倖存者偏差

核心描述

• 倖存者偏差 是一种常见倾向：在评估市场、股票或基金时，只观察仍在交易或仍在披露业绩的 “幸存者”，而那些表现不佳后被关闭、退市、清算或并购消失的对象，往往被悄然排除在视野之外。
• 由于基金清盘、股票退市、产品清算与并购等事件会把较弱的历史记录从数据集中移除，历史平均表现可能被 “抬高”，风险也可能被 “压低”，从而与真实经历产生偏差。
• 投资者可以通过使用 point-in-time（时点） 的可投资标的范围、纳入已清盘基金与已退市股票，并对比 “仅幸存者” 与 “全样本” 的研究结果，来降低倖存者偏差带来的影响。

定义及背景

倖存者偏差（也称 survivor bias）是一种抽样误差：你只能看到 “还存在的东西”。在投资领域，“可见集合” 往往是当下仍上市的股票、仍在运作的基金、仍在销售的份额类别；而 “缺失集合” 则包括已退市公司、已清盘基金，以及被并购整合而不再单独展示的产品——这些对象往往是在业绩较差后退出样本。

这之所以重要，是因为缺失数据并非随机。失败者更可能消失，数据集就会向赢家倾斜。结果是：管理人能力看起来更普遍、回撤似乎更小、长期平均回报也显得更平滑，但这些都可能高估了全体同批产品或公司在真实历史中的表现。换言之，倖存者偏差风险 是指基于公布的投资基金回报数据而做出错误投资决策的机会。

倖存者偏差与其他研究陷阱相关但不相同：

• 选择偏差（selection bias） 更广泛：任何导致样本不具代表性的选择方式。倖存者偏差是其中一种特例，即 “未幸存者” 缺席。
• 前视偏差（look-ahead bias） 指未来信息泄漏到过去决策中（例如用最终的指数成分股名单回测历史）。
• 回测偏差（backtest bias） 是更大的统称，可能包含倖存者偏差、前视偏差与过拟合等问题。

计算方法及应用

快速覆盖检查：倖存者偏差率（SBR）

一个简单的诊断方法是衡量起初的标的中，有多少仍然可被观察到：

\[\text{SBR}=\frac{N_{\text{survivors}}}{N_{\text{initial}}}\]

若 SBR 较低，说明有大量路径已经消失，倖存者偏差的风险通常更高。

衡量业绩 “膨胀”（仅幸存者 vs 全样本）

为了估计业绩可能被高估的幅度，可以对比仅用幸存者计算的收益，与用全样本（幸存者 + 未幸存者）计算的收益：

\[\Delta R=R_{\text{survivors}}-R_{\text{full}}\]

两者需使用相同的加权方式（等权、市值加权或 AUM 加权）。若 \(\Delta R>0\)，通常意味着存在倖存者偏差导致的业绩 “抬高”。

这些计算常用于哪里

• 基金研究： 比较主动管理 “品类平均”、同业排名或业绩延续性研究。
• 股票筛选： 用仅包含当前仍上市股票的样本测试因子或过滤条件，可能夸大命中率。
• 指数研究： 用 “今天的成分股” 去重建历史（而不是使用逐期成分股），会嵌入类似倖存者偏差的失真。

小示例（假设情景，仅作说明，不构成投资建议）

假设 10 只基金同时起步。5 年后，6 只基金存续，平均收益为 +8%；另有 4 只基金在平均收益 -10% 后关闭。

• 仅幸存者平均 = +8%
• 全样本平均 = \((6\times 8\%+4\times (-10\%))/10=0.8\%\)

差值显示了倖存者偏差如何让 “典型结果” 看起来显著更好，而与全体同批产品的真实结果不一致。

优势分析及常见误区

采用 “考虑倖存者偏差” 的分析优势

• 更贴近现实的收益估计： 纳入已清盘基金与已退市股票后，历史平均回报通常会降低，同时结果分布会更分散。
• 更准确的风险度量： 当失败者从样本中消失时，波动率与最大回撤可能被低估；纳入非幸存者有助于暴露尾部风险。
• 更公平的管理人对比： 当把缺失的落后者补回同业集合后，“四分位排名”“长期领先” 等主张往往会变得不那么亮眼。

代价与局限

• 数据处理更困难： 退市证券与已清盘基金的历史可能存在代码变更、标识符不一致或记录不完整等问题。
• 不能解决所有问题： 消除倖存者偏差并不等于消除前视偏差、选择偏差或数据挖掘等风险。
• 仍需关注市场环境变化： 即使历史覆盖完整，也不能保证未来与过去一致。

常见误区

• “只要在热门数据库里，就一定是完整数据。” 便捷数据集常是 “仅存续（live-only）”，这是倖存者偏差进入研究的常见来源。
• “指数历史很长，说明是同一批公司一直在里面。” 指数收益序列可能真实可靠，但成分会变动；把指数历史解读为 “长期持有同一批公司” 是另一种说法。
• “排行榜能证明优秀管理人长期稳定。” 各类榜单常排除已清盘、被并购吸收或停止披露的产品。

