2.5 分年度与滚动窗口：曲线"平均"的谎言¶

"成立以来年化 25%" —— 这句话可能藏着 5 年的真相，也可能藏着 5 年的谎言。

这一章讲为什么单一汇总数字永远不够，必须分段看 + 滚动看。

一、为什么"汇总数字"是骗术温床¶

1.1 平均值的"幸存者"陷阱¶

经典案例：

某产品成立 5 年，累计收益 +150%（年化 ≈ 20%）。

看起来很好对吗？

但分年度看：

年份	收益
2019	+80%
2020	+60%
2021	-10%
2022	-15%
2023	+5%
2024	+5%

实际： - 2019-2020 两年贡献全部超额（+188%） - 2021-2024 四年累计 -16% - 如果你 2020 年底买入，至今亏损

汇总数字 +150% 隐藏了"近 4 年实际是负收益"的事实。

1.2 几何平均 vs 算术平均的"魔术"¶

算术平均：直接相加除以年数。 几何平均：考虑复利。

实例：

年份	收益
1	+50%
2	-50%
3	+50%
4	-50%

算术平均 = (50-50+50-50)/4 = 0%
几何平均 = (1.5×0.5×1.5×0.5)^(1/4) - 1 = (0.5625)^(1/4) - 1 ≈ -13.4%

算术平均说"打平"，实际复利亏 41%！

纪律：只看几何平均（即"年化收益"，注意定义）。

1.3 "成立以来"的样本陷阱¶

销售惯用话术："我们成立以来年化 18%。"

陷阱： - 成立时间长短未提（可能 6 个月，可能 6 年） - 成立时点未提（牛市开局 vs 熊市开局，差异巨大） - 关键转折点未提（中间是否有大回撤）

正确处理： - 必看完整时间序列 - 必看分年度数据 - 必看滚动窗口数据

二、分年度分析（Year-by-Year Breakdown）¶

2.1 严格定义¶

分年度收益：每个自然年度的收益率。

为什么必须分年度： - 不同年份的市场环境不同 - 一个真正稳健的策略应该跨越多个市场环境 - 单一年份的爆发可能是运气，多年的一致才是能力

2.2 分年度对比的"必看维度"¶

实战展示模板：

年份	产品收益	沪深300	偏股基金指数	同类排名	备注
2019	?	+37%	+45%	?	成长股牛市
2020	?	+27%	+60%	?	核心资产暴涨
2021	?	-5%	+8%	?	风格切换年
2022	?	-22%	-22%	?	熊市
2023	?	-11%	-10%	?	震荡熊市
2024	?	+15%	+12%	?	小盘行情

评估维度： 1. 绝对收益：每年是不是正？ 2. 相对沪深 300 的超额：每年都跑赢吗？ 3. 相对偏股基金指数的超额：跑赢主动管理同行吗？ 4. 同类排名：每年都在前 30%？ 5. 风格穿越：在不同风格年份都能维持？

2.3 分年度判断的"四类管理人画像"¶

画像 1：稳健型（FOF 最爱）¶

年份	产品	排名
2019	+52%	30%
2020	+63%	40%
2021	+12%	35%
2022	-18%	30%
2023	-8%	35%
2024	+18%	25%

特征： - 每年都不"惊艳"，但每年都跑在中位之上 - 跨越牛熊都能 deliver - 真正的长跑选手

画像 2：赛道赌徒型（避开）¶

年份	产品	排名
2019	+85%	5%
2020	+90%	5%
2021	-25%	95%
2022	-35%	90%
2023	+5%	50%
2024	-15%	80%

特征： - 几年神 + 几年差 - 累计可能不错（被 2019-2020 拉起来） - 实际是赌赛道（重仓白酒/医药/CXO，赛道反转就死） - 不能买

画像 3：风格漂移型（深度尽调）¶

年份	产品	排名	重仓行业
2019	+50%	30%	消费
2020	+70%	35%	消费+医药
2021	+15%	30%	消费+科技
2022	-15%	50%	科技+新能源
2023	+12%	40%	新能源+TMT
2024	+20%	35%	TMT+小盘

特征： - 业绩看起来稳定 - 但重仓行业一直在变 - 是"哪个赛道涨买哪个"的高级追涨 - 需要追问：是真正的能力圈扩展，还是无脑追涨？

画像 4：单年度神迹型（警惕）¶

年份	产品	排名
2019	+30%	50%
2020	+200%	1%
2021	-10%	60%
2022	-25%	60%
2023	-5%	50%
2024	+10%	40%

特征： - 一年神迹（+200% 排名前 1%） - 其他年份平庸 - 累计被那一年拉起 - 本质是 2020 年踩中风口（如 ChatGPT/新能源） - 那一年的 alpha 不可复制 - 绝对不投

