1. 从“感觉”到“数字”：为什么我们需要度量风险厌恶

在金融市场的日常决策里，我们经常听到“我比较保守”或者“他更愿意冒险”这样的说法。这背后其实是一个核心概念：风险厌恶。它描述的是投资者在面对不确定性时，对风险的排斥程度。但“保守”和“冒险”只是模糊的定性描述，就像说“这杯水有点烫”一样，缺乏一个统一的、可比较的标尺。在严谨的金融经济学分析中，尤其是在资产定价、投资组合理论以及衍生品定价等领域，我们必须将这种主观感受量化，这就是风险厌恶程度度量的核心任务。

王江老师教材的第七章，正是搭建了这座从“感觉”通往“数字”的桥梁。它系统地介绍了如何用数学工具来刻画一个投资者的风险偏好，并定义了衡量其风险厌恶程度的指标。理解这一章，不仅仅是应付考试，更是理解现代金融理论基石的关键。无论是构建一个最优投资组合，还是为一份期权合约定价，其背后的模型都严重依赖于对投资者风险厌恶程度的假设和度量。可以说，不会度量风险厌恶，就无法真正理解资产价格是如何形成的。

本章内容承上启下，它建立在期望效用理论（将不确定下的选择转化为期望效用最大化问题）之上，又为后续的资产定价模型（如CAPM）提供了关键的微观基础。本章的核心，就是引入并深入剖析几个核心的风险厌恶度量指标：绝对风险厌恶系数、相对风险厌恶系数，以及风险容忍度。我们将逐一拆解它们的定义、经济含义、计算方式以及在实践中的应用场景与局限。

2. 效用函数：风险偏好的数学化身

在度量风险厌恶之前，我们必须先有一个能够刻画投资者偏好的数学模型，这就是效用函数。效用函数将不同数量的财富（或消费）映射为一个“满意度”数值。在不确定环境下，投资者追求的是期望效用最大化，而非期望财富最大化。

2.1 效用函数的基本性质与风险厌恶的诞生

一个典型的用于分析风险问题的效用函数，通常假设是递增且凹的。递增意味着“多多益善”——财富越多，效用越高。凹性则是风险厌恶的数学根源。

什么是凹性？直观理解，就是函数图像向上凸起（像一座山的轮廓）。数学上，对于凹函数，其二阶导数小于零。凹性导致了一个关键现象：确定性等值低于期望值。

让我们用一个简单例子说明。假设你有50%的概率获得100元，50%的概率获得0元。那么期望财富是50元。对于一个风险厌恶者来说，这个有风险的赌局带来的“满意度”（期望效用），可能只相当于确定性地获得40元带来的效用。这40元就是该赌局的确定性等值。确定性等值（40元）与期望值（50元）之间的差额（10元），被称为风险溢价——这是投资者为了规避风险而愿意放弃的期望收益。

注意：这里容易产生一个误解，认为风险溢价是投资者要求为承担风险而获得的“额外补偿”。更准确的理解是，它是投资者为了避免风险而“愿意支付的代价”。在资产定价中，它表现为无风险资产与风险资产期望收益率之间的差额。

2.2 几种常见的效用函数形式

为了进行具体的度量和计算，理论中常采用一些特定形式的效用函数。王江教材中重点讨论的有：

1. 负指数效用函数：u(W) = -e^(-aW)，其中a > 0，W为财富。

   • 特点：绝对风险厌恶系数为常数a。这意味着无论投资者的财富水平如何变化，他对固定金额风险的态度不变。这在某些简化分析中非常方便。
   • 计算示例：若a=0.01，财富W=100，则效用u(100) = -e^(-0.01*100) ≈ -0.3679。对于前述50%概率得100，50%概率得0的赌局，期望效用为0.5*u(100) + 0.5*u(0) = 0.5*(-0.3679) + 0.5*(-1) ≈ -0.6839。通过求解-e^(-0.01*CE) = -0.6839，可得确定性等值CE ≈ 38.3元。风险溢价为50 - 38.3 = 11.7元。

