KNOWECON WIKI

ARTICLE

半方差

半方差 (Semivariance) 半方差（Semivariance）是金融风险管理和投资组合理论中衡量下行风险（downside risk）的核心指标。与经典方差（variance）对称地惩罚正负偏离不同，半方差仅度量收益率低于某一参考水平（通常为均值或目标收益率）的偏离程度，从而更精准地捕捉投资者对损失的关注。半方差的概念最早由马科维茨（Markowi

浏览 0 更新 2025-11-09

半方差 (Semivariance)

半方差（Semivariance）是金融风险管理和投资组合理论中衡量下行风险（downside risk）的核心指标。与经典方差（variance）对称地惩罚正负偏离不同，半方差仅度量收益率低于某一参考水平（通常为均值或目标收益率）的偏离程度，从而更精准地捕捉投资者对损失的关注。半方差的概念最早由马科维茨（Markowitz）在其1959年的著作中系统提出，作为对方差作为风险度量的一种改进，后经Sortino等人发展为完整的下行风险度量框架。

定义与数学表述

设资产或投资组合的收益率序列为 R1,R2,…,RnR_1, R_2, \ldots, R_n，设定参考收益率（target return）为 τ\tau。则下半方差（lower semivariance）定义为：

SVτ=1n∑i=1n[min⁡(Ri−τ,0)]2SV_{\tau} = \frac{1}{n} \sum_{i=1}^{n} \left[\min(R_i - \tau, 0)\right]^2

当参考收益率取样本均值 Rˉ=1n∑i=1nRi\bar{R} = \frac{1}{n}\sum_{i=1}^{n} R_i 时，得到均值半方差：

SVmean=1n∑i=1n[min⁡(Ri−Rˉ,0)]2SV_{\text{mean}} = \frac{1}{n} \sum_{i=1}^{n} \left[\min(R_i - \bar{R}, 0)\right]^2

若以零为参考点（τ=0\tau = 0），则半方差仅捕获负收益率的平方均值。半方差的平方根称为下行标准差（downside deviation），在索提诺比率中作为风险调整分母。

形式上，半方差可以统一表达为期望形式：对于随机收益率 RR 和参考水平 τ\tau，

SVτ(R)=E[(min⁡(R−τ,0))2]=∫−∞τ(r−τ)2 fR(r) drSV_{\tau}(R) = \mathbb{E}\left[(\min(R - \tau, 0))^2\right] = \int_{-\infty}^{\tau} (r - \tau)^2 \, f_R(r) \, dr

其中 fRf_R 为收益率的概率密度函数。

与方差的关系及优劣比较

方差度量所有偏离均值的平方平均，隐含地将上行惊喜与下行损失同等对待。然而，行为经济学中的损失厌恶（loss aversion）表明，投资者对损失的敏感度远高于等额收益。半方差通过非对称的处理方式弥补了这一缺陷：上行偏离（即实际收益高于目标收益）对半方差的贡献为零。

两者之间存在精确分解关系。设总体方差为 σ2\sigma^2，则：

σ2=SVmean+UVmean\sigma^2 = SV_{\text{mean}} + UV_{\text{mean}}

其中 UVmeanUV_{\text{mean}} 为上半方差（upper semivariance），定义为：

UVmean=1n∑i=1n[max⁡(Ri−Rˉ,0)]2UV_{\text{mean}} = \frac{1}{n} \sum_{i=1}^{n} \left[\max(R_i - \bar{R}, 0)\right]^2

当收益率分布对称时（如正态分布），SVmean=UVmean=12σ2SV_{\text{mean}} = UV_{\text{mean}} = \frac{1}{2}\sigma^2，半方差与方差成比例，两者排名一致。然而当分布偏斜时，半方差能揭示方差所掩盖的下行风险差异——正偏资产（如期权策略中的多头组合）的半方差可能远小于方差，而负偏资产（如信用风险集中的债券）的半方差可能接近甚至超过方差。

