均值回归的两个幻觉

上一章造好了基础率这台机器。可基础率之所以有用，背后靠的是一条更底层的规律：均值回归。你查一家公司的历史增速分布、把它的预测往中位数收缩，前提就是相信“极端的结果会向平常靠拢”。这条规律人人都听过，莫布森却说了句不客气的话：多数投资者知道均值回归，也自以为在建模时考虑了它，实际上很少有人处理得当；而且整体上看，投资者的行为并不像是理解这个概念的样子。问题出在两个幻觉上。这一章就把这两个幻觉拆掉——它也是本书第十四章那套衰减率方法论的直系祖先。

一场统计学史上著名的翻车

1933 年，西北大学的统计学家霍勒斯·塞克里斯特（Horace Secrist）出版了一本厚书《商业中平庸的胜利》（The Triumph of Mediocrity in Business），配了一百多张图。他追踪了大量公司若干年，发现最初表现最好的一批，后来平均下滑；最初最差的一批，后来平均上升。他的结论是——“在竞争性商业活动中，平庸倾向于占上风”（Mediocrity tends to prevail in the conduct of competitive business），并且写道，有利与不利的条件都在被持续耗散，“均等化正在进行中”。学界最初反应友好，直到哥伦比亚大学的统计与经济学家哈罗德·霍特林（Harold Hotelling）写了一篇尖刻的书评。

霍特林指出塞克里斯特犯了两个错误，这两个错误恰好就是本章要讲的两个幻觉。第一个错误是假定因果。塞克里斯特明写，商业中的平庸倾向“不只是一个统计结果，它表达的是普遍存在的行为关系”——也就是说，他认为是竞争“导致”了回归。霍特林的反驳成了名句：“这些图表其实什么也没证明，只证明了这些比率有一种四处游走的倾向。”（“These diagrams really prove nothing more than that the ratios in question have a tendency to wander about.”）莫布森替这句话补了一层意思，很重要：这不是说不存在因果因素，而是说我们根本不需要任何因果因素，就能观察到均值回归。竞争也许真的在压低超额回报，但把回归本身当成竞争的证据，是把一个纯统计现象误读成了一条经济规律。

塞克里斯特的第二个错误，是假定总体的方差在下降——“平庸占上风”这句话本身就暗含这个意思：仿佛所有公司都在向中间挤。霍特林一句话戳穿：“用’各组均值收敛’来论证商业比率在收敛，是明确错误的。”这一条留到后面单讲，因为它是第二个幻觉。

塞克里斯特这本书为什么会骗过整个学界？因为那个因果故事太顺耳了：竞争抹平优势、平庸终将胜出，既符合直觉，又带着一点道德劝诫的味道，读起来像一条深刻的商业规律。一百多张整整齐齐的图，更让它显得铁证如山。可那一百多张图证明的，恰恰只是“这些比率会四处游走”——一个只要有运气参与就必然出现的现象。这个教训在今天丝毫没有过时：每当有人拿一堆漂亮的图表告诉你某种趋势“不可逆转”，你都该先问一句，这些图到底证明了一条因果规律，还是仅仅证明了数字在均值附近游走。塞克里斯特的错，是每一代人都会重犯的错。

只要相关不完美，就必然有回归

要理解霍特林为什么对，先看莫布森最喜欢的一个思想实验。老师给学生一百条信息去学，某个学生学会了八十条；考试时老师随机抽二十条出题。平均而言，这个学生会考八十分。假设他这次考了九十分——那多出来的十分是什么？是好运：他会的那八十条里，恰好被多抽中了。现在问：同样的设置，他下一次考多少分？答案是回到八十。技能持续（他还是会八十条），运气归零（下次不见得再走运）。这就是均值回归，而它里面没有任何“竞争”或“因果”，只有技能加运气的结构。

