我在给养老基金做咨询项目的时候，接触到了均值回归这个概念。这或许是一个被低估的统计概念，因为它不仅能解释很多数据现象，也能帮助我们避免很多现实判断中的误区。
先说一下均值回归本身是什么，再具体说说它在真实世界的应用，尤其是为什么能和养老基金扯上关系。宽泛意义上，均值回归是指极端的数据点或事件在经过一段时间后，通常会趋向于或回退到其长期的平均值或正常水平。比如一个篮球运动员的投篮命中率总体是50%，如果有一天比赛的时候他10投9中，那么我们可以大概率预计他接下来的命中率会低于90%，随着出手次数增加，这场比赛里最初那个“10投9中”的极端表现，会逐渐被后续更普通的表现稀释，整体命中率也会更接近他的真实水平。
在许多有随机性并且反复观测的系统里面，均值回归几乎是逃不掉的。这是一个可以用统计学来证明的结论。下面会有一点数学，看到公式就犯困的朋友可以直接跳到分割线。
假设我们对同一个系统做两次观测，得到两个随机变量 $X_1$ 和 $X_2$。它们有相同的均值 $\mu$ 和相同的方差 $\sigma^2$，并且相关系数为 $\rho$。这里的 $\rho$ 可以理解为两次观测之间的“持续性”：如果 $\rho$ 很接近 1，说明第一次观测和第二次观测高度相关；如果 $\rho$ 接近 0，说明第一次观测对第二次观测几乎没有预测能力。 进一步假设 $(X_1, X_2)$ 服从双变量正态分布1。那么根据双变量正态分布的条件期望公式，我们有：
$$ E(X_2 \mid X_1=x)=\mu+\rho(x-\mu) $$也就是说，如果第一次观测值 $x$ 高于均值 $\mu$，那么第二次观测的期望值也会高于均值，但高出的幅度只有原来的 $\rho$ 倍。只要 $|\rho|<1$，就有：
$$ |E(X_2 \mid X_1=x)-\mu|=|\rho(x-\mu)|=|\rho||x-\mu|<|x-\mu| $$这就证明了：当我们观测到一个偏离均值的极端值时，下一次观测的条件期望会比这一次更接近均值。
这里有两个边界情况也值得注意。如果 $\rho=0$，说明两次观测完全不相关，那么第一次观测再极端，也不影响我们对第二次的预期，此时 $E(X_2 \mid X_1=x)=\mu$，也就是直接回到均值。如果 $\rho=1$，说明两次观测完全一致，那么 $E(X_2 \mid X_1=x)=x$，就不存在均值回归。
注意了，这里我们证明的是：当我们观测到一个极端值的时候，我们预期下次的观测结果会更接近均值。均值回归并不是说“极端值之后一定会出现反方向的极端值”，也不是说“所有东西最终都会回到一个固定不变的数字”。它真正说的是：在一个带有随机波动、且相关性小于 1 的重复观测系统中，极端观测值之后的条件期望，会比原来的极端值更接近长期均值。很多人在讨论均值回归的时候没有严谨地采取这个定义，就会导致错误的结论。
比如在讨论“高智商父母的孩子是否存在智力均值回归”的时候，有人会说：如果均值回归存在，那么人类智商就应该一代代回归到同一个均值，人类智商就不会进步，所以均值回归不存在或者不适用。这个说法有好几个谬误，其中一个最明显的谬误就是对均值回归这个概念的错误使用。均值回归在这里并不能推导出“智商会回归到同一个值”，而只是说：如果这一代的智商是极端值，下一代智商大概率不会那么极端，仅此而已。而均值回归这个概念，也从来没有说过均值永远不变，这个我们之后还会细说。
掷硬币、掷骰子这种完全随机的系统，可以帮助我们理解“短期极端结果会被长期样本稀释”这件事。但在现实世界里，更有意思的往往不是完全随机，而是那些实力和运气混在一起的系统。比如前面提到的篮球，或者说大部分的体育运动。一个网球运动员除了有自身实力之外，比赛的发挥也一定会有运气成分，比如发球的成功率一定会有波动。棒球则更典型：一次安打、一次接杀、一次风向变化，都可能让短期结果出现很大波动。而相比之下，下棋大概是运气因素最低的竞技运动。