2. 幂效用函数：u(W) = (W^(1-γ))/(1-γ)，当γ ≠ 1；当γ=1时，为对数效用函数u(W) = ln(W)。

   • 特点：相对风险厌恶系数为常数γ。这意味着投资者对财富比例变动的风险态度是稳定的，更符合许多实证观察。
   • 计算示例：采用对数效用u(W)=ln(W)，γ=1。对于同样的赌局，期望效用为0.5*ln(100) + 0.5*ln(0)。这里遇到问题：ln(0)无定义。这说明对数效用函数对“破产”（财富为0）是无限厌恶的，在实际应用中需注意其定义域。若将0替换为一个极小值如0.01，则期望效用≈ 0.5*4.605 + 0.5*(-4.605) = 0。求解ln(CE)=0，得CE=1元。这个极端的例子展示了函数形式对结果的巨大影响。

3. 二次效用函数：u(W) = W - (b/2)W^2，其中b>0。

   • 特点：计算简单，早期理论中使用较多。但它有一个致命缺陷：在财富超过一定值（1/b）后，效用随财富增加而下降，这不符合经济直觉（“多多益善”）。因此，现代金融理论中已较少使用。

选择哪种效用函数，取决于模型的需要和要突出的经济含义。常数绝对风险厌恶（CARA）的负指数函数便于分析，但常数相对风险厌恶（CRRA）的幂函数更贴近现实。

3. 核心度量指标：ARA、RRA与风险容忍度

有了效用函数，我们就可以定义精确的风险厌恶度量指标了。这是本章最核心的技术内容。

3.1 绝对风险厌恶系数

绝对风险厌恶系数衡量的是投资者对绝对金额风险的厌恶程度。其定义为：A(W) = -u''(W) / u'(W)其中，u'(W)是效用函数的一阶导数（边际效用），u''(W)是二阶导数。

• 为什么是这个形式？分母u'(W)是边际效用，用于标准化，使得度量不受效用函数线性变换的影响（效用函数在正仿射变换下偏好顺序不变）。分子-u''(W)是关键：u''(W) < 0代表函数是凹的，即风险厌恶。u''(W)的绝对值越大，函数“弯”得越厉害，风险厌恶程度越高。因此-u''(W)直接捕捉了“凹性”的强度。
• 经济含义：A(W)越大，表明投资者为了规避一个给定的、固定金额的风险（例如，是否参与一个赌注为100元的公平赌局），所要求的风险溢价越高，或者说愿意支付的保费越高。
• 计算与比较：
  • 对于负指数效用u(W) = -e^(-aW)，u'(W) = a * e^(-aW),u''(W) = -a^2 * e^(-aW)。代入公式得A(W) = -(-a^2 e^(-aW)) / (a e^(-aW)) = a。常数绝对风险厌恶。
  • 对于幂效用u(W) = (W^(1-γ))/(1-γ)，u'(W) = W^(-γ),u''(W) = -γW^(-γ-1)。代入得A(W) = -(-γW^(-γ-1)) / (W^(-γ)) = γ / W。可见，绝对风险厌恶随财富W增加而递减。这意味着富人比穷人更不害怕一个固定金额的损失，这符合直觉。

3.2 相对风险厌恶系数

相对风险厌恶系数衡量的是投资者对财富比例风险的厌恶程度。其定义为：R(W) = W * A(W) = -W * u''(W) / u'(W)

• 为什么需要RRA？在金融投资中，我们更常关心的是投资回报率，即财富的百分比变化，而非绝对的元、角、分。投资10万元亏损1万元，和投资100万元亏损1万元，虽然绝对损失相同，但风险感受完全不同。RRA度量的正是对后一种比例风险的厌恶。
• 经济含义：R(W)越大，投资者越不愿意承受其财富比例的波动。这直接影响其资产配置决策：一个高RRA的投资者，会将更大比例的财富配置于无风险资产（如国债），而非股票等高风险资产。
• 计算与比较：
  • 对于负指数效用：R(W) = W * a。相对风险厌恶随财富递增。这意味着越富有的人，反而越害怕财富比例损失？这与许多实证研究不符，是负指数效用的一个局限。
  • 对于幂效用：R(W) = W * (γ / W) = γ。常数相对风险厌恶。这是幂效用函数被广泛使用的主要原因，它假设投资者的资产配置比例（如股票占财富的百分比）不随其总财富变化而变化，这与很多长期投资建议和部分实证现象相符。
  • 对于对数效用（γ=1）：R(W) = 1。这是一个特例，称为“单位相对风险厌恶”。