莫布森把这条规律浓缩成一句：“只要两个分数之间的相关不完美，你就会看到均值回归。”（“whenever there is an imperfect correlation between two scores, you will have reversion to the mean.”）反过来说也成立：只要运气在结果里扮演了角色，就必然有均值回归。回归的速度，由相关系数 r 决定；而 r 有一个漂亮的几何含义。想象一张散点图，你画三条线：一条是拟合出来的回归线，一条是四十五度的“完美相关线”（斜率 1.0），一条是沿横轴的“零相关线”。r 就等于“零相关线到回归线的距离”除以“零相关线到完美相关线的距离”。回归线越贴近完美相关线，r 越接近 1，回归越慢；越贴近横轴，r 越接近 0，回归越快。凭肉眼看回归线偏向哪边，你就能判断 r 更接近 1 还是 0。

有了 r，回归的算术就只有一行：期望结果 ＝ r ×（当前结果 − 均值）＋ 均值。两个端点最能说明问题。r 等于 1.0 是完全不回归：让六名短跑选手立刻再跑一次，预期名次不变——这是一项几乎纯技能、有传递性的活动。r 等于 0 是完全回归：1928 到 2012 年标普 500 逐年总回报的自相关只有 0.02，实质为零，所以对任何一年回报的最好估计，就是全期的年均回报，去年是涨是跌毫无预测力。莫布森顺手提醒一句心理学发现：我们普遍没有把预测向均值调整到应有的程度——手里握着一个亮眼的数字，就是舍不得往下收。

棒球给了这条规律最直观的一组对照。取球员相邻两个赛季的数据：“击入场内的二垒打与三垒打率”，相关系数只有 0.14，几乎全是运气，某一年打得再漂亮，下一年也该预期它掉回全体均值；“三振率”，相关系数高达 0.82，高度是技能，某一年的三振率能可靠地预测下一年。两张散点图，一条拟合线几乎平贴横轴，一条几乎贴合完美相关线。同样是棒球统计，一个反映运气、一个反映技能，靠一个相关系数就分开了。这正是第二部那一课在数据上的样子。

回到莫布森那句“投资者的行为并不像理解这个概念”的抱怨——这条纯统计规律，在实践中被系统性地用错，而且是朝两个相反的方向错。一头是对赢家外推：一家公司连着几年高增长、高回报，分析师就把这条上扬的曲线笔直地画进未来，忘了里面有一大截是运气、下一程本该向均值收缩。另一头是对输家外推：一家公司刚栽了个跟头，就被当成“从此平庸”，可如果它的低谷里同样掺着运气，它反倒该向均值回升。上一章的基础率，正是治这个病的药——你查那张四十四格的表、把预测往中位数收缩，做的就是“按相关系数把结果拉回均值”这件事。均值回归是引擎，基础率是仪表盘：这一章讲引擎怎么转，才让上一章那张表读得懂。

时间之箭，可以倒着走

现在是本章的杀手锏，也是它必须处理的核心反证——反证本身就是这一章最强的武器。如果均值回归真是竞争造成的，那它应该只朝一个方向发生：今天强的，被竞争磨到明天变弱。可事实是，时间之箭可以反过来走。

看父子身高。皮尔逊（Karl Pearson）与李（Alice Lee）1903 年发表过一千多对父子的身高数据，父子相关系数约 0.50。正着看：最高的那批父亲比全体父亲的均值高约 8 英寸，而他们的儿子只比全体儿子的均值高约 4 英寸——回归了一半。这没什么稀奇。稀奇的是倒着看：按儿子的身高排序回溯父亲，儿子偏离均值的幅度反而大于父亲。“高个父亲导致高个儿子”或许说得通，可“高个儿子导致高个父亲”是彻头彻尾的胡话——儿子还没出生，怎么可能反过来决定父亲的身高？既然倒着也成立、而倒着的因果讲不通，那么正着的回归也就不可能仅仅是因果造成的。它只是不完美相关的数学后果，仅此而已。