2.4 元烨实战的分年度判断（虚拟示例）¶

如果某管理人发来分年度数据：

2020: +25%
2021: +18%
2022: -8%
2023: +15%
2024: +30%

第一步：对照基准（沪深300 / 偏股基金）。 第二步：计算每年超额。 第三步：看一致性。 第四步：追问每年的策略环境 + 决策。

判断： - 如果 2022 年超额 +14%（同期偏股基金 -22% 而该产品 -8%），是真控制力 - 如果 2022 年同类排名前 30%，是策略稳定性

三、滚动窗口分析（Rolling Window Analysis）¶

3.1 严格定义¶

滚动窗口：用固定长度的时间窗口（如 12 个月），逐月（或逐日）滚动计算指标。

示例：滚动 12 个月年化收益

窗口 1：2020-01 ~ 2020-12，年化 X1%
窗口 2：2020-02 ~ 2021-01，年化 X2%
窗口 3：2020-03 ~ 2021-02，年化 X3%
...

得到一个时间序列的指标，反映指标的稳定性。

3.2 为什么滚动窗口比"成立以来"重要¶

"成立以来"汇总数字的问题： - 隐藏中间过程 - 受样本期影响巨大 - 平均值掩盖极端

滚动窗口的优势： - 看到业绩稳定性 - 看到最差时段的真实表现 - 看到最近趋势（业绩是改善还是衰减）

3.3 滚动窗口的"长度选择"¶

滚动 3 个月¶

适合：观察短期波动
缺点：噪声大，容易过度反应
用途：监控当前管理人状态

滚动 12 个月¶

适合：评估"近期实力"，FOF 行业最常用
优点：覆盖完整年度周期
用途：考核管理人 + 决策加减仓

滚动 36 个月¶

适合：评估长期实力
优点：跨越多个市场环境
用途：决策长期重仓

滚动 60 个月¶

适合：评估资深管理人的真实能力
优点：跨越完整经济周期
用途：决策核心配置

3.4 滚动窗口的"四个关键看"¶

(a) 滚动均值¶

滚动 12 个月年化收益的均值 —— 反映长期实力。

(b) 滚动最低值¶

滚动 12 个月年化收益的最低值 —— 反映"最差时段"。

实例： - 滚动 12 个月年化收益均值 +15% - 滚动 12 个月年化收益最低值 -8% - 说明历史上有过持续 12 个月亏损 8% 的"坏时段"

LP 心理：最低值才是 LP 真正会赎回的时点。

(c) 滚动趋势¶

滚动 12 个月年化收益的"近期趋势" —— 看是改善还是衰减。

实例： - 历史滚动 12 月平均 +15% - 近 6 个月滚动 12 月平均 +6% - 说明最近 6 个月的业绩已显著恶化

这是 α 衰减的早期信号，比"成立以来 +15%"汇总数字敏感得多。

(d) 滚动稳定性¶

滚动 12 个月年化收益的标准差 —— 越小越稳定。

实例： - A 产品：滚动 12 月均值 +15%，标准差 5% → 稳定 - B 产品：滚动 12 月均值 +15%，标准差 25% → 波动巨大

A 和 B 的"成立以来年化"都是 15%，但 LP 体验截然不同。

3.5 滚动窗口分析的实战工具¶

Python（QuantStats）：

import quantstats as qs
returns = qs.utils.download_returns('SH600519')

# 滚动 12 个月夏普
qs.plots.rolling_sharpe(returns, period=252)

# 滚动 12 个月波动率
qs.plots.rolling_volatility(returns)

# 滚动 12 个月 Beta（vs 基准）
qs.plots.rolling_beta(returns, benchmark)

生成 HTML tearsheet 一键看所有滚动指标：

qs.reports.html(returns, benchmark='SPY', output='report.html')

四、分年度 + 滚动窗口的"组合判断"¶

4.1 综合判断框架¶

Step 1：分年度 - 识别策略风格（稳健 / 赛道赌徒 / 风格漂移 / 单年神迹） - 识别极端年份的表现

Step 2：滚动 12 个月 - 看均值（长期实力） - 看最低值（坏时段） - 看趋势（近期改善 / 恶化） - 看稳定性

Step 3：滚动 36 个月 - 验证"长期一致性" - 排除短期幸运

4.2 实战诊断矩阵¶

分年度画像	滚动 12 月	综合判断
稳健型	均值高 + 稳定	优质，重点配置
稳健型	均值高 + 近期下滑	警惕，可能容量到顶
赛道赌徒型	均值高 + 波动巨大	不投
风格漂移型	均值高 + 稳定	深度尽调，看是真扩展能力还是追涨
单年度神迹型	均值平庸 + 单点极高	不投

