歡迎來到非公開與上市資產的世界！

在本章中，我們將深入探討另類投資領域中最重要的「偵探」工作之一：釐清非公開資產（Private Assets）與其上市資產（Public Assets）在風險與表現上的真實情況。如果你曾好奇為何私募股權基金（Private Equity）看起來如此「平滑」且穩定，而標普 500 指數卻像過山車一樣波動，那你來對地方了！我們將為你揭開這些平滑數據背後隱藏的真實風險。

1. 理解基本差異

在進入數學計算之前，我們先來看看這兩類資產在「性格」上的基本差異：

上市資產 (Listed Assets / Public)：這就像你最喜歡的那些在交易所交易的科技股。它們擁有高頻定價。每個交易日的每一秒，市場都在告訴你該資產的價值。這導致了較高的「觀察所得」波動率。

非公開資產 (Private Assets)：這包括非公開房地產或私募股權等。它們的交易頻率很低。我們無法像股票那樣，隨時查到芝加哥市中心某棟辦公大樓的市場報價。相反，我們依賴估值（Appraisals）。由於估值通常只是偶爾進行（例如每季或每年一次），價格看起來在很長一段時間內都非常穩定。

問題所在：陳舊定價 (Stale Pricing)
由於非公開資產的價值不會每秒更新，它們會受到陳舊定價的影響。這意味著我們今天看到的價值，可能實際上反映的是幾個月前的市場狀況。這就像看著昨天拍的天空照片來判斷現在的天氣——它無法告訴你「現在」是否正在下雨。

關鍵重點

非公開資產與上市資產在績效報告上的主要差異，不一定是底層風險不同，而是價格更新的頻率不同。不頻繁的更新會導致數據呈現「平滑化」。

2. 低風險的幻覺：收益平滑化 (Return Smoothing)

當價格變動緩慢且未反映所有當前資訊時，我們稱之為收益平滑化。這會產生幾個「副作用」，若投資者不留心，很容易被誤導：

  • 偏低的觀察波動率：非公開資產的標準差看起來比上市資產低得多。它看起來是一條平滑的曲線，而不是鋸齒狀的折線。
  • 滯後相關性 (Lagged Correlation)：非公開資產看起來似乎與股市走勢無關。事實上，它們是有關聯的；只是反應比較「慢」。這被稱為「滯後」(Lag)。
  • 人為拉高的夏普比率 (Sharpe Ratio)：由於分母中的風險（波動率）看起來比實際更小，夏普比率會顯得高得驚人。

你知道嗎？
如果你將平滑後的數據放入均值-變異數優化模型（Mean-Variance Optimizer），它會建議你將所有資金投入非公開資產，因為它們看起來回報高且幾乎零風險。千萬別上當！這是一個經典的「垃圾進，垃圾出」(Garbage in, garbage out) 場景。

3. 去平滑化 (De-smoothing) 的數學運算（偵探工作）

為了看到「真實」的績效，我們需要進行去平滑化。這部分常讓學生感到緊張，但別擔心——它比看起來簡單得多！我們使用一個模型，假設「觀察所得」的收益是真實當前收益與先前觀察收益的混合體。

觀察收益 (\( r_{obs,t} \)) 的公式如下：
\( r_{obs,t} = \alpha r_{true,t} + (1 - \alpha) r_{obs,t-1} \)

其中：
\( \alpha \) (Alpha) = 調整「速度」（納入多少新資訊）。
\( 1 - \alpha \) = 「平滑度」或「陳舊」係數（我們滯留在過去的程度）。

若要找出真實收益 (\( r_{true,t} \))，我們將公式重組為：
\( r_{true,t} = \frac{r_{obs,t} - (1 - \alpha)r_{obs,t-1}}{\alpha} \)

逐步範例：
1. 假設本季的觀察收益為 5% (\( r_{obs,t} = 0.05 \))。
2. 上一季的觀察收益為 3% (\( r_{obs,t-1} = 0.03 \))。
3. 平滑係數 (\( 1 - \alpha \)) 為 0.6 (這意味著 \( \alpha = 0.4 \))。
4. 代入公式：\( r_{true,t} = \frac{0.05 - (0.6 \times 0.03)}{0.4} = \frac{0.05 - 0.018}{0.4} = \frac{0.032}{0.4} = 0.08 \)，即 8%。