3.3 风险容忍度

风险容忍度是风险厌恶的倒数，定义更为直观：T(W) = 1 / A(W) = -u'(W) / u''(W)

• 经济含义：它直接衡量投资者可以“容忍”的风险量。在有些高级金融模型（如连续时间金融）中，使用风险容忍度比使用风险厌恶系数在数学处理上更为方便。
• 与财富的关系：对于幂效用，A(W) = γ/W，因此T(W) = W/γ。风险容忍度与财富成正比，且系数为1/γ。这意味着投资者的风险资产投资金额（在CRRA下）大致与其财富成正比，比例系数由风险容忍度决定。

4. 度量指标的应用、估计与常见误区

理解了定义，我们来看看这些度量如何在理论和实践中发挥作用，以及需要注意哪些问题。

4.1 在经典理论中的应用

1. 资产配置（静态问题）：在均值-方差框架下，投资者最优风险资产组合的权重与他的风险容忍度成正比，与风险资产的方差成反比。具体地，对于单一风险资产，最优投资金额 ≈(期望超额收益率 / 方差) * T(W)。这清晰地展示了风险容忍度的核心作用：风险容忍度越高（即风险厌恶越低），投在风险资产上的钱就越多。
2. 消费-投资决策（动态问题）：在默顿的跨期资产配置模型中，投资者的消费率和资产配置比例直接由其相对风险厌恶系数γ决定。例如，在CRRA效用下，最优股票投资比例与γ成反比。
3. 资产定价：在基于消费的资本资产定价模型（CCAPM）中，资产的超额收益率与消费增长的协方差成正比，比例系数就是代表性消费者的相对风险厌恶系数。γ在这里成为了连接宏观经济波动与资产价格的核心参数。

4.2 如何估计现实中的风险厌恶系数？

这是一个极具挑战的实证问题。常见方法有：

• 实验经济学方法：在可控实验室中，让受试者进行一系列赌博选择，根据其选择反推其效用函数形状和风险厌恶参数。
• 问卷调查法：直接询问投资者在不同情境下的选择，但可能存在言行不一的问题。
• 基于市场数据的推断：
  • 股权溢价之谜：这是最著名的应用。历史数据显示，股票市场的长期平均超额收益率（股权溢价）远高于经典模型（如CRRA效用下的CCAPM）所能解释的水平。要匹配观察到的股权溢价，需要假设投资者的相对风险厌恶系数γ高得离谱（通常大于10），这意味着投资者极度风险厌恶，这与许多其他市场现象和直觉不符。这个“谜题”推动了金融学数十年的研究。
  • 保险购买行为：通过观察人们愿意为各类保险支付多少保费（保费与期望赔偿的差额即风险溢价），可以反推其绝对风险厌恶系数。
  • 资产配置数据：观察不同财富群体或个人的实际资产配置比例（如股票、债券、存款的比例），在给定模型下反推其平均RRA。

4.3 实操中的注意事项与常见误区

1. 系数非恒定：无论是ARA还是RRA，在现实中都未必是常数。它们可能随财富水平、年龄、健康状况、经济周期甚至近期投资损益（“赌场资金效应”）而变化。模型中的常数假设是为了简化，在实际应用（如为高净值客户做资产配置）时，需要意识到其局限性。
2. 背景风险的影响：上述度量通常假设投资者只面临金融市场的风险。但实际上，个人还面临人力资本风险（失业、伤病）、经营风险等“背景风险”。这些不可交易的风险会提高投资者在金融市场上的有效风险厌恶程度，使其表现得比仅基于金融财富度量的结果更为保守。
3. 模型风险：极度依赖效用函数的形式。如果你错误地假设了效用函数形式（例如，用CARA函数去拟合一个本质上是CRRA的行为），那么估计出的风险厌恶系数将严重失真。在实际的量化投资模型开发中，对效用函数形式的检验和选择是一个重要步骤。
4. 区分风险厌恶与损失厌恶：经典的风险厌恶理论基于最终财富水平。但行为金融学发现，人们更关注相对于某个参考点（如买入价）的损益，并且对损失的痛苦感远大于等量收益带来的快乐（损失厌恶）。这导致了诸如前景理论等更复杂的模型。在解释一些市场异象（如处置效应）时，需要引入这些概念，而非单纯使用传统的风险厌恶系数。

