多資產分散投資真的有用嗎？21 年實測：看得到、量不到、還會被 2022 咬一口

摘要

[提出: Claude]

很多人聽過「分散投資是免費的午餐」，於是把錢分成好幾份：股票、黃金、債券、海外、房地產。聽起來很穩。但這真的有用嗎？我們用 21 年（2004-2026）的真實數據，把 5 種資產（美股、黃金、長債、海外股、REIT）拆成 7 種不同配置，跑了 5,371 個交易日的回測，得到一個誠實但不浪漫的答案： 分散看得到一點點幫助，但小到統計上根本量不出來，而且 2022 那年它狠狠咬了你一口。 

你以為的多資產 vs 真相

打開任何一本理財書，「分散到多種資產」幾乎是聖經級的建議。從巴菲特的 90/10 到 Ray Dalio 的全天候組合（All Weather），都建議「不要把雞蛋放在同一個籃子」。

我們把這個直覺認真測一次。對照組是最簡單的  50/50（一半美股 SPY、一半黃金 GLD） ——很多研究都顯示這個簡單組合很難打敗。我們設計 7 個更「分散」的版本，從加一個資產（長債 TLT）一路加到  5 個資產等權重持有 。

下面這張圖是核心結果：每個配置的 21 年 Sharpe 比率（衡量風險調整後報酬，數字越大越好）。 紅色線段 是統計學上的 95% 信賴區間，可以理解為「這個 Sharpe 真實的範圍大概在哪裡」。

數字看起來很漂亮：

五資產等權比 50/50 高了  0.20 Sharpe ，風險平價（讓每個資產對總風險貢獻一樣）甚至高了  0.29 。看起來，分散真的有用！

 但仔細看紅色線段，4 個重點組合（A_50/50、B_TLT、D_4 資產、F_5 資產等權）的 bootstrap 95% 信賴區間幾乎完全重疊 （bootstrap CI 僅對這 4 個 key portfolio 計算，C/E/G/H 與 risk parity 變體無 CI artifact）。這意思是：在嚴格的統計門檻下，我們 沒辦法說 「五資產等權真的比 50/50 好」。差距小到可能只是運氣。

為什麼差距「看得到但量不到」？

我們把 21 年資料切成 5 個獨立年份視窗（2010、2013、2016、2019、2022，每段約 252 交易日），分別檢查多資產組合是否每段都贏 50/50。結果： 0/7 個配置通過 Harvey-style |t|>3.0 門檻 （每個子期間做 paired t-test，再用 Harvey-style absolute threshold 把雜訊邊緣的 marginal-p 排除）。

⚠️ 這不是 Bonferroni / Holm / FDR / MCS 的正式 multiple-testing correction，而是 absolute-t threshold approach（Harvey, Liu, Zhu 2016 提出的「金融研究若不要追逐雜訊，p<0.05 不夠，必要時 |t|>3.0」門檻）。實作層 raw p-value 上 4/7 組合 vs 50/50 在 full-period DM 是 p<0.05；本文之所以給「0/7」結論，是因為跨期間 paired-t 加 Harvey threshold 後沒人通過，這是更保守的口徑，但 不能寫成「正式多重比較校正」 。

換句話說：分散看起來能多賺 0.2 個 Sharpe，但 這個改善的訊號強度，比不上市場本身的隨機波動 。如果你只看到一個漂亮的回測數字就跳進去，你買的不是「分散紅利」，你買的是「過去 21 年剛好這樣排的運氣」。

這不是說多資產分散沒用。它真的有貢獻，只是貢獻量級小，大概比 50/50 多 1-2 個百分點的年化夏普，而現實世界的隨機性大到把這點優勢淹沒。

2022 那一巴掌：分散不是免費的午餐

如果到這裡你覺得「至少分散沒壞處吧」，2022 升息年會給你一個下馬威。

那年 Fed 史上最快升息，債券和股票 同時下跌 ——傳統「股債負相關」的劇本徹底失靈。下圖是各組合在 2022 整年的表現：

簡單的 50/50 那年只小虧（Sharpe -0.12）； 加了 20% 長債的「更分散」組合反而崩到 Sharpe -0.79、回撤近 20% 。五資產等權更慘，Sharpe -0.98。

5 個獨立年份視窗裡，2022 是唯一一次 只有 1/7 個多資產配置打贏 50/50  的年份。長債在升息週期變成毒藥，而 2022 的所有「分散」都是更深地踩進這個毒藥裡。

這不是 K 線圖上看不到的細節，這是寫在每個多資產投資人 2022 帳戶裡的真實傷口。

那哪個資產真的有幫到忙？

我們做了一個邊際分析：在 50/50 基礎上 只多加 10%  的某個資產（變 45/45/10），看 Sharpe 改善多少。

VNQ（不動產）邊際貢獻最大，每加 10% 給 Sharpe +0.064。EFA（海外股）次之；TLT（長債）邊際幫助最小。

而看跨期間的穩定度， EFA 是 5 個獨立年份視窗裡表現最一致的 ——多數時候穩穩地比 50/50 好一點點。VNQ 也不錯但波動大。TLT 最不穩，2022 年災難性下跌。

給投資人的誠實結論

1.  多資產分散有用，但不是大用 ：21 年數據顯示加 3-5 個資產比 50/50 多賺 ~0.2 Sharpe（年化大約 1-2% 風險調整後報酬），但小到統計上量不出來。
2.  如果一定要分散，優先選 EFA 或 VNQ，不要 All-in TLT ：海外股和 REIT 比長債更可靠。長債在升息週期會背叛你，而 2022 已經示範過一次。
3.  不要因為「看起來分散」就買「更多資產」 ：5 資產等權在 2022 比 50/50 還慘。資產數量 ≠ 真分散。
4.  50/50 SPY/GLD 是非常難打敗的基準 ：簡單到讓人不安，但 21 年數據和統計檢定都站在它這邊。

如果你覺得這篇文章不像理財雜誌那麼樂觀，對，這就是研究誠實。多資產分散的好處是真實的，但小到值得我們用平靜的口氣討論，而不是當成「免費午餐」推銷。

延伸閱讀

• 4 資產全天候組合測了 20 年：還是打不贏簡單的 50/50
• 5 資產全天候 VT：Sharpe 升、CAGR 降、回撤砍半 — 一個誠實的取捨故事

本文基於實驗 K549（腳本：experiments/k549/k549_multi_asset_expansion.py，結果：experiments/k549/k549_multi_asset_expansion_results.json）。資產：SPY / GLD / TLT / EFA / VNQ；數據來源：yfinance；期間：2004-11-18 ~ 2026-03-27，共 5,371 個交易日；統計檢定：full-period DM-HLN（vs 50/50 benchmark）、4 個 key portfolio 的 bootstrap 95% CI、5 個獨立年份視窗（2010/2013/2016/2019/2022，各 ~252 交易日）的 paired-t Harvey-style |t|>3.0 threshold。

⚠️  時序假設 ：VT 權重使用同期 VIX_t 決定當日 return_t 的曝險，未做 shift(1) lag。所有組合同用此慣例， 跨組合相對排序 有參考性；但 絕對 Sharpe / MDD / 報酬 magnitude 不應視為可即時複製的實盤結果 ——實盤需用 t-1 資訊決定 t 部位，會有 1-day 落後與週末 / 假日不對稱。