分散只會賺到平均，集中才會發財，不是嗎？

這句話對了一半。集中確實提高「變成非常有錢」的機率——但同一句話換個講法就是：它把中位數推得很低。同樣的期望報酬，波動越大，多數人拿到的結果越差。分散不是為了賺到平均，是為了讓自己拿到的比較接近平均。

期望值不變，中位數會塌

假設兩個投資都有相同的算術期望報酬 8%，只是波動不同。三十年後的終端財富倍數：

平均值裡沒有 $\sigma$，中位數裡有。 這就是全部的關鍵。

平均值（期望值）中位數（多數人拿到的）

代進去看：

年化波動	三十年後平均值	中位數	期末低於本金的機率
17%（分散的股票組合）	11.0×	7.15×	2%
45%（單一個股的典型量級）	11.0×	0.53×	60%
60%（高波動個股）	11.0×	0.05×	82%

三行的期望值一模一樣。但波動 45% 的那一行，中位數只有 0.53 倍——超過一半的結果連本金都沒保住，而平均值仍然漂亮地停在 11.0 倍。

平均值沒有算錯。它只是被少數極端好的結果撐著。而那些結果不會平均分給每個人，它們集中在極少數人身上。

少數贏家如何撐高平均

常被引用的一個實證結果是：長期而言，只有極少數股票貢獻了整個市場的財富創造，多數個股的長期報酬低於短期公債。這個發現通常被拿來支持集中投資——「所以要找出那幾檔」。

但它其實是上面那張圖的實證版本，而且結論完全相反：

• 個股報酬的分配是極度右偏的。多數個股的中位數結果很差，平均被少數極端贏家拉高。
• 買整個市場的人，自動持有那些贏家。
• 集中持有 3 到 5 檔的人，抽中那幾檔的機率很低，而抽到中位數結果的機率很高。

同一份資料，「所以要挑出贏家」和「所以不要挑」都說得通——差別在於有沒有能力事前挑出來。 而這正是下一節要處理的問題。

廣度是另一筆代價

Grinold 的基本法則把主動管理的成果拆成兩項：

其中 IC 是預測能力（資訊係數），BR 是每年獨立決策的次數（廣度），IR 是資訊比率。

集中投資做的事，是把 $\sigma_{\text{主動}}$ 拉大——它在第二條式子的乘法裡。但它不會改變 IC 的符號。 如果預測能力是零或負的，把主動風險放大只會等比例放大錯誤。

更麻煩的是第一條式子裡的 $\sqrt{\text{BR}}$。持有 3 檔、而且長期不動的人，每年的獨立決策次數接近 1。即使 IC 很高，資訊比率仍然被極小的廣度卡住。

這也讓「事後驗證」變得幾乎不可能。要在統計上把技巧和運氣分開，需要的年數是：

一個年阿法 3%、追蹤誤差 15%（集中組合的典型量級）的紀錄，要達到 95% 信賴水準需要約 96 年。集中投資把追蹤誤差拉高，於是它同時讓自己更難被證明有效。完整的算法在他連續五年打敗大盤，這樣還不算有實力嗎。

分散買到的是結果的可靠度

不是「平均的報酬」，是**「比較接近平均的報酬」**。這兩件事差很多。

分散降低的是 $\sigma$，而降低 $\sigma$ 會直接抬高中位數——因為中位數是 $e^{(\mu - \sigma^2/2)T}$。用漲 50% 再跌 50%的語言：分散化不是只讓人比較好睡，它會實際提高長期複利報酬。

而且分散的極限也是可以算的：無論買多少檔，組合變異數不會低於資產之間的平均共變異數。所以真正要看的是「會不會一起跌」，不是檔數——完整推導在買了五十檔股票，算分散嗎。

平均、中位數與發財機率

「有錢人都是集中致富的。」 這句話是對的，但它是一個關於已實現樣本的陳述。集中投資的結果分配右尾很長，所以最有錢的那一群人幾乎必然是集中投資者——同時，虧最多的那一群也是。 只看前者是最經典的倖存者偏誤。而且很多集中致富的例子是「經營自己的事業」，那與「集中持有別人的股票」是完全不同的風險結構：前者可以影響結果，後者不能。

「分散就是不知道自己在買什麼。」 這句話混淆了「知道」與「有預測力」。知道一家公司在做什麼，不等於知道市場還沒反映什麼。後者才是超額報酬的來源，而它需要的證據門檻在上一節算過。

「那我集中在自己最懂的產業總可以吧。」 產業集中會同時提高波動與相關性——組合裡的每一檔都對同一個利率環境、同一個景氣循環、同一個監理變化敏感。對台灣的受薪族還有一層：薪水、房子與勞退已經全押在同一個經濟體上。資產配置該放多少台股算過這一層疊加。

這個模型的範圍

• 終端財富的分配假設對數常態、報酬獨立同分配。真實個股有厚尾與下市風險，兩者都讓中位數比表格更差、右尾比表格更長。
• 表格中的算術期望報酬固定為 8%，這是為了隔離波動的效果，不是報酬預測。個股的期望報酬並不會因為波動高而比較高（那正是CAPM的結論）。
• 基本法則假設各次決策彼此獨立，實務上高度相關的持股會讓有效廣度低於檔數。
• 本文不評價、也不推薦任何具體標的或策略。