4.3 元烨实战应用¶

对每个候选管理人，建立"分年度 + 滚动窗口"分析表：

管理人：彬元中性 1 号
样本：2025-07 至 2026-04（9 个月）

分年度（不适用，样本短）：
  - 2025（部分）：+11%（5 个月）
  - 2026（部分）：+7%（4 个月）

滚动 12 月（不适用，样本短）

滚动 3 月：
  - 最高：+5%
  - 最低：-1%
  - 均值：+2.5%

近 9 个月业绩走势：
  - 月度收益：+2.5, +3.0, +1.8, +2.5, +1.5, -2.0, +2.0, +3.5, +4.0

判断：
  - 9 个月样本只能做"试水"判断
  - 月度胜率 8/9 = 89%
  - 未经历完整周期
  - 5% 首仓合理，重仓需更长样本

五、年度对比的"陷阱"¶

5.1 起始年份效应¶

陷阱：成立年份不同，业绩对比不公平。

实例： - A 管理人 2019 年成立（赶上 2019-2020 牛市） - B 管理人 2021 年成立（开局熊市） - 二者"成立以来年化"完全没可比性

应对：用同期窗口对比（如都看 2022-2024 三年）。

5.2 基准选择不一致¶

陷阱：A 管理人对照沪深 300，B 管理人对照偏股基金指数。

应对：所有管理人统一对照同一基准（推荐偏股基金指数 + 沪深 300 双基准）。

5.3 同类排名的"分类陷阱"¶

陷阱：管理人选择对自己有利的"同类"（如把混合策略归为最严指增，让排名靠前）。

应对：明确分类标准（按产品类型，不按管理人自报）。

5.4 时间窗口的"心理锚定"¶

陷阱：管理人强调"近 1 年" / "近 6 个月" 的好业绩，忽略更早。

应对：必须看完整时间序列，不接受"近期"窗口。

六、滚动窗口分析的"骗术"¶

6.1 选择性窗口长度¶

陷阱：只展示对自己有利的窗口长度。

实例： - 滚动 12 月稳定 → 展示 - 滚动 3 月波动大 → 不展示 - 滚动 36 月业绩衰减 → 不展示

应对：要求多窗口长度同时展示（3 / 12 / 36 月）。

6.2 截断时间序列¶

陷阱：滚动窗口分析"最近 X 年"，避开早期糟糕表现。

应对：要成立以来全部数据。

6.3 平滑化滚动数据¶

陷阱：滚动窗口数据用月频（粗）算，掩盖周内波动。

应对：用日频数据计算滚动指标。

七、分年度与滚动窗口的实战追问清单¶

A. 分年度数据¶

完整时间序列：能否提供成立以来每月（或每日）净值数据？
分年度收益：每个自然年度的收益率？
超额收益：每年相对沪深 300 / 偏股基金指数的超额？
同类排名：每年同类策略中的排名？
重仓行业 / 风格变化：每个季度的重仓行业 / 风格暴露？

B. 滚动窗口数据¶

滚动 12 个月年化收益：均值 / 最低值 / 标准差？
滚动 12 个月夏普：均值 / 最低值？
滚动 12 个月超额（vs 基准）：均值 / 最低值？
滚动 36 个月评估：（如果样本足够）

C. 趋势判断¶

最近 6 个月 vs 历史均值：业绩是改善还是衰减？
最近 12 个月 vs 历史最低：是否处于历史最差时段？
未来 12 个月展望：管理人对未来的判断？

D. 解释能力¶

每年表现的策略归因：每年好 / 坏的原因？
极端年份的决策：在 2018 / 2020 / 2022 等关键年份做了什么？
风格切换：（如适用）能否解释风格变化的原因？

八、可视化工具推荐¶

8.1 QuantStats HTML Tearsheet¶

一键生成：

import quantstats as qs
qs.reports.html(returns, benchmark='SPY', output='report.html')

包含： - 累计收益曲线 - 年度收益柱状图 - 月度收益热力图（按年份/月份的格子图） - 滚动 6 个月 / 12 个月夏普 - 回撤曲线 - 最大回撤期间表

直观看出策略的"画像"。

8.2 元烨实战工具¶

已确定的技术栈： - AKShare（拉数据） - QuantStats（生成 tearsheet） - Riskfolio-Lib（组合优化）

建议工作流：

1. 收到管理人净值 → AKShare 拉基准数据
2. QuantStats 生成对照基准的 HTML tearsheet
3. 逐一看：分年度 + 滚动窗口 + 回撤 + 风格
4. 形成尽调判断

九、一句话总结¶

永远不相信"成立以来年化 X%"这一个数字

我们要看分年度的 6 行表 + 滚动窗口的 4 个关键值。

分年度 + 滚动窗口的 3 个第一性原理：

分年度看穿越能力 —— 不同市场环境下的稳定性
滚动窗口看趋势 —— 业绩是改善还是衰减
多窗口交叉看 —— 3 月 / 12 月 / 36 月各有用处

最硬的两个追问（看到任何业绩数据时自问）：

"如果分年度看，每年的排名稳定吗？" —— 不稳定 = 赌赛道 / 风格漂移 / 运气
"滚动 12 个月的最低值是多少？最近 6 个月对照历史均值如何？" —— 这两个数比"成立以来年化"重要 10 倍

记住：汇总数字是销售工具，分年度 + 滚动窗口是评估工具。

会用滚动窗口的 FOF 团队，能在管理人业绩开始恶化的早期就发现问题，而不是等到 -10% 回撤后才反应。