VC基金的回报曲线，呈现幂律分布而不是正态分布的特征大多数VC基金的回报处于长尾曲线的尾部—回报率低、基金数量多，LP投资人无法简单通过投资多个VC基金管理人，就一劳永逸地获得行业平均水平（或以上）的收益，今天小编就来说说关于资产的盘盈盘亏怎么做?下面更多详细答案一起来看看吧!
资产的盘盈盘亏怎么做
VC基金的回报曲线，呈现幂律分布而不是正态分布的特征。大多数VC基金的回报处于长尾曲线的尾部—回报率低、基金数量多，LP投资人无法简单通过投资多个VC基金管理人，就一劳永逸地获得行业平均水平（或以上）的收益。
VC基金的这种幂律曲线分布的特点，会导致整个创投行业的资金和资源严重向头部VC基金管理人和明星创投项目倾斜。同时，竞争的市场是个超级复杂的体系，头部VC和明星项目也是不断动态变化的，这对所有参与者和利益相关者包括LP、GP和创投企业等机构而言，意味着要保持可持续的超额收益，都面临着非常严峻的挑战。
龚咏泉丨母基金周刊特约作者
Jesús Mirón García丨封面
现代资产组合模型与资产配置
“风险越大，预期收益越高”，大概是投资从业人员都耳熟能详的一句话。那么，如何量化地分析和评估收益和风险呢？
收益的评估相对容易，无非就是用投资者实际获得（或预计将获得）的全部收益除以原始投资的比值。
而评估投资风险的量化指标稍微复杂些。先举个例子：假如张三在第一年初投资100元，其回报情况存在以下两种可能情形。
1. 情形一：第一年和第二年底各获得50元现金收入，并在第二年底以100元的价格卖出原始投资。
2. 情形二：第一年底亏损100元，第二年底实现现金盈利200元，并在第二年底以100元的价格卖出原始投资。
上述两种情形，都是以100元的原始投资，在两年内累计获得100元的净收益，但两种情形下收益的波动性大相径庭，换言之，为获得同样的收益水平，情形一的投资人和情形二中的投资人承担了不同程度的风险。
因此，投资风险主要取决于收益的波动性，量化的风险评估指标主要包括标准差和方差，对一个包含多个资产的投资组合（portfolio）来说，相关系数和协方差（correlation 和covariance），也会直接影响投资组合的风险（这两个指标也是计算和评估资产贝塔系数的基础）。
假设一个资产组合中仅有两个资产，资产i和资产j，其方差（风险）的计算公式如下：
Var (portfolio) = Wi2σi 2 Wj2σj2 2 Wi WjPi,j σi σj
上述公式中，W表示相应资产在投资组合中所占的权重，σ表示相应资产收益的标准差， Pi,j表示两个资产之间的相关系数。
显而易见，如果投资组合中不同资产的收益负相关（举个例子：石油期货价格下跌，航空公司的股票通常会上涨，这两种金融产品的相关系数就是负数，即负相关），即Pi,j为负数，则不难推导出以下结论：
Wi2σi 2 Wj2σj2 2 Wi WjPi,j σi σj <= Wi2σi 2 Wj2σj2 2 Wi Wj σi σj <= (Wiσi Wjσj)2
整体投资组合（portfolio）的风险（标准差）一定会小于或者等于组合中单个资产类别的风险（标准差）之和，换言之，多元化的投资组合可以有效降低投资风险。
这个公式是马柯维茨的现代资产组合模型理论(Modern Portfolio Theory)的核心内容之一。在现代金融理论发展史上，马柯维茨第一次将概率论和线性代数的方法应用于投资组合的分析，系统地研究了资产组合（portfolio）的收益和风险，在此基础上建立了“现代资产组合模型”，成为现代金融市场价格理论的支柱。
马柯维茨认为，任意一个资产类别的风险均可拆分为资产组合风险（又称系统性或者市场风险）和非系统性（又称可分散风险）风险两个部分，也就是：