莫布森把同一个实验搬到了企业上，做成一次决定性的对照。取全球约 1,195 家可选消费品公司 2002 到 2012 年的 CFROI。正着看：按 2002 年的 CFROI 分五组、跟踪十年，最高组与最低组的差距从 25 个百分点收窄到 10 个百分点——回归了，符合“竞争磨平超额回报”的直觉。可接着他倒着做：按 2012 年的 CFROI 分五组、回溯到 2002 年，看到了一模一样的收敛形态。竞争可以解释“高回报公司后来回落”，却绝无可能倒着起作用、让“2012 年高回报的公司在 2002 年就已经处在收敛的路上”。父子身高的双向图，和企业 CFROI 的双向图，并排放在一起，是投资写作里少见的、能用一个百年数据集和一个当代数据集同时完成的对照实验。它一次性反驳了两种流行误读：一种说“竞争解释了一切回归”，另一种以为回归里藏着某种可利用的因果规律。回归不需要因果，也不需要时间箭头。

变，与不变，可以同时成立

第二个幻觉，是塞克里斯特那个“总体方差在下降”的假定。这也是最反直觉的一点：均值回归作用于总体，却不作用于个体；分布的整体形状可以完全不变。

回到考试的例子。第一次考九十分的学生，第二次可能因为好运耗尽而掉回八十；但与此同时，另一个资质相似、第一次只考了八十分的学生，第二次可能走运考出九十。高的往下、低的往上，可位置在互换，总体的分布纹丝不动。父子身高也一样：儿子这一代的身高分布，尾部与父亲那一代惊人地相似，变异系数几乎完全一致——儿子并没有比父亲更向平均身高聚集。莫布森用一句话点破这个悖论：“高结果与低结果随时间向均值靠拢所呈现的’变’，与总体分布保持恒定的’不变’，是共存的。”塞克里斯特看到一批领先公司后来平均下滑，就断言整个商业世界在滑向平庸，错就错在他把“个体在分布里重新洗牌”，误当成了“分布本身在坍缩”。

这个区分有一个直接的实务含义：判断一个分布到底有没有真的变窄，不能靠“看到极端值回归”就下结论，得去测离散度——标准差，更好是变异系数（标准差除以均值）。如果变异系数没变，那分布就没变，你看到的全部“回归”都只是共因变异在洗牌。这一条挡住了太多误判：每次有人说“这个行业的利润率正在被竞争抹平、大家都要变平庸了”，先问一句——分布的离散度真的在缩小吗，还是只是排头的几家换了人？

回归有多快，又回归到哪

把均值回归真正写进模型，要回答两个具体问题：回归有多快，回归到哪个均值。莫布森说，HOLT 的用户熟悉的那个“衰减”（fade），指的就是这两件事。

先说多快。这里有一个只有真去测过数据的人才知道的坑：一年的相关系数会高估回归速度，你该用多年的相关系数。以必需消费品板块为例，一年期 r 是 0.88，四年期 r 是 0.73。如果一家公司的超额 CFROI 高出板块均值 10 个百分点，用一年 r 去外推四年，得到 0.88 的四次方乘 10，约等于 6.0；可直接用实测的四年 r，得到的是 0.73 乘 10，等于 7.3。差了近两成。原因是一年的数据里噪声太多，会把回归算得太快；四年的数据才更能反映板块的真实黏性。莫布森据此给出十个板块的四年期 r 速查表：必需消费品 0.70、医疗保健 0.60、可选消费品 0.56，一路排到信息技术 0.38、能源 0.36。这张表本身就有信息——面向消费者的板块普遍在顶部（回归慢、护城河黏），暴露于大宗商品的板块普遍在底部（回归快、无处躲）。

