KNOWECON WIKI

ARTICLE

超额收益

超额收益 (Excess Return) 超额收益 (Excess Return) 是指某一资产或投资组合的实际收益率超过某一基准收益率 (Benchmark Return) 的部分。基准的选择取决于分析目标：可以是无风险利率、市场组合收益率（如 CAPM 中的市场收益率）、某一基准指数（如 沪深300 或 S\&P 500）的收益率，也可以是与投资策略相匹

浏览 4 更新 2026-06-25

超额收益 (Excess Return)

超额收益 (Excess Return) 是指某一资产或投资组合的实际收益率超过某一基准收益率 (Benchmark Return) 的部分。基准的选择取决于分析目标：可以是无风险利率、市场组合收益率（如 CAPM 中的市场收益率）、某一基准指数（如 沪深300 或 S\&P 500）的收益率，也可以是与投资策略相匹配的风格基准。超额收益是投资绩效评价的核心指标，也是现代资产定价理论的经验基础。

超额收益的基本公式为：

Rtexcess=Rt−RtbenchmarkR^{\text{excess}}_t = R_t - R^{\text{benchmark}}_t

其中 RtR_t 为资产在第 tt 期的收益率，RtbenchmarkR^{\text{benchmark}}_t 为同期基准收益率。当基准为无风险利率 rfr_f 时，超额收益即为风险溢价 (Risk Premium)；当基准为市场组合收益 RmR_m 时，超额收益反映资产超越市场的表现。

超额收益、Alpha 与定价模型

超额收益与 Alpha（α\alpha）密切相关但并非同一概念。在 资本资产定价模型 (CAPM) 框架下，资产的期望收益由证券市场线 (SML) 给出：

E[Ri]=rf+βi(E[Rm]−rf)E[R_i] = r_f + \beta_i \left(E[R_m] - r_f\right)

其中 βi\beta_i 为资产 ii 的系统性风险暴露，E[Rm]−rfE[R_m] - r_f 为市场风险溢价。资产的已实现超额收益可分解为承担系统性风险的合理补偿与 Jensen's Alpha：

Ri−rf=αi+βi(Rm−rf)+εiR_i - r_f = \alpha_i + \beta_i (R_m - r_f) + \varepsilon_i

此处 αi\alpha_i（Jensen's Alpha）衡量经过风险调整后的真实超额表现：αi>0\alpha_i > 0 意味着资产或管理人在承担相同系统性风险下获得了超越均衡预期收益的回报，即存在异常收益 (Abnormal Return)。若市场有效（有效市场假说），αi\alpha_i 在统计上应不显著异于零。

在多因子模型框架下（如 Fama-French三因子模型、Carhart四因子模型），超额收益被分解为多个风险因子的补偿加上 Alpha：

Ri−rf=αi+βi,M(Rm−rf)+βi,SMBSMB+βi,HMLHML+εiR_i - r_f = \alpha_i + \beta_{i,M} (R_m - r_f) + \beta_{i,\text{SMB}} \text{SMB} + \beta_{i,\text{HML}} \text{HML} + \varepsilon_i

Alpha 的估计值和统计推断高度依赖于所选因子模型的设定——因子遗漏 (Omitted Factor) 或因子构造偏差可能导致虚假的"超额收益"发现。

超额收益的计算与度量

算术超额收益与几何超额收益

nn 期内的平均超额收益有两种计算方式：

算术平均超额收益：

Rˉarithexcess=1n∑t=1n(Rt−Rtbenchmark)\bar{R}^{\text{excess}}_{\text{arith}} = \frac{1}{n} \sum_{t=1}^{n} (R_t - R^{\text{benchmark}}_t)

几何平均超额收益（复合超额收益）：

Rˉgeomexcess=[∏t=1n(1+Rt)]1/n−[∏t=1n(1+Rtbenchmark)]1/n\bar{R}^{\text{excess}}_{\text{geom}} = \left[\prod_{t=1}^{n} (1 + R_t)\right]^{1/n} - \left[\prod_{t=1}^{n} (1 + R^{\text{benchmark}}_t)\right]^{1/n}

算术平均适用于预测单期超额收益；几何平均更准确反映长期复合增值效果。当收益率序列波动较大时，算术平均值系统性高于几何平均值（Jensen不等式）。

累计超额收益 (Cumulative Excess Return, CER)

用于事件研究 (事件研究法) 等场景：

CER[T1,T2]=∏t=T1T2(1+Rt)−∏t=T1T2(1+Rtbenchmark)\text{CER}_{[T_1, T_2]} = \prod_{t=T_1}^{T_2} (1 + R_t) - \prod_{t=T_1}^{T_2} (1 + R^{\text{benchmark}}_t)