均值-半方差优化与投资组合理论

马科维茨的均值-方差优化框架以方差为风险度量，但其隐含的正态假设和对上行波动的无差别处理一直是争议焦点。均值-半方差框架将其替换为：

min⁡w  SVτ(wTR)s.t.E[wTR]≥μ0,∑wi=1\min_{\mathbf{w}} \; SV_{\tau}(\mathbf{w}^T \mathbf{R}) \quad \text{s.t.} \quad \mathbb{E}[\mathbf{w}^T \mathbf{R}] \ge \mu_0, \quad \sum w_i = 1

其中 w\mathbf{w} 为权重向量，μ0\mu_0 为目标期望收益。由于半方差函数不可微（min函数在零点不可导），直接求解存在数值困难。实践中通常采用以下方法：（1）引入辅助变量将问题转化为二次规划加不等式约束；（2）使用启发式算法如遗传算法进行优化；（3）通过非参数方法，直接从历史数据中构建经验下半协方差矩阵。

半方差优化得到的有效前沿通常位于经典的均值-方差有效前沿下方偏右位置——因为前者对下行风险施加了更严格的惩罚，相同收益水平下要求更高的风险补偿。当资产收益服从多元正态分布时，两者重合；偏离正态性越远，差异越显著。

索提诺比率与下行风险度量体系

半方差直接衍生出索提诺比率（Sortino Ratio），由 Frank Sortino 于1994年提出。索提诺比率将夏普比率中的标准差替换为下行标准差：

Sortino Ratio=E[R]−τSVτ\text{Sortino Ratio} = \frac{\mathbb{E}[R] - \tau}{\sqrt{SV_{\tau}}}

其中 τ\tau 通常取为无风险利率或最低可接受收益率（MAR, Minimum Acceptable Return）。索提诺比率仅惩罚下行波动，上行波动被视为"好的波动"，因而被认为更符合投资者的真实偏好。在对冲基金和另类投资评估中，索提诺比率应用尤为广泛，因为这些策略的收益率分布常呈现显著的偏度和厚尾特征。

此外，与半方差同属下行风险度量体系的指标还包括在险价值（VaR）、期望亏空（Expected Shortfall）和下偏矩（Lower Partial Moments, LPM）。其中下偏矩是半方差的推广：kk 阶下偏矩定义为 E[(max⁡(τ−R,0))k]\mathbb{E}[(\max(\tau - R, 0))^k]，半方差对应于 k=2k=2 的情形。

经济意义与行为基础

半方差背后的行为逻辑根植于前景理论：人在收益区域表现为风险规避，在损失区域表现为风险寻求，且损失带来的心理效用损失约为等额收益的2至2.5倍。半方差将风险定义为"未能达到目标的偏离"，这一定义与机构投资者（如养老金基金和保险公司）的负债驱动型投资目标天然契合——其核心关切不是收益的波动性本身，而是资产价值能否覆盖未来的支付义务。

在实证层面，使用半方差替代方差作为风险度量，往往会导致投资组合向正偏资产倾斜，降低极端损失事件（尾部风险）的暴露。这一特性在2008年全球金融危机后受到广泛重视，半方差和索提诺比率逐渐成为机构投资者风险报告中与夏普比率并列的标准指标。

尽管半方差在理论上具有明显优势，其在实际应用中仍面临若干挑战。首先是估计精度问题：半方差仅利用收益率分布的下半部分信息，有效样本量减少，在小样本下估计误差可能大于方差。其次是优化计算的复杂性：下半协方差矩阵的非线性特征使得大规模投资组合的优化求解不如均值-方差框架高效。第三是参考水平的选择具有主观性——不同目标收益率下的半方差排名可能存在差异。尽管如此，随着计算能力的提升和下行风险管理理念的普及，半方差及其衍生指标正逐步从学术研究走向行业实践的主流。