巴菲特的阿尔法

• 巴菲特的阿尔法

Andrea Frazzini、David Kabiller 与 Lasse Heje Pedersen 在 Financial Analysts Journal 发表的论文 Buffett’s Alpha，试图用现代资产定价与量化投资框架回答一个经典问题：沃伦·巴菲特长期超额收益究竟来自不可复制的个人天赋，还是可以被风险因子、证券选择与杠杆结构系统解释？

伯克希尔·哈撒韦的长期表现可以被分解为三个高度互补的来源：

1. 长期持有低估值、低风险、高质量股票；
2. 通过保险浮存金等渠道获得稳定且低成本的杠杆融资；
3. 在长达数十年的时间尺度上维持上述暴露，即使经历严重回撤也没有被迫去杠杆。

巴菲特的收益

论文使用的伯克希尔股票收益样本从 1976 年延伸至 2017 年。CRSP 中伯克希尔的股票数据从 1976 年才开始，因此这并不是巴菲特完整的职业生涯，而只是其中大约 41 年；作者明确将其视为对完整投资记录的一个相对保守的观测窗口。

在这一时期，一美元投资于伯克希尔，在论文样本结束时已经增长至超过 3685 美元。伯克希尔相对美国短期国债的年化平均超额收益达到 $18.6\%$，同期股票市场平均超额收益约为 $7.5\%$。与此同时，伯克希尔年化波动率为 $23.5\%$，高于市场的 $15.3\%$。

Sharpe Ratio

风险调整收益首先可以用 Sharpe Ratio 表示：

\[SR=\frac{E[r-r_f]}{\sigma(r-r_f)}\]

其中，$r$ 为资产收益率，$r_f$ 为无风险收益率，$\sigma$ 为超额收益的波动率。

对于伯克希尔，论文得到：

\[SR_{\text{Berkshire}} = \frac{18.6%}{23.5%} \approx 0.79\]

同期市场 Sharpe Ratio 约为 $0.49$。因此，伯克希尔的 Sharpe Ratio 大约是市场的 $1.6$ 倍。论文同时估计其市场 Beta 只有约 $0.69$，说明伯克希尔并不是简单依靠更高的市场方向性风险获得更高收益。

$0.79$ 并不是一个不可想象的 Sharpe Ratio。真正罕见的是：这一水平能够持续数十年，同时资本规模不断扩大。

Information Ratio

论文还计算了伯克希尔的信息比率。其定义是：将月度超额收益对市场超额收益回归，以回归截距作为主动收益，再除以残差波动率。

形式上，可以写为：

\[r_t-r_{f,t} = \alpha+\beta_{\mathrm{MKT}}MKT_t+\varepsilon_t\]

对应的信息比率为：

\[IR=\frac{\alpha}{\sigma(\varepsilon)}\]

伯克希尔的年化 Information Ratio 约为 $0.64$。

更重要的是，当研究者只比较拥有至少 40 年历史的股票和共同基金时，伯克希尔在 Sharpe Ratio 与 Information Ratio 上都处于样本最顶端。也就是说，如果控制“只活了几年、恰好经历好运”的幸存者噪声，巴菲特长期记录的异常性反而更加明显。

长期 Alpha 的代价：极端回撤

高 Sharpe Ratio 不意味着收益路径平滑。

1998 年 6 月至 2000 年 2 月，伯克希尔市值下降约 $44\%$，同期整体股票市场上涨约 $32\%$，相对落后达到约 $76$ 个百分点。

这揭示了理解长期 Alpha 时经常被忽略的一个问题：

能否识别一个有效策略，与能否在该策略长期失效、严重回撤甚至职业风险显著上升时继续持有，是两个完全不同的问题。

巴菲特的优势不仅体现在资产选择，还体现在其资本结构允许他在这些阶段不发生强制清算。

伯克希尔的杠杆

公众叙事经常把巴菲特描述为“不喜欢杠杆”的投资者，但论文从资产负债表角度得到的结论明显不同。

基于资产负债表的杠杆定义

作者将伯克希尔的杠杆定义为：

\[L_t= \frac{TA_t^{MV}-Cash_t^{MV}} {Equity_t^{MV}}\]

其中：

• $TA_t^{MV}$ 为总资产的市场价值；
• $Cash_t^{MV}$ 为现金；
• $Equity_t^{MV}$ 为伯克希尔股权的市场价值。

由于某些资产负债表变量只能观察到账面价值，论文进一步使用：

\[TA_t^{MV} = TA_t^{BV} + Equity_t^{MV} - Equity_t^{BV}\]