实战指南

第 1 步：像历史研究一样定义投资范围

明确写出地区、资产类型、时间窗口与纳入规则。对基金而言，需说明是否包含已清盘基金与不活跃的份额类别；对股票而言，需说明是否纳入已退市股票与退市收益（delisting returns）。

第 2 步：要求使用时点（point-in-time）数据

降低倖存者偏差需要逐期 “当时可见” 的成员信息，例如：

• 指数逐期成分股（point-in-time index constituents）
• 保留已清盘或被并购基金的基金列表
• 不会把失败者静默删除的公司行动（corporate action）历史

第 3 步：对退出事件进行核对（退市、并购、清盘）

把退出视为 “结果”，而不是 “缺失值”。并购可能把弱业绩隐藏在更强的同系产品之下；对股票而言，需要显式处理退市事件，避免收益路径直接消失。

第 4 步：始终同时披露两种视角

在报告中同时发布：

• 仅幸存者结果（许多仪表盘默认展示的口径）
• 全样本结果（幸存者 + 未幸存者）

并突出 CAGR、最大回撤与波动率在两种口径下的差异。

第 5 步：使用一份操作清单（快速审计）

案例（假设情景，仅作说明，不构成投资建议）

分析师用 2005 到 2020 的数据做 “高质量股票” 回测，但样本只包含今天仍存在的股票代码。曲线看起来更平滑、回撤也显得较小。改用无倖存者偏差的数据集（纳入后来退市或破产的公司）后，该策略的波动率上升，最差年度收益变得更差。信号可能仍有参考价值，但对历史的预期会更贴近现实，因为倖存者偏差不再把失败者过滤掉。

关于券商筛选工具的一点说明

在 长桥证券（Longbridge） 等平台上，筛选工具可能更强调当前可交易标的，这对执行交易有帮助，但未必适合直接用于严谨的历史推断。若用于研究，建议与保留退市历史与时点成员信息的数据源交叉验证。

资源推荐

通俗参考

• 类似 Investopedia 风格的解释文章：倖存者偏差、选择偏差、前视偏差与回测偏差（适合快速理解定义与例子）

监管与披露标准

• 美国 SEC 关于业绩宣传与展示的材料
• 英国 FCA 关于信息 “清晰、公允且不具误导性” 的指引

这些参考有助于理解为何在营销与报告中，披露倖存者偏差相关方法很重要。

专业标准

• CFA Institute 课程中关于业绩评估偏差的讨论
• GIPS 关于一致性业绩展示与可比性的相关理念

方法论文件

• 指数编制方关于调样、成分变更与公司行动处理方式的方法说明

这些材料有助于区分 “指数历史收益” 与 “成分股随时间变化的成员结构” 各自代表的含义。

常见问题

投资中的倖存者偏差是什么？

倖存者偏差是指在分析时只看仍然存在的基金或股票，而忽略那些已经关闭、被并购整合、退市或破产的对象。由于失败者更可能消失，研究结果往往会比全体同批对象的真实经历更乐观。

为什么倖存者偏差通常会抬高业绩？

表现较差的产品更可能清盘或从数据库中移除。当这些负面结果消失后，样本会向赢家倾斜，从而提高平均回报，并且常常让波动率与回撤看起来更低。

投资者最常在哪里遇到倖存者偏差？

常见场景包括：公募基金排名、遗漏 “dead funds” 的对冲基金数据库、排除退市股票的股票筛选，以及用今天的指数成分股去模拟过去的回测。

倖存者偏差等同于选择偏差或前视偏差吗？

不等同。选择偏差指任何导致样本不具代表性的选择方式；前视偏差指使用了当时不可得的未来信息；倖存者偏差特指 “未幸存者缺失”，从而让可见数据系统性偏乐观。

如何在报告或数据集中识别倖存者偏差？

留意诸如 “active funds（在运作基金）”“current constituents（当前成分）”“available tickers（可用代码）” 等表述，并检查方法说明是否解释了清盘、退市、清算与并购的处理方式。若纳入规则不清晰，应默认存在倖存者偏差风险。

倖存者偏差对指数投资也重要吗？

对研究分析尤其重要。若用今天的指数成分重建历史，会遗漏被剔除或失败的成分。官方指数总回报序列可能相对稳健，但成分变更仍会影响你对 “这段历史代表什么” 的解释。

总结

倖存者偏差会通过排除已经消失的失败者，让市场、基金与策略看起来更赚钱、风险更低，从而高估历史业绩与一般属性。应对它通常不是依靠单一指标，而是一套研究实践：清晰定义投资范围、使用时点数据、纳入未幸存者，并对比仅幸存者与全样本结果。把 “消失的失败” 当作结果的一部分纳入分析，能帮助形成更贴近现实的预期，并支持更审慎的决策。