Total risk of individual asset = portfolio risk unsystematic or diversifiable risk 。
如果构建的资产组合足够大而且充分多元化，上述公式中的非系统性风险（unsystematic risk）是可以无限接近甚至等于0的。所以，在构建足够大的投资组合时，投资经理只需要关心单个资产类别对资产组合风险的贡献度，单个资产类别的非系统性风险会被“对冲”或者“分散”。
而单个资产类别对资产组合风险的贡献度，主要与其贝塔系数有关，前面提到过相关性系数和协方差是计算贝塔系数的两个指标，而贝塔系数度量的是单个资产类别在市场组合（market portfolio）发生变化时，该资产类别的变化幅度，以贝塔系数为横坐标的证券市场线（Security Market Line）是资产配置重要的理论。
换言之，按照马科维茨的理论，只要资产组合构建适当，就可以在单位风险水平不变的情况下获得更高收益；或者在收益不变情况下，承担的单位风险却可以更小。
由于其在1952年的这个卓有成效的研究成果，马柯维茨不仅在后来获得了诺贝尔经济学奖，而且也深深地影响了包括耶鲁大学捐赠基金首席投资官大卫·斯文森在内的、众多世界顶级LP管理人的投资思想，成为大型LP（退休金计划、捐赠基金、母基金、保险基金等）进行多元化的资产配置时的支撑理论之一（其他资产配置理论如前述SML线和CAPM模型等，也建立在现代资产组合模型的基础上）。美国于1979年修改“Prudent Man”条款后，这些理论成果直接推动了VC/PE基金作为一种重要的、可以为资产组合带来显著的分散投资效果的资产类别，进入了这些大型机构LP管理人的筛选雷达。
目前市场上也有些母基金，设立了专门投向一级市场的股权甚至聚焦于早期VC基金的产品，按照上述理论，此类产品的风险敞口高度集中在一级市场股权或者VC这种资产类别上，其分散风险的效果，在理论界尚有争议，在实践中仍待验证。当然，VC基金尤其是明星级的VC基金，在全球任何市场都不会向一般投资者开放，因此，此类母基金的确有助于一般投资人获得投资VC基金的机会。
VC基金回报率的幂律分布
幂律分布(Power-law Curve)规律是指：满足于某个具有分布性质的变量，其分布密布函数是幂函数，的分布规律。
不同投资机构（LP）的收益目标、风险偏好、流动性需求、投资期限、适用税率等等因素并不一样，对其适用的最优资产组合必然也不一样，因此，其配置到VC类资产的资金比例和管理人的选择标准也会不一样。
那么，在LP机构做出了投资VC资产类别的决策并确定了配置比例之后，LP投资人能否按照多元和分散化投资的原则，将自己管理的资金无差别地投资到尽可能多的VC基金管理人，以充分获得前述分散投资的好处呢？
答案当然是否定的。制定了大类资产配置策略之后，对不同资产管理人的选择，仍然要受该LP的投资策略约束。举个例子，股票型基金管理人，按不同的维度划分，就可以分为主动型和被动型，价值型和增长型，大盘股和中小盘股等不同的投资策略，LP机构会进一步根据自己的投资策略，选择与之匹配的股票基金管理人。对VC基金管理人的选择也是如此，大型机构LP会根据行业、地区、年份以及投资策略的不同，而有不同的细分资产组合选择方案。
除了投资策略的匹配之外，LP投资人在选择具体VC基金管理人时，还要考虑一个特殊而且特别重要的因素，那就是VC基金回报率的分布图是一条“幂律曲线（Power-Law Curve）”。