結論：即使我們看到的回報率只有 5%，但真實的經濟回報率是 8%，因為「陳舊」的歷史數據拖累了當期的表現。

快速複習框

低 Alpha (\( \alpha \)) = 高平滑度，數據非常陳舊。
高 Alpha (\( \alpha \)) = 低平滑度，數據更接近真實情況。

4. 對風險指標的影響

當我們對數據進行去平滑化後，風險指標會顯著改變。以下是「真實」數值與「觀察」數值的比較：

標準差：真實標準差總是高於觀察到的標準差。兩者關係的簡化公式為：
\( \sigma_{true} = \sigma_{obs} \times \sqrt{\frac{1 + (1 - \alpha)}{1 - (1 - \alpha)}} \) （註：這是針對 CAIA L2 的概念簡化版）。

相關性：私募股權與公開股市之間的真實相關性，通常比原始數據顯示的要高得多。這意味著非公開資產提供的分散風險效果，並沒有帳面上看起來那麼好。

Beta 值：與相關性一樣，非公開資產的真實 Beta 值高於觀察到的 Beta 值。如果你忽略平滑化效應，將會低估你的非公開資產組合所面臨的市場風險。

記憶小幫手：橡皮筋比喻
想像真實市場是一個人在奔跑（真實收益）。觀察到的非公開資產收益是一隻繫著長長、有彈性牽繩的狗（觀察收益）。這隻狗最終會跟著人走，但它會滯後，且不會顯示出人突如其來的衝刺或停止。去平滑化就像是縮短那條牽繩，讓你能看見狗在相對於人而言，真正的位置在哪裡。

5. 將上市資產作為代理指標 (Proxies)

既然非公開資產的數據如此混亂，我們能直接使用上市私募股權 (LPE) 或 房地產投資信託基金 (REITs) 來了解非公開資產嗎？
答案是：可以，但要小心。

  • 優點：上市代理指標提供每日價格，並反映即時的市場情緒。
  • 缺點：上市代理指標會受到股票市場情緒的影響。例如，在市場崩盤期間，REITs 可能會因為投資者恐慌性拋售而下跌 20%，即使底層的辦公大樓依然是 100% 出租且正常收取租金。

因此，上市資產通常會高估短期波動率，而非公開資產則會低估它。真相通常介於兩者之間！

關鍵重點

使用上市代理指標來獲取即時方向感，但請記住它們帶有來自公開股市的「噪音」，而這些噪音在非公開資產領域中可能並不存在。

6. 學生常見的陷阱

考試當天千萬別被這些地方絆倒：

  1. 搞混 Alpha 與 1-Alpha：在某些教科書中，\( \alpha \) 是平滑係數；在另一些書中，\( 1 - \alpha \) 才是平滑係數。務必仔細閱讀題目中的定義。平滑係數 = 陳舊權重。
  2. 以為「平滑」就是「安全」：曲線平坦並不代表資產沒有風險。這只是「估值滯後」(Appraisal Lag)，而非風險的缺失。
  3. 分散風險的幻覺：學生常以為私募股權是極佳的分散投資工具，因為它與股票的相關性只有 0.3。在去平滑化後，該相關性可能會躍升至 0.8！

總結

理解非公開資產與上市資產的風險與績效，關鍵在於看穿基於估值的定價表面下那層「平滑」的假象。通過去平滑化數據，我們能揭示真實的波動率、真實的 Beta 值以及真實的相關性。儘管非公開資產看起來像是既有高回報又低風險的「免費午餐」，但去平滑化後的數據顯示，它們同樣受制於與上市資產相同的市場力量——只是它們反映出來的時間比較慢而已！

你一定做得到！記住：如果數據看起來平滑到不真實，那它通常就是不真實的。祝你學習順利！