量等）的暴露度，来理解和预测其回报来源和风险特征。
3.  **配对交易**：在配对交易策略中，交易员会寻找两只贝塔系数相近且历史上价格走势高度相关的股票。当两只股票的价格差偏离其历史均值时，交易员会买入被低估的股票并卖出被高估的股票，期望价差回归正常水平时获利。相似的贝塔是确保这对股票对市场风险有相似反应的基础。
4.  **投资组合构建**：根据投资者的风险偏好，量化模型可以主动选择特定贝塔值的股票来构建投资组合。例如，寻求低风险稳健回报的投资者可能会偏好贝塔值低于 1 的股票组合，而能够承受更高风险以换取更高潜在回报的投资者则可能选择贝塔值高于 1 的股票组合。

## 数据规格

| 属性 | 说明 |
|---|---|
| 数据类型 | float |
| 取值范围 | 通常在 -2.0 到 3.0 之间，但理论上无限制 |
| 单位 | 无量纲 |
| 更新频率 | 每日/每周/每月（取决于计算所用的历史数据长度和频率） |
| 典型数据源 | Bloomberg, Refinitiv, Wind, 各大金融数据服务商 |

## 常见误解
1.  **误解**：贝塔衡量的是总风险。
    **正确理解**：贝塔只衡量系统性风险，即市场风险，它不包括公司特有的非系统性风险（如管理决策、新产品发布失败等）。总风险是系统性风险和非系统性风险的总和。
2.  **误解**：高贝塔的股票总是更好的投资。
    **正确理解**：高贝塔意味着高波动性和高潜在回报，但同时也意味着高风险。在市场下跌时，高贝塔的股票通常会跌得更惨。投资选择应基于风险承受能力和市场预期，而非单纯追求高贝塔。
3.  **误解**：贝塔是一个恒定不变的数值。
    **正确理解**：贝塔是基于历史数据计算的，它会随着时间的推移而变化。公司的基本面发生变化（如业务转型、大规模并购）或市场环境改变都可能导致其贝塔值发生显著变化。

## 相关名词
- `[Alpha](./Alpha.md)`
- `[资本资产定价模型 (CAPM)](./CAPM.md)`
- `[系统性风险](./Systematic_Risk.md)`
- `[夏普比率 (Sharpe Ratio)](./Sharpe_Ratio.md)`

## 深入阅读
- `[资本资产定价模型详解](./CAPM_Deep_Dive.md)`
- `[因子投资入门](./Factor_Investing_Intro.md)`