如果我们认为实力是短期内不会快速改变的因素，那么在反复抽样时产生均值回归的根本原因，可以被归结为运气的正负抵消。在环境相对稳定的前提下，均值回归趋近的长期水平，往往比短期极端表现更接近“实力”。一个篮球运动员可能在一场比赛里百发百中，但这个运动员整个职业生涯的总体投篮命中率才是其实力更准确的体现。
还有一个兼具运气和实力的领域是金融市场。股票、债券、期货等资产的价格不断变化，交易频繁，数据样本丰富，因此很容易让人联想到均值回归。而金融投资的成败，既靠运气也靠实力。一个人在一支股票上赚很多钱可能是实力但也可能是运气；而如果这个人在几十年的时间里一直在很多不同的股票上赚很多钱，那么就说明了这个人的实力，毕竟运气应该正负抵消了。
懂行的朋友可能要说了：这些听起来就只是大数定理而已（即：当试验次数足够多时，事件发生的频率会无限接近其真实的概率），没什么稀奇的嘛！没错，本质上大数定理和均值回归有很多共通之处。但是注意，均值回归是一个过程，着重留意“回归”这两个字。在实际应用中，这个回归的速率（rate of reversion）是一个非常重要的概念，是大数定理没有涉及到的。
说回前面提到的养老基金应用案例。从投资者的角度，我们有时会看到一家公司突然在某一年异军突起，业绩表现强劲。尤其是当它的 ROIC 显著高于 WACC 的时候2，说明这家公司不只是“赚了钱”，而是在资本成本之上创造了经济利润。换句话说，它的投入资本回报率超过了资本的机会成本，两者之间的差额，也就是所谓的 ROIC-WACC spread，代表了这家公司创造价值的能力。
在股票市场上，这种价值创造如果超出了市场原本的预期，往往会对应股价的上涨。但站在长期投资者，尤其是养老基金这类机构投资者的视角，真正重要的问题不是“这家公司今年是不是很好”，而是“这种好能持续多久”。
换句话说，如果这家公司当前的高 ROIC 一部分来自真实的竞争优势，一部分来自短期运气、行业周期、供需错配、低基数效应，或者其他暂时性因素，那么投资者需要判断的是：这些超额回报会以多快的速度被竞争、资本涌入、管理失误或行业周期反转所侵蚀？这个问题，本质上就是一个均值回归问题。
如果均值回归很快，那么今年的高 ROIC 可能只是昙花一现，估值就不能给得太高。如果均值回归很慢，说明公司可能拥有更强的护城河、更高的客户黏性、更好的成本结构或更难复制的商业模式，那么它的超额回报就有可能持续很多年。对养老基金来说，这个判断直接关系到应该如何估值、是否买入、买入后持有多久，以及什么时候应该重新评估这笔投资。说白了，养老基金这种长钱，最怕的不是错过一家公司今年的高光时刻，而是怕拿着退休金去给别人的中大运买单。
均值回归在真实世界里还有几个容易被忽略的复杂性。
第一个复杂性是：均值本身可能是模糊的。
前面我们说，一个系统会向均值回归。但问题是，到底回归到哪个均值？这个问题在真实世界里经常没有标准答案。
比如 Netflix。如果我们在 2005 年看 Netflix，它是一家 DVD 租赁公司；如果我们在 2015 年看 Netflix，它更像是一家流媒体影视公司；如果我们在今天看 Netflix，它又有一部分科技平台公司的特征。那么当我们说 Netflix 的利润率、增长率或者资本回报率会均值回归的时候，它到底应该回归到 DVD 租赁公司的均值，影视公司的均值，还是科技公司的均值？
不同的参照系会给出完全不同的答案。如果你把 Netflix 当成传统影视公司，那么它的估值和利润率可能显得过高；如果你把它当成科技平台公司，那么同样的数字可能又显得合理。这里的难点不在于有没有均值回归，而在于我们首先要判断：这个公司到底属于哪个系统？它应该和谁比较？它的“正常水平”到底是什么？
这就像问一个人：你到底应该跟小学同学比，大学同学比，还是跟 LinkedIn 上那些“很荣幸宣布”比？
这也是为什么在投资里，均值回归虽然是一个非常有用的思维工具，但不能被机械地使用。说一家公司“利润率高，所以会回归”，这句话本身没有错，但它还不够。真正重要的问题是：它会回归到哪个行业的利润率？它的商业模式有没有发生结构性变化？它的竞争优势是否足以让它长期维持高于同行的回报率？如果这些问题没有回答清楚，所谓的均值回归就可能只是一个听起来很统计学、但实际上很粗糙的判断。