我们在日常生活中，经常会遇到正态分布的现象，例如学生考试成绩（中等成绩的学生占多数，特别高分和特别低分的学生占少数），员工考核（Exceptional和below average的占少数，solid和average的占多数）表现、居民家庭收入水平等等。认识到这种正态分布现象的存在，我们就可以利用正态分布规律来制定政策和采取行动，以实现预期利益。举个例子，财富管理公司常常根据大多数客户的共性画像，来制作市场营销宣传手册，吸引和获取客户等等。
VC基金的回报却不服从常见的“正态分布”规律，因此，基于正态分布规律而开发的一些解决方法和工具并不适用于VC投资。
VC基金的回报具有“幂律分布（Power-Law Distribution）”的特征。提到“幂律分布”，可能很多人第一反应就是“长尾效应”，长尾效应是Chris Anderson在其2006年出版的畅销书The Long Tail一书中提到的洞见。Chris Anderson认为，大量非主流、个性化的需求会在需求曲线上面形成一条长长的“尾巴”，而所谓长尾效应就体现在其庞大的总计数量上-将所有非主流市场的需求累加起来，就会形成一个远大于主流市场的巨大市场，只要有办法将这些长尾客户的获取和交付成本降下来，就有机会获得巨大的利润。在互联网时代，利用长尾效应而一举成为行业巨头的例子不胜枚举如。这条著名的“长尾效应”幂律分布曲线图如下所示：
VC的回报率曲线虽然服从幂律分布的规律，但与互联网经济的方法论不同之处在于，在VC世界，即使存在一个可以低成本触达长尾VC基金的渠道，但这些大量的“长尾”VC基金通常回报率很低（甚至亏损），LP们不可能通过大量投资长尾VC基金，就能气定神闲、一劳永逸地实现超额盈利，因此，“长尾效应”中的方法论在VC投资决策过程中的作用，即使不能说一无是处，也是非常有限的。
VC基金回报率的幂律分布示意图，可参考下图：
在上面的示意图中，纵坐标表示回报率（仅为示意图，不代表实际回报率），横坐标表示VC基金管理人的数量。从上图中不难看出，获得高回报率的VC基金数量极少，大多数长尾VC基金的回报率其实很低（或者亏损）。
硅谷著名的创投基金A16Z管理合伙人Scott Kupor在其所著的Secrets of Sand Hill Road: Venture Capital and How to Get It一书中，曾经提到，截至到2017年，VC基金的10年中位数回报率比同期纳斯达克大盘指数还要低1.6%。也就是说，在此期间，如果某个投资者投资于一个或多个仅仅获得了接近于中位数回报率的VC基金管理人，则其相对收益率还不如投资于纳斯达克的指数基金。我们都知道，二级指数基金的流动性很高，几乎与现金相差无几，而VC基金动辄锁定7-10年，其流动性与股票基金有天壤之别。这就好比三年定期存款的利息比活期利息还低，理性的投资人肯定不会选择三年期存款产品。
这种只有少数基金管理人才能获得高回报率的独特现象，说明对VC的投资并不存在一个“阳光普照”或“雨露均沾”奖。LP投资人如果寄希望于大数法则，希望通过押宝多家VC基金管理人，来分散风险获得行业平均回报的话，大概率这个美好的愿望会被无情的现实击碎。押宝多家VC基金管理人，不仅不能确保该LP投资人获得超额回报，恰恰相反，其投资到为数众多的、回报率很低的“长尾”VC基金的概率很大，如果不幸没有投到曲线图中那些数量很少但回报超高的“头部”VC基金，则该LP的投资大概率会跑输大盘。
有意思的是，不仅不同VC基金回报率呈现出幂律分布的特点，单个VC基金自被投企业中获得的回报的分布，也往往会呈现出幂律曲线的特征，也就是说绝大部分VC基金的回报来自于其中少数几个被投项目。
Scott Kupor认为，在任何一个其他职业，如果你的成功概率仅有50%，你可能就面临着被淘汰出局的命运，但VC世界遵从的却是不同于此的游戏规则。如果一个VC基金管理人能从50%的投资项目中收回投资本金或以上的金额（意味着其余50%左右的项目实际上是亏损甚至血本无归的），这个基金管理人就是合格的，不应该被淘汰出局。