来近似总资产的市场价值。

按照这一方法，作者估计伯克希尔长期平均杠杆约为 1.7:1。如果只使用股权、债务和保险浮存金构造另一种杠杆指标，得到的平均值则约为 1.4:1。论文同时提醒，这些估计不可避免地包含资产估值误差。

这并不是极端杠杆，但足以产生显著效果。

如果简单把市场组合加到 $1.7$ 倍杠杆，市场平均超额收益大致可以从 $7.5%$ 放大到：

\[1.7\times7.5%\approx12.75%\]

但这一数字仍显著低于伯克希尔的 $18.6\%$。因此：

杠杆解释了伯克希尔收益水平的一部分，却不能解释全部。

真正的问题变成了：巴菲特究竟在杠杆之下持有什么资产？

保险浮存金

杠杆本身并不稀缺。

真正稀缺的是低成本、长期、稳定，而且在市场压力期间不容易被召回的杠杆。

Float

保险业务通常先收取保费，未来才支付赔款。因此，在经济意义上，保险公司在赔款支付之前持有了一笔属于保单持有人的资金。

这就是 insurance float，保险浮存金。

如果保险承保业务本身能够接近盈亏平衡甚至产生承保利润，那么这种资金来源的经济效果类似于：

• 长期限融资；
• 较低利率融资；
• 某些时期甚至具有负融资成本；
• 与典型保证金贷款相比，强制平仓机制弱得多。

论文手工收集伯克希尔年报中的浮存金数据，估计保险 float 的平均年度成本仅约为 $1.72\%$，比同期 T-bill 利率平均低接近 $3$ 个百分点。整个样本中，约 $63\%$ 的年份浮存金成本为负或不高于零。

与此同时，作者估计保险浮存金平均约占伯克希尔负债的 $35\%$。

因此，保险业务对于伯克希尔而言不仅是一项运营业务，它还是一个融资基础设施。

为什么融资结构可能比杠杆倍数更重要？

考虑两个投资者，他们都拥有一个 Sharpe Ratio 相近的策略。

投资者 A 依赖短期融资和保证金账户。当市场下跌时，其融资条件恶化，抵押品价值下降，从而可能被迫卖出。

投资者 B 拥有更长期、更稳定、成本更低的负债，只要资产负债结构仍然可控，就能够跨越市场危机继续持仓。

即使二者初始杠杆相同，长期复利路径也可能完全不同。

公开股票、私人企业与杠杆

论文进一步将伯克希尔看作一个资产负债表。伯克希尔的资产主要可以划分为：

• 公开交易股票；
• 全资或控股私人企业；
• 现金。

负债和股东权益则位于资产负债表另一侧。论文第 6 页的 Exhibit 1 正是用这一简化资产负债表说明整个分解框架。

公开股票组合

作者利用 Berkshire 的 13F 披露重建其美国公开股票组合。

每个季度末，根据最新 13F 文件获得持仓，并按照伯克希尔持有的美元市值计算权重；在下一个报告期之前假设持仓不变，并按月再平衡以维持权重。

因此，这一组合近似衡量：如果只观察巴菲特的公开股票选择，他的证券选择能力有多强？

私人企业价值的反推

私人企业没有公开市场报价，因此作者使用资产负债表剩余法推算其市场价值：

\[Private_t^{MV} = TA_t^{MV} - Public_t^{MV} - Cash_t^{MV}\]

即：

总资产价值减去公开股票和现金，剩余部分视为私人企业资产价值。

论文特别强调，这种方法存在明显测量噪声，因为伯克希尔整体股票价格中可能包含市场赋予 Buffett 本人的价值、暂时性错价以及其他公司层面的估值因素，因此私人企业收益的估计需要谨慎解释。

权重与整体收益分解

定义私人企业在非现金投资资产中的权重为：

\[w_t= \frac{Private_t^{MV}} {Private_t^{MV}+Public_t^{MV}}\]

则伯克希尔股权的超额收益可以近似理解为：

\[r_{t+1}^{Equity}-r_{t+1}^{f} = L_t \left[ w_t \left( r_{t+1}^{Private}-r_{t+1}^{f} \right) + (1-w_t) \left( r_{t+1}^{Public}-r_{t+1}^{f} \right) \right]\]