把这两个极端画出来会更直观。假设某公司的 CFROI 高出板块均值 10 个百分点，用四年 r ＝ 0.70 和 r ＝ 0.36 各画一条衰减曲线：前者缓缓下滑，超额回报要拖好些年才磨没；后者陡然下坠，没几年就贴回均值。这条曲线，就是把一个抽象的相关系数，翻译成“护城河还能维持几年”的桥。一个相关系数 0.70 的板块和一个 0.36 的板块，哪怕今天的超额回报一样高，它们值的钱也天差地别——因为一个能久、一个短命。

有了 r，回归的算术就能落到具体公司上。莫布森的模板是 AutoZone：它最近一个财年的 CFROI 是 20.8%，所在的可选消费品板块 1990 到 2012 年均值是 8.7%，该板块四年期 r 是 0.56。代入公式，四年后的预测 CFROI ＝ 0.56 ×（20.8 − 8.7）＋ 8.7 ＝ 15.5%，也就是说，大约五年后会有一半的超额 CFROI 消失——无论这消失是出于内部原因（自己的护城河变窄）还是外部原因（竞争涌入）。但他立刻加了一句必须记住的限定：这不是对 AutoZone 的预测，而是对“同板块、起点超额 CFROI 相近的一大批公司，平均会发生什么”的刻画。具体到 AutoZone 这一家，它可能守住、也可能塌得更快。他专门指出，那个 15.5% 右边其实是一整个分布：2002 年处在最高分位的那批公司，到 2012 年确有一部分向板块均值回归，可另一部分反而涨得更高、还有一部分跌破了均值。他把这层意思写成一句很美的话——“一张简单的均值回归图，掩盖了数据的纹理。”（“A simple picture of reversion to the mean belies the texture of the data.”）你可以有充分的理由相信某家公司会好于或差于这个简单模型，那就把理由写进模型；但均值回归应当始终是你建模时的一项默认考量，因为它对一个总体而言总是成立的。

再说回归到哪。“回归到均值”这句话里的“均值”，不是一个放之四海的常数，必须逐板块回答，而且要问两件事。第一，这个均值本身有多稳？必需消费品 1990 到 2012 年的平均 CFROI 是 9.2%、标准差只有 0.5%，变异系数 0.76；能源的平均 CFROI 是 5.1%、标准差却有 1.5%，变异系数 1.25。这条数据串起了一根因果链：能源的均值更低、波动更大，所以它回归得更快，也因此对应更低的估值倍数——高波动加低回报对应低倍数，低波动加高回报对应高倍数，这与市场的实际定价一致。第二，哪些因素在推动这个均值？能源板块的 CFROI 可能跟着油价走，金融板块的回报可能由监管变化决定。所以你不能笼统地说“它会回归到均值”，你得先问“回归到哪一个、由什么力量锚定的均值”，而这个均值本身也会随板块结构的改善或恶化而移动。逐板块地回答这个问题，是把均值回归用对的最后一道功夫。

这道“逐板块问清楚”的纪律，还能帮你看穿一场经常吵得不可开交的宏观争论：美国上市公司的总量利润率处在历史高位，它会不会均值回归？莫布森的拆法很干净——板块或行业内部，公司的利润率必然回归；但整个经济体的总量利润率会不会回落，是另一个问题，答案取决于推动利润率水平的那几样东西——劳动力成本、折旧费用、融资成本、税率——各自在往哪个方向走。如果这几股长期性的力量本身移位了，总量利润率完全可以在衰退后的强劲反弹之后，稳在一个比过去更高的新中枢上，而不必回到老均值。个体必然回归、总量未必，这恰恰是“回归作用于总体、不作用于个体”那条悖论的镜像：把一群必然回归的个体加总起来，也并不保证能把这个总量拽回原处。分不清“个体的均值”和“总量的均值”，是这场争论里多数误判的根源。