在事件窗口内累积超额收益用于检验特定事件（如盈利公告、并购重组、政策变动）对资产价格的冲击效应。

风险调整后的超额收益指标

由于超额收益的原始值未考虑获得该收益所承担的风险，实践中广泛应用风险调整指标：

  1. 夏普比率 (Sharpe Ratio)：单位总风险（标准差）的超额收益。 \[ \text{Sharpe} = \frac{\bar{R}_i - r_f}{\sigma_i} \] 适用于衡量未充分分散化投资组合的绩效。
  2. Treynor比率 (Treynor Ratio)：单位系统性风险（β\beta）的超额收益。 \[ \text{Treynor} = \frac{\bar{R}_i - r_f}{\beta_i} \] 适用于已充分分散化的投资组合，仅惩罚不可分散风险。
  3. 信息比率 (Information Ratio)：单位跟踪误差 (Tracking Error) 的主动超额收益。 \[ \text{IR} = \frac{\bar{R}_i - \bar{R}_b}{\sigma(R_i - R_b)} \] 衡量主动管理人相对于基准的主动管理能力，是评价指数增强和主动基金的核心指标。
  4. Sortino比率 (Sortino Ratio)：使用下行标准差替代总标准差，仅惩罚下行波动。

统计推断与数据窥探

超额收益的统计显著性检验通常基于 tt 检验：

t=RˉexcessSE(Rexcess)×nt = \frac{\bar{R}^{\text{excess}}}{\text{SE}(R^{\text{excess}})} \times \sqrt{n}

其中 SE(Rexcess)\text{SE}(R^{\text{excess}}) 为超额收益的标准误。若 ∣t∣>tcrit|t| > t_{\text{crit}}，拒绝"真实超额收益为零"的零假设。实践中需注意以下问题：

  1. 联合检验问题：多因子模型下 Alpha 的显著性检验需考虑因子载荷估计误差，通常使用 Gibbons-Ross-Shanken (GRS) 检验。
  1. 数据窥探偏差 (Data Snooping Bias)：若研究者反复尝试不同因子模型设定和样本区间直到找到"显著" Alpha，则报告 pp 值严重下偏。应采用 Bonferroni校正、Bootstrap 模拟或样本外检验缓解该问题。
  1. 非正态性：金融收益率常呈现厚尾和偏态特征，标准 tt 检验可能失真，可使用 Bootstrap 方法或稳健标准误。

超额收益的来源：理论解释

超额收益若持续为正，可能来自以下三种（非互斥的）来源：

  1. 风险补偿：承担了已识别或未识别的系统性风险。例如 价值溢价 (Value Premium) 和规模溢价 (Size Premium) 被 Fama-French 解释为基本面风险的补偿。
  2. 市场摩擦与行为偏差：流动性溢价、套利限制 (Limits to Arbitrage)、投资者情绪和过度反应等行为金融因素导致错误定价，精明投资者可从中获利直至错误定价消失。
  3. 信息优势与技能：主动管理人通过基本面分析、另类数据或量化策略获取信息优势和执行优势，产生真正的 Alpha。但完全竞争下此类优势会随管理规模扩大而衰减。

与相关概念的关系

  • Alpha：经过风险因子调整后的超额收益，是超额收益在风险模型下的残差。超额收益是原始概念，Alpha 是模型依赖概念。
  • 风险溢价 (Risk Premium)：当基准为无风险利率时，超额收益即为风险溢价，是对承担风险的预期补偿。
  • 跟踪误差 (Tracking Error)：超额收益序列的标准差，衡量超额收益的波动性。
  • 主动收益 (Active Return)：投资组合收益减去基准指数收益，是超额收益在相对收益框架中的等价术语。

应用场景与局限性

超额收益在以下领域具有核心地位：基金绩效评价（晨星评级体系）、对冲基金策略评估、因子投资中的因子溢价识别、事件研究中异常波动的检测、以及薪酬激励中的业绩基准设定。

主要局限性：基准选择的主观性（不同的基准导致截然不同的超额收益估计）；幸存者偏差 (Survivorship Bias) 导致数据库中的基金超额收益被高估；历史超额收益不能可靠预测未来表现（均值回归）；以算术平均而非几何平均计算时忽略波动率拖累 (Volatility Drag) 效应，可能高估长期复合增值能力。

综上，超额收益是投资分析中最直观但也最容易被误用的指标之一。在学术研究中，必须通过严谨的多因子风险调整和统计推断来区分真正的 Alpha 与运气或风险补偿。在实践中，应结合多种风险调整指标综合判断投资绩效，避免"只看收益不看风险"的决策陷阱。