这条式子非常重要，因为它把伯克希尔的收益结构清晰拆成三个变量：

1. 私人企业收益；
2. 公开股票收益；
3. 杠杆 $L_t$。

论文在附录中正式推导了这一分解，并指出伯克希尔超额收益取决于公开与私人资产各自的超额收益、二者相对权重以及杠杆程度。

巴菲特究竟更擅长选股，还是经营企业？

实证结果显示，两部分都创造了不错的长期收益，但公开股票组合的风险调整表现更强。

论文报告：

组合	平均年化超额收益	年化波动率	Sharpe Ratio
Berkshire Hathaway	$18.6%$	$23.5%$	$0.79$
公开股票组合	$12.0%$	$16.2%$	$0.74$
私人企业组合	$9.3%$	$20.6%$	$0.45$
整体股票市场	$7.5%$	$15.3%$	$0.49$

其中公开股票样本主要从 1980 年开始，私人企业估计由于早期噪声较大，主要使用 1984 年之后的数据。表中的完整收益与风险统计见论文 Table 2。

作者因此认为，巴菲特的优势更多体现为证券选择能力，而不是单纯依靠收购企业之后改善经营。

从 1980 至 2017 年，伯克希尔平均大约 $65\%$ 的非现金投资价值来自私人企业，其余约 $35\%$ 为公开股票；而私人企业占比后来持续提高，到 2017 年已经超过 $78\%$。

这意味着，伯克希尔后期越来越像一家大型工业与保险控股公司，而不仅是股票投资组合。

核心因子模型：Buffett Alpha 到底是什么？

这是整篇论文最关键的技术部分。

作者并不满足于观察历史收益，而是将伯克希尔收益映射到现代多因子资产定价框架。

六因子回归

基本模型为：

\[r_t-r_t^f = \alpha + \beta_{\mathrm{MKT}}MKT_t + \beta_{\mathrm{SMB}}SMB_t + \beta_{\mathrm{HML}}HML_t + \beta_{\mathrm{UMD}}UMD_t + \beta_{\mathrm{BAB}}BAB_t + \beta_{\mathrm{QMJ}}QMJ_t + \varepsilon_t\]

其中：

• $MKT$：股票市场超额收益；
• $SMB$：Small Minus Big，小盘减大盘；
• $HML$：High Minus Low，高账面市值比减低账面市值比，即价值因子；
• $UMD$：Up Minus Down，动量因子；
• $BAB$：Betting Against Beta，低 Beta 相对高 Beta；
• $QMJ$：Quality Minus Junk，高质量企业相对低质量企业。

论文先使用市场、规模、价值与动量等传统因子，再加入 BAB 和 QMJ。

传统四因子并不能完全解释 Buffett Alpha

伯克希尔对 SMB 的载荷总体为负，说明它后期倾向于大型公司；对 HML 为正，意味着它偏好相对便宜的价值型股票；UMD 暴露则并不显著，因此巴菲特的策略不能被理解为趋势追逐。

但如果模型只包含传统市场、规模、价值和动量因子，伯克希尔仍然保留明显 Alpha。

问题因此转移到两个较新的因子：BAB 与 QMJ。

BAB：巴菲特并不是通过购买高 Beta 股票赚钱

BAB（Betting Against Beta）的基本思想是：用历史收益数据估计每只股票的 $\beta$，然后构造一个偏多低 Beta、偏空高 Beta 的组合。

在时点 $t$，股票 $i$ 的 Beta 可以写成：

\[\hat{\beta}_{i,t} = \frac{\operatorname{Cov}_t(r_i,r_m)} {\operatorname{Var}_t(r_m)}\]

这里的协方差和方差都只能使用截至 $t$ 已经观察到的数据。

然后：

• $\hat{\beta}_{i,t}$ 较低的股票进入低 Beta 一侧；
• $\hat{\beta}_{i,t}$ 较高的股票进入高 Beta 一侧；
• 再对两侧进行风险调整，使组合总体市场 Beta 接近中性。

因此，在 $t$ 时刻你可以知道：哪些股票当前属于 low-beta

但你不知道 $BAB_{t+1}$ 究竟是正还是负。

BAB 捕捉的是一个非常重要的资产定价现象：低 Beta、低风险证券的长期收益往往没有传统 CAPM 所预测的那么低。

对 BAB 的正暴露意味着组合倾向于：

• 做多低 Beta 股票；
• 回避或者相对做空高 Beta 股票。

论文发现伯克希尔对 BAB 有显著正向暴露。

这与直觉中的“高收益必须承担高 Beta”形成鲜明对比。

巴菲特所做的事情更接近：

\[\text{购买低风险资产} + \text{使用外部融资扩大风险预算}\]