在此基础上，如果管理人能从其中30-40%的项目中实现2-3倍回报，则基金大致能确保整体回报率在70-95%--直到此时，管理人仍然无法确保基金获得正的收益。
真正让VC基金获得巨大成功的，是剩余的10-20%的项目。杰出的基金管理人通常能从这10%-20%的投资项目中，获得10-100倍的回报—也就是说不管其他项目盈利与否，这10%-20%少数项目退出后，基金就能实现超额利润。
这种行业收益严重向少数VC和项目倾斜的情况，必然会导致行业的资金和资源抢夺少数头部VC基金和创投项目的投资机会。
但必须指出的是，集中在幂律函数头部的少数VC基金和创投项目名单并不是一成不变的，而是动态变化的。这里面有很多原因，其中原因之一，按照前文提到的资产配置大师-大卫·斯文森的说法，就是少数GP在获得巨大的成功和天量资金的青睐之后，其AUM规模越来越大，LP投资到这种巨无霸GP的成本会越来越高，其投资的领域也会逐渐偏离固有的能力圈，投资策略也会越来越偏向保守，最终沦为另一个资产配置型基金。所以，大卫·斯文森会定期在市场中寻找和培育一些“黑马”GP，支持这些逐渐成长为幂律曲线的头部GP之一。
同样，GP过度竞争去争取获得投资某些创投项目的机会，也会导致这些项目收益率的下降。这种幂律函数头部VC基金会发生变化的现象，更进一步对LP持续保持筛选优秀GP、优化和淘汰失去竞争优势的GP的能力提出了考验。
对现实的含义
马科维茨的资产组合模型理论告诉我们，在构建一个投资组合时，如果有足够多数量和多元化（资产之间的相关系数低或者负相关）的资产类别可供选择，则单个资产类别所特有的风险完全可以被对冲或分散，大型机构LP则有机会在风险不变的情况下实现更高的投资回报，或者在投资回报不变的情况下，降低单位回报所承担的风险。
VC基金已经成为了一个重要资产类别，可以有效帮助机构LP在构建适合自己情况的资产组合时分散风险，或提高收益。目前市场上有些集中投资于一级市场股权产品或者VC基金的母基金，的确帮助普通投资人获得了投资VC基金和未上市公司股权的机会，由于其风险敞口集中于某一类别资产，其分散投资风险的效果尚有待观察。
VC基金的回报曲线，呈现幂律分布而不是正态分布的特征。大多数VC基金的回报处于长尾曲线的尾部—回报率低、基金数量多，LP投资人无法简单通过投资多个VC基金管理人，就一劳永逸地获得行业平均水平（或以上）的收益。
VC基金管理人从被投企业获得的回报也呈现出幂律曲线分布的特点—VC基金管理人从少数明星项目中获得绝大多数的超额回报，剩余大多数早期风投项目能给基金带来的回报水平可能一般，或者亏损甚至血本无归。
VC基金的这种幂律曲线分布的特点，会导致整个创投行业的资金和资源严重向头部VC基金管理人和明星创投项目倾斜。同时，竞争的市场是个超级复杂的体系，头部VC和明星项目也是不断动态变化的，这对所有参与者和利益相关者包括LP、GP和创投企业等机构而言，意味着要保持可持续的超额收益，都面临着非常严峻的挑战。
参考文献：
1. Ross/Westerfield/Jaffe. 2005. Corporate Finance. McGraw –Hill International Edition
2. Anderson, Chris. 2006. The Long Tail. HYPERION
3. Kupor, Scott.2019. Secrets of Sand Hill Road. Portfolio/Penguin
4. Swensen, David. 2008. Pioneering Portfolio Management. Free Press
*本文仅代表作者观点。