一道作业

这一章的作业，是给你手里任何一个“它会回归到平常水平”的判断，做一次体检。

先问因果那一关：你相信这家公司的高回报会回落，是因为你真的识别出了压制它的机制（新进入者、替代品、监管），还是仅仅因为“它现在高、总要跌回来”？如果是后者，你用的其实只是不完美相关这条纯统计规律——那没关系，但你要知道自己在用什么，别把统计规律当成对这家公司的因果洞见。再问速度那一关：你有没有拿一年的表现去外推多年？如果有，你多半高估了回归的速度，把该守得住的护城河算短了。最后问那个最容易被跳过的问题：它到底回归到哪个均值去——是板块的历史中枢，还是一个正在被油价、被监管、被技术悄悄挪动的靶子？

回答完这三关，你不会得到一个精确的目标价，莫布森也从不给。你会得到一件更结实的东西：一个知道自己“变”在哪里、“不变”又在哪里的判断。因为均值回归最深的那层教训，恰恰是——变与不变，从来都是同时成立的。

本章依据

• A1｜报告（本章主文本）：《如何为均值回归建模：确定回归有多快、回归到哪个均值》（How to Model Reversion to the Mean），2013-09-17，Credit Suisse Global Financial Strategies，与 Dan Callahan、Bryant Matthews、David A. Holland 合著（research/michael-mauboussin/digest/shard-01.md，comp-004-017 · P0）。Secrist《商业中平庸的胜利》与“平庸倾向于占上风”、Hotelling 两点反驳（“四处游走的倾向”、“用各组均值收敛论证比率收敛是错误的”）、“不需要因果就能观察到回归”、学生考试思想实验（技能 80＋好运 10）、“不完美相关必有回归”、相关系数的三线几何解释、回归公式与两端点（短跑 r=1.0、标普 500 逐年回报 r=0.02）、棒球二三垒打率 r=0.14 vs 三振率 r=0.82、父子身高（Pearson & Lee 1903，1,000+ 对，r=0.50，8 英寸→4 英寸，反向偏离更大）、全球 1,195 家可选消费品公司 CFROI 正/反双向收敛（25pp→10pp）、变异系数判分布是否真变、一年 r 高估回归速度（必需消费品 0.88⁴×10=6.0 vs 0.73×10=7.3）、十板块四年 r 速查表（0.70→0.36）、AutoZone 算例（20.8%、8.7%、0.56→15.5%）、“简单的回归图掩盖数据纹理”、逐板块均值与变异系数（必需消费品 9.2%/0.5%/0.76、能源 5.1%/1.5%/1.25）、建模纪律，均出自此篇。证据等级 A1。
• 反证处理（本章反证即其立论核心）：时间之箭可倒转（父子身高反向 + 企业 CFROI 反向双向并置），证明竞争不是回归的唯一解释；均值回归作用于总体而非个体、总体分布可不变（“变与不变共存”）；“回归到哪个均值”须逐板块回答（能源随油价、金融随监管）——均据 comp-004-017 本人论述。
• 归属：均值回归的经典发现＝Galton（本篇用 Pearson-Lee 1903 数据重现）；“平庸的胜利”错误与其纠正＝Secrist vs Hotelling（1933）；CFROI 口径与分板块相关系数出自 Credit Suisse HOLT 团队。回归速度/回归目标的双问结构与十板块速查表，是莫布森团队把该方法工程化的成果，并为本书第十四章 ms-045（2026）衰减率方法论的直系祖先。
• 数字纪律说明：本章所引 r、CFROI 均值与标准差、AutoZone 算例均取自 comp-004-017 正文数字（CFROI 为 HOLT 口径，与后续章节 NOPAT/IC 口径不可直接混比）；未使用任何 OCR 散架图表。
• 不管钱纪律说明：AutoZone、可选消费品样本公司、棒球与父子身高均为莫布森用于演示统计规律的第三方案例，非其交易或推荐；本章为均值回归的建模方法论，不含任何买卖结论。

本站正文为基于公开材料的独立编辑与研究归纳，不替代原始资料，也不构成投资建议。