而不是：

\[\text{直接购买高风险资产}\]

二者的总波动率可能类似，但资产质量和尾部风险结构完全不同。

QMJ：质量可能与价值同样重要

QMJ 衡量 Quality Minus Junk。

论文所使用的“质量”并不是主观概念，而主要涉及企业：

• 盈利能力；
• 盈利稳定性；
• 成长性；
• 财务安全性；
• 较高的股东分配能力。

伯克希尔和其公开股票组合都表现出显著正向 QMJ 暴露。论文因此认为，把 Buffett 简单描述成“价值投资者”并不充分；安全性和质量至少与低估值同样重要。

实证结果：加入 BAB 与 QMJ 后，Alpha 大幅消失

Table 4 是论文最关键的一张表。

随着更多解释变量进入回归模型，伯克希尔的年化 Alpha 逐步下降。

尤其值得注意的是公开股票组合：

• 只使用较传统的因子时仍存在明显异常收益；
• 加入 BAB 和 QMJ 后；
• 公开股票组合年化 Alpha 下降至仅约 $0.3%$；
• 对应的 $t$ 统计量约为 $0.16$；
• 在统计意义上完全不显著。

论文据此认为，BAB 与 QMJ 几乎可以解释伯克希尔公开股票组合的全部异常表现。

从经济意义上，这可以写成：

\[\text{Buffett Return} \approx \text{Market} + \text{Value} + \text{Low Risk} + \text{Quality} + \text{Leverage}\]

而剩余无法解释的 $\alpha$，远小于仅使用传统 CAPM 或传统 Fama-French 风格模型时的估计。

低 Beta + 杠杆

假设投资者希望获得目标风险水平 $\sigma^*$。

一种方案是直接持有高风险、高 Beta 股票；另一种方案是持有基本风险较低、质量较高的股票，然后利用杠杆调整整体风险。

若低风险组合原始波动率为 $\sigma_L$，近似需要的杠杆为：

\[L= \frac{\sigma^*}{\sigma_L}\]

最终预期超额收益约为：

\[E[r_L^{levered}-r_f] = L E[r_L-r_f]\]

只要低风险资产自身拥有较高的单位风险回报，同时融资成本足够低，则：

\[SR_{\text{levered low-risk}} > SR_{\text{high-risk assets}}\]

就可能成立。

关键问题因此不再是：

谁愿意承担更高风险？

而是：

谁能够以足够低的融资成本，把高 Sharpe Ratio、低 Beta 的资产扩展到目标风险水平？

这正是 BAB 理论与伯克希尔保险 float 在经济机制上的交汇点。

能否把巴菲特变成一个量化策略

如果 Buffett 的收益确实主要来自可观察因子，那么自然会产生下一个问题：

是否可以机械地构建 Buffett-style portfolio？

估计伯克希尔的市场 Beta

首先通过单变量回归得到伯克希尔的市场暴露 $\beta_{\text{Buffett}}$。

然后从收益中剥离这部分市场 Beta：

\[r_t-r_t^f-\beta_{\text{Buffett}}MKT_t\]

提取主动因子暴露

作者将 Beta 调整后的收益继续回归到各类因子上：

\[r_t-r_t^f-\beta_{\text{Buffett}}MKT_t = \alpha + mMKT_t + sSMB_t + hHML_t + uUMD_t + bBAB_t + qQMJ_t + \varepsilon_t\]

其中主动因子组合为：

\[r_t^A = mMKT_t + sSMB_t + hHML_t + uUMD_t + bBAB_t + qQMJ_t\]

这里的 $m,s,h,u,b,q$ 分别对应不同因子的回归系数。

匹配主动风险

为了使模拟组合拥有与伯克希尔相似的主动风险，作者按照伯克希尔的特质波动率对主动收益进行缩放：

\[r_t^{Active} = r_t^A \frac{\sigma_I} {\sigma_A}\]

其中 $\sigma_I$ 为伯克希尔特质收益波动率，$\sigma_A$ 为因子主动组合的波动率。论文指出，这一操作同时用于模拟杠杆并减少回归系数衰减导致的风险低估。

加入市场暴露

最后构造：

\[r_t^{BuffettStyle} = r_t^f + \beta_{\text{Buffett}}MKT_t + r_t^{Active}\]