5. 一个综合案例：为不同投资者设计资产配置方案

假设我们是一家财富管理公司的分析师，需要为两位客户提供初步的资产配置建议。我们通过问卷和访谈，粗略估计了他们的风险厌恶参数。

• 客户A（年轻高管，35岁）：风险承受能力问卷显示其偏好较高风险，投资目标为长期增值。我们将其模型化为一个相对风险厌恶系数γ=2的CRRA投资者。当前金融财富W=500万。
• 客户B（退休教授，65岁）：风险承受能力问卷显示其极度保守，首要目标是保值。我们将其模型化为γ=8的CRRA投资者。当前金融财富W=800万。

市场数据如下：无风险收益率rf=3%，某股票指数基金（代表风险资产）的预期年化收益率E(r)=10%，年化波动率σ=20%。

在简单的静态均值-方差框架下，对于CRRA投资者，其投资于该风险资产的最优比例ω*近似为：ω* ≈ [E(r) - rf] / (γ * σ^2)

让我们进行计算：

• 风险资产的超额收益率（风险溢价）为：10% - 3% = 7% = 0.07
• 方差为：(20%)^2 = 0.04

对于客户A（γ=2）：ω*_A ≈ 0.07 / (2 * 0.04) = 0.07 / 0.08 = 0.875即，建议将约87.5%的金融资产配置于股票指数基金，剩余12.5%配置于无风险资产。

对于客户B（γ=8）：ω*_B ≈ 0.07 / (8 * 0.04) = 0.07 / 0.32 = 0.21875即，建议将约21.9%的金融资产配置于股票指数基金，剩余78.1%配置于无风险资产或债券类低风险资产。

这个计算清晰地展示了风险厌恶系数γ如何直接、定量地影响资产配置的核心决策。客户B的γ是客户A的4倍，其风险资产配置比例也大致降为1/4。

注意：这是一个极度简化的示例。实际中还需要考虑：

1. 客户是否有非金融资产（如房产）？是否有人力资本（未来收入）？这些都应视为低风险或风险资产纳入整体考量。
2. 客户是否有流动性需求（如近期计划购房）？这会影响其有效投资期限和风险承受能力。
3. 模型假设收益服从正态分布，且投资者只关心均值和方差。现实中分布可能具有“厚尾”特征，且投资者可能更害怕极端损失。
4. 我们使用的是静态单期模型，而实际投资是动态过程。跨期对冲等考虑会修正配置比例。

尽管如此，这个案例说明了风险厌恶度量从理论公式走向实际应用的桥梁作用。它迫使我们将模糊的“保守”或“激进”转化为一个具体的数字，从而为后续的量化分析、产品匹配和风险控制提供了起点。

6. 超越传统：对风险厌恶度量前沿的思考

传统的风险厌恶度量框架虽然强大，但面对复杂的金融市场和人类行为，仍显不足。在实际工作中，我体会到必须对其保持开放且批判的态度。

首先，风险态度是情境依赖的。同一个人，在牛市和熊市、在盈利和亏损状态下，其表现出的风险厌恶程度可能截然不同。这催生了“局部风险厌恶”的概念，以及行为金融中的“前景理论”，其中风险态度由价值函数在参考点处的曲率决定，且损失区域的曲率远大于收益区域。

其次，风险厌恶与模糊厌恶。传统模型处理的是“风险”——已知概率分布的不确定性。但现实中更多是“模糊”——概率分布本身未知的不确定性。大量实验表明，人们通常更加厌恶模糊。在模型不确定性很高的市场环境中（如金融危机期间、或面对全新金融产品时），投资者的行为可能更多地由模糊厌恶驱动，而非传统风险厌恶。

最后，从实操角度看，与其追求一个精确不变的γ，不如建立一个动态评估体系。对于投资顾问而言，定期通过情景分析、压力测试问卷、以及回顾客户在面对市场真实波动时的反应和行为（例如，在2020年3月市场暴跌时是否恐慌性赎回），来动态调整对其风险承受能力的评估，比依赖一次问卷得到的静态γ值要可靠得多。风险厌恶度量模型提供了一个优秀的理论框架和思考起点，但最终的投资决策必须结合深刻的市场理解、客户的具体情境以及持续的动态沟通。