第二个复杂性是：均值本身也会随着时间发生变化。
很多人对均值回归有一个误解，以为均值回归意味着所有东西都会回到某个固定不变的历史平均值。这个理解是不对的。均值回归只是在说，极端值之后的条件期望会更接近某个长期水平，但它并没有说这个长期水平永远不变。
人类智商和认知能力就是一个很好的例子。假设高智商父母的孩子存在智力上的均值回归，这并不意味着人类智商会永远停留在同一个水平。因为社会环境、营养水平、教育普及程度、医疗条件、信息获取方式都在变化，整个群体的平均认知水平也可能随之变化。也就是说，个体层面可能存在相对于当时群体均值的回归，但群体均值本身又可能随着时间缓慢移动。
金融市场里也是如此。一个行业的平均 ROIC 不是一成不变的。如果行业竞争加剧，平均 ROIC 可能下降；如果行业集中度提高，或者技术壁垒变高，平均 ROIC 也可能上升。一个国家的股票市场估值中枢、利率中枢、通胀中枢，也都可能随着制度、人口结构、生产率和资本供给的变化而变化。
所以，更准确地说，真实世界里的均值回归往往不是回到一条固定不动的水平线，而是回到一条可能缓慢移动的趋势线。均值不是一个静止的点，而更像是一个会随环境变化而漂移的参照系。
这也解释了为什么均值回归和趋势并不矛盾。一个系统可以一边长期向上发展，一边在短期内发生均值回归。比如一家优秀公司的收入长期增长，但某一年增长率特别高之后，下一年的增长率可能回落；一个国家的教育水平长期提高，但某一代特别突出的家庭，其下一代相对于同代人的优势可能缩小。前者是趋势，后者是围绕趋势的回归。
第三个复杂性是：不要把均值回归误认为因果关系。
这是均值回归在现实生活中最容易造成误判的地方。因为均值回归经常发生在极端值之后，而人们又很喜欢在极端值之后采取行动，于是就很容易把自然发生的回归，误以为是自己行动的结果。
Daniel Kahneman 在《Thinking, Fast and Slow》里讲过一个很经典的例子。他曾经给以色列空军的飞行教官讲课，说奖励好的表现通常比惩罚坏的表现更有效。结果一位教官反驳说：我的经验正好相反。学员飞得差，我骂他一顿，下一次通常飞得更好；学员飞得好，我表扬他，下一次反而经常飞得更差。所以批评有效，表扬有害。
Kahneman 的解释是：这位教官观察到的，很可能不是批评和表扬的因果效果，而是均值回归。一次特别差的飞行，通常混杂了不少偶然的坏运气；下一次这些坏运气不一定继续出现，所以表现自然会改善。一次特别好的飞行，也可能混杂了好运气；下一次好运气不一定继续出现，所以表现自然会回落。
也就是说，教官以为自己看到的是“飞得差 → 被骂 → 飞得好”，但实际发生的可能只是“飞得特别差 → 回到正常水平”。这就是均值回归最容易骗人的地方：它经常披着因果关系的外衣出现，让人误以为自己做了什么了不起的干预。
投资里也有类似的问题。一只基金某一年业绩特别差，管理层更换了基金经理。下一年业绩回升，于是大家可能认为换人立刻起了效果。但如果那一年差业绩本来就有很强的运气成分，下一年的回升可能部分只是均值回归。相反，一只基金某一年业绩特别好，随后规模迅速扩大，下一年业绩回落，大家可能归因于“规模变大拖累收益”。这个解释可能是对的，但也可能只是前一年好运气消失了。
这并不是说行动没有效果，也不是说所有改善都只是均值回归。而是说，当我们在极端结果之后观察到变化时，必须非常小心地区分两件事：一件事是我们采取的行动真的产生了因果影响；另一件事是系统本身就会从极端状态自然回到更正常的水平。人类大脑很喜欢写小作文。只要看到 A 后面跟着 B，就忍不住脑补一整套“因为 A 所以 B”的剧情。均值回归存在的意义之一，就是提醒我们：有些剧情，是大脑自费加戏。
所以，均值回归不仅是一个统计学概念，也是一种反直觉的思维习惯。它告诉我们，不要轻易被短期极端表现吸引，也不要太快为随后的改善或恶化编造故事。在一个同时包含实力和运气的世界里，很多看似戏剧性的变化，其实只是随机性在时间里慢慢被抵消。