这样得到的组合同时尝试匹配：

• 伯克希尔市场 Beta；
• 特质波动率；
• 总波动率；
• 主动因子相对暴露。

量化组合与 Buffett Portfolio 高度相关

论文发现系统化 Buffett-style portfolio 与真实伯克希尔表现具有较强协动性。其中，系统化策略与伯克希尔公开股票组合的相关系数达到约 $0.73$。

因此：

\[R^2 \approx 0.73^2 \approx 0.53\]

也就是说，仅依靠这些系统性因子暴露，就能够解释伯克希尔公开股票组合大约一半以上的收益方差。

论文直接报告，其系统化组合解释公开股票组合约 $53\%$ 的方差。

对于伯克希尔整体股票和私人企业部分，相关性分别约为 $0.48$ 和 $0.26$，明显较低。这也是合理的，因为：

• BRK 股票本身包含公司层面与 Buffett-specific 的估值变化；
• 私人资产价格是模型反推结果；
• 系统化组合持股更加分散；
• 伯克希尔真实组合包含集中度、税收、交易成本与具体证券选择。

为什么模拟策略看起来比 Buffett 更好？

论文对此非常谨慎。

完整样本的系统化策略：

• 使用了事后估计的因子系数；
• 没有完全扣除交易成本；
• 没有完全计入实际融资摩擦；
• 持股更加分散；
• 因而拥有显著的 hindsight advantage。

因此，不能根据回测结果得出“机械因子策略优于巴菲特”的结论。作者明确指出，这类模拟组合的表面超额表现应该被折价解释。

论文还在 Appendix C 中进一步设计了真正的实时可实施版本：每个月 $t$ 只能使用截止当月可获得的数据估计参数，再构建 $t+1$ 月组合，并要求至少拥有 60 个月历史数据以后才能进行回归。

这一步很重要，因为它减少了典型的 look-ahead bias。

为什么巴菲特的成功仍然很难复制”？

因子可解释性并不意味着现实可复制性。

因子收益不等于投资者能够获得的收益

一个策略的理论收益大致可以拆成：

\[r_{\text{realized}} = r_{\text{factor}} - c_{\text{transaction}} - c_{\text{funding}} - c_{\text{tax}} - c_{\text{implementation}}\]

其中：

• $c_{\text{transaction}}$ 是交易成本；
• $c_{\text{funding}}$ 是融资成本；
• $c_{\text{tax}}$ 是税收成本；
• $c_{\text{implementation}}$ 包括冲击成本、容量约束、执行误差等。

伯克希尔真正难以复制的部分，很可能正是这些成本项。

资本规模产生容量约束

论文指出，伯克希尔早期更容易投资较小公司，而随着资产规模扩大，其投资范围被逐渐推向大盘股；Table 4 中长期 SMB 暴露为负，与这种变化一致。

因此，收益随时间下降可能部分来源于：

\[\text{AUM}\uparrow \Rightarrow \text{Opportunity Set}\downarrow \Rightarrow \text{Expected Alpha}\downarrow\]

论文也将交易成本增加和容量约束列为伯克希尔后期收益下降的可能原因。

最大优势可能是“不会被迫退出”

绝大多数杠杆策略最大的风险并不是平均收益不足，而是在某一次极端市场状态下：

\[\text{Loss} \rightarrow \text{Margin Call} \rightarrow \text{Forced Sale} \rightarrow \text{Permanent Capital Loss}\]

伯克希尔则拥有：

• 永久股权资本；
• 保险浮存金；
• 多元化经营现金流；
• 较高信用等级；
• 长期声誉；
• 较低短期赎回压力。

因此，即使投资思想可以复制，资本结构未必可以复制。

Survival

为什么他能够比绝大多数投资者更早识别这些长期有效的收益来源，并构建一个可以持续几十年承载这些风险溢价的资本结构？

如果一个投资者在 1960 年代就发现某组经济规律，而学术界在几十年后才把它命名成 BAB、QMJ 或 Value，那么事后回归中的 $\alpha$ 消失，并不能逆向消除最初的发现价值。

从投资系统的角度，可以将长期业绩写成：

\[\text{Long-Term Wealth} = f( \text{Expected Return}, \text{Risk}, \text{Leverage}, \text{Funding Cost}, \text{Survival}, \text{Time} )\]

这里最容易被低估的变量是 Survival 和 Time。

一个拥有更高理论 Alpha、但五年后被迫清盘的策略，其长期财富创造能力可能远低于一个 Sharpe Ratio 只有 $0.7$ 至 $0.8$、但可以持续运行半个世纪的策略。

