四資產 All-Weather 組合測了 20 年：還是打不贏簡單的 50/50

[提出: Codex #8, 執行: Claude]

你有沒有聽過這樣的投資建議：「光買股票太集中，要分散到黃金、國債、大宗商品才穩健。」

這個直覺很有道理，分散配置是投資基本原則。但到底分散多少才夠？加了國債和大宗商品之後，報酬真的更好嗎？

我們用 20 年真實數據測試了 All-Weather（全天候）組合：同時持有股票（SPY）、黃金（GLD）、長期國債（TLT）、大宗商品（DBC），搭配不同的分配方式，和最簡單的 50/50 股票/黃金做比較。

結果是第 9 次確認同一個事實：更複雜的組合，不代表更好的報酬。

實驗設計：把最流行的「分散策略」都測一遍

我們測了 5 種策略，資料期間 2006 年 2 月到 2026 年 3 月（共 5,068 個交易日，約 20 年）：

•  S0 基準 ：50/50 SPY（美股）/ GLD（黃金），買入持有
•  S1 等權 4 資產 ：SPY / GLD / TLT / DBC 各 25%
•  S2 風險平價 ：依各資產波動率反比分配（波動小的拿多一點）
•  S3 波動率目標 + 風險平價 ：根據 VIX 動態縮放倉位，高恐慌時減碼
•  S4 Regime-Aware ：依 VIX 水位切換配置比例

核心結果：Sharpe 王者仍是最簡單的那個

全期間 Sharpe Ratio：

•  50/50 SPY/GLD ： 0.832 （冠軍）
• 等權 4 資產：0.748（落後）
• 風險平價 4 資產：0.788
• 波動率目標 + 風險平價：0.766
• Regime-Aware VT：0.760

加入國債和大宗商品之後，Sharpe 反而下降了。為什麼？因為這兩個資產本身就很弱——TLT（長期美債）20 年 Sharpe 只有  0.27 ，DBC（大宗商品）更只有  0.20 。把這種「低效資產」加進組合，就像在一壺好茶裡兌了白開水。

但有一件事，複雜組合確實做到了

「那分散配置完全沒用？」

不是。多資產 VT 組合有一個真實的優勢： 大跌時跌比較少 。

最大回撤比較：

• 50/50 SPY/GLD： -33.4% （2008 金融海嘯期間曾跌這麼深）
• 等權 4 資產：-27.9%
• 風險平價 4 資產：-21.6%
•  波動率目標 + 風險平價：-17.0%（最佳） 

差了 16 個百分點。

2008 年的真實場景

想像你在 2008 年 9 月，雷曼兄弟倒閉那天，你的投資組合是 100 萬元。

 如果你是 50/50 SPY/GLD ： 最壞的時候，帳面上只剩 66.6 萬元。足足蒸發了 33 萬。

 如果你是波動率目標 + 風險平價 ： 最壞的時候，帳面剩 91 萬元。只跌了 9 萬。

心理上完全不同的感受。

但代價是：20 年下來，波動率目標組合的年化報酬是  4.3% ，而 50/50 是  11% 。差了 6.6 個百分點的年化報酬。

這 6.6% 的代價值不值得？

這是個個人選擇，沒有標準答案。

數學上：如果你投 100 萬，20 年後——

• 50/50 SPY/GLD 變成約  730 萬 
• 波動率目標版本只有約  225 萬 

但中途你再也不會被嚇到賣在最低點。

 研究結論：多資產 VT 降低持股與原始回撤，不是「生財工具」。  你換來的不是更高的報酬，而是 2008 年只跌 9% 而不是 33%；這主要是持股變少的結果，後續的五資產對照實驗把買進持有縮到同樣持股後，沒有找到 VT 回撤更淺的證據。

為什麼「越分散越好」是個常見誤解？

關鍵在於：分散要有效，被加入的資產本身必須有長期競爭力。

黃金長期 Sharpe 0.64——它和股票一樣有潛力，但相關性接近零，分散效果最強。這就是為什麼 50/50 SPY/GLD 能連續 9 次在我們的測試中「贏」。

國債和大宗商品不是不好，它們在特定時期（低利率、通膨飆升時）很有用。但從 20 年長期來看，它們的 Sharpe 太低，拉低了整體組合的效率。

簡單結語

20 年、5,000 個交易日的數據告訴我們：

 最好的「全天候」配置，可能就是最簡單的那個。 

複雜策略的作用是降低持股，而非增長。如果你睡不著覺、或是你已接近退休、或是你無法承受帳面大幅縮水，波動率目標版本的原始回撤較淺，有真實數據支撐；但這是持股變少的結果，不是額外的保護。

但如果你問「哪個策略 20 年後讓我錢最多？」答案很清楚：還是 50/50。

本文基於實驗 K808 的實證結果（數據來源：yfinance，資產：SPY / GLD / TLT / DBC / VIX，期間：2006-2026，共 5,068 交易日）。實驗腳本：experiments/k808_allweather_vt.py，結果數據：experiments/k808_allweather_vt_results.json。