对量化投资与资产管理的实际启示

价值投资不止是低市盈率

论文对 Buffett 风格最准确的概括不是单纯 Value，而是：

\[\text{Cheap} + \text{Safe} + \text{High Quality}\]

即便估值便宜，如果企业：

• 盈利能力低；
• 财务风险高；
• 盈利持续恶化；
• Beta 很高；

它也并不符合论文刻画出的 Buffett 暴露。

资产选择与风险预算必须分开

现代组合管理中一个非常重要的原则是：

不应该为了获得更高组合收益而被迫选择更差、更高风险的资产。

一种替代结构是先寻找更高 Sharpe Ratio 的底层组合，再独立决定风险预算。

\[\text{Portfolio Risk} = \text{Asset Risk} \times \text{Leverage}\]

因此：

• 证券选择负责提高单位风险收益；
• 杠杆负责决定最终风险规模。

这比直接用高 Beta 股票提高预期收益具有完全不同的经济含义。

融资成本本身就是 Alpha 来源

投资研究经常只关注资产端：

\[E[r_{\text{asset}}]\]

但真正属于股东的收益取决于：

\[E[r_{\text{equity}}] \approx E[r_{\text{asset}}] + (L-1) \left( E[r_{\text{asset}}]-r_{\text{funding}} \right)\]

因此，只要 $r_{\text{funding}}$ 显著低于资产预期收益，融资端本身就能够贡献长期股权回报。

伯克希尔的保险 float 正是一个典型案例。

长期稳定的中等 Sharpe Ratio 已经极其强大

论文最终给出的一个重要现实主义结论是：巴菲特在长达数十年的样本中取得世界级财富积累，其 Sharpe Ratio 约为 $0.79$，而同期市场约为 $0.5$。作者因此提醒投资者，不应把长期 Sharpe Ratio 持续高于 $1$ 或 $2$ 当成容易实现的目标。

真正强大的组合不是：

\[SR=3\]

持续两年，而可能是：

\[SR\approx0.8\]

持续四十年。

研究局限：哪些结论不能过度解读？

这篇论文提供了非常强的解释框架，但它并不是严格意义上的“巴菲特生成模型”。

样本开始于 1976 年

巴菲特在此之前已经拥有多年投资记录，因此模型分析的是其职业生涯的后半段，而不是完整样本。

私人资产收益是估算值

私人企业没有连续市场价格，只能通过伯克希尔整体市场价值和资产负债表进行反推，因此对应收益存在较大测量噪声。

作者甚至发现样本早期的私人企业隐含月度收益存在超过 $100\%$ 的异常值，因此主要分析将私人企业收益限制在 1984 年以后。

因子解释具有事后识别特征

完整样本回归天然带有 hindsight。

即使最终进行 out-of-sample robustness test，也不能证明 1970 年代投资者可以完整获得今天定义下的 QMJ、BAB 数据、低成本执行与相同融资条件。

因子模型解释收益统计，不解释全部投资决策

一个回归模型可以说明：

\[r_t \approx \beta^\top F_t+\varepsilon_t\]

但这并不等价于：

\[\text{Decision Process} = \beta^\top F\]

伯克希尔的行业判断、资本配置、收购结构、公司治理、税务安排、交易谈判以及集中持仓决策都无法被简单的线性因子模型完整描述。

因子模型回答的是：

收益结果在统计上像什么？

它并不能完全回答：

巴菲特实际是怎样做出每一个决策的？

Buffett Alpha

Buffett’s Alpha 最有价值的地方，不是把巴菲特“还原”为几个量化因子，而是把一个传奇投资记录转换成了可分析的经济机制。

论文的实证证据可以浓缩成：

\[\boxed{ \text{Buffett} \approx \text{Value} + \text{Quality} + \text{Low Beta} + \text{Cheap Leverage} + \text{Long Horizon} }\]

伯克希尔在 1976—2017 年的年化超额收益约为 $18.6\%$，波动率约为 $23.5\%$，Sharpe Ratio 为 $0.79$；论文估计平均杠杆约为 1.7 倍。进一步加入 BAB 与 QMJ 后，伯克希尔公开股票组合原本显著的 Alpha 基本消失。作者最终据此认为，其长期表现很大程度上可以理解为对便宜、安全、高质量股票的持续持有，并利用低成本融资对这一高 Sharpe Ratio 资产组合进行适度杠杆化。

优秀企业 合理价格 持续盈利能力 安全边际 长期持有 保险浮存金