幸存者偏差:你的客户看到的每一只"好基金",都是死人堆里爬出来的

设计行销 · 金融智识专栏 · 周三特别版

客户打开基金APP,首页算法推荐弹出来一排"近3年收益率85%+"的产品。他眼睛一亮,截图发到你微信:"张经理,这个基金怎么样?帮我看看。"

你点开截图看了一眼。问题不是这只基金好不好。问题是:你心里清楚,这个APP上展示的每一只"好基金",都是从死人堆里爬出来的。

那些同期成立、但业绩烂到被清盘的基金,已经从数据库里消失了。它们没有被推荐、没有被排名、甚至没有被记住。它们唯一的"贡献",就是让活下来的那些基金看起来更优秀。

这就是幸存者偏差——也是高净值客户在做资产配置时,最隐蔽、最致命、也最普遍的认知陷阱。

今天这篇文章,我不会跟你泛泛而谈"幸存者偏差"这个概念。我要给你一套可操作的框架——我称之为"幸存者偏差三层穿透模型"。学完之后,你不仅能自己穿透基金的"幸存者幻觉",还能用三句话术,帮客户从"榜单迷信"里醒过来。

一、一架飞机的弹孔,教会了华尔街什么?

先讲一个经典故事。这个故事你大概率听过,但它的金融含义,绝大多数人没有真正理解。

二战期间,美军统计了从战场返航的轰炸机身上的弹孔分布。数据显示:机翼中弹最多,机身次之,而驾驶舱和发动机部位弹孔极少。

指挥部的第一反应很自然:在弹孔最多的地方加装防弹钢板。

但统计学家亚伯拉罕·瓦尔德(Abraham Wald)说了句让所有人沉默的话:"不对。我们应该加固弹孔最少的地方——驾驶舱和发动机。"

他的逻辑冷峻到残酷:那些被击中驾驶舱和发动机的飞机,根本没有飞回来。我们看到的弹孔分布,不是"飞机哪个部位容易中弹",而是"飞机哪个部位中弹后还能活着飞回来"。

返航的飞机,是幸存者。它们身上的数据,本身就是被筛选过的。

你看到的从来不是完整的数据。你看到的,是"活下来的那部分"给你讲的故事。

好,现在把这个逻辑平移到你每天面对的场景里:客户打开天天基金、蚂蚁财富、银行私行推荐的基金榜单,看到的是满屏的"五星基金""金牛奖得主""近5年年化15%+"。

这些基金,就是瓦尔德看到的"返航飞机"。它们之所以出现在榜单上,不是因为基金管理水平天然就这么好,而是因为它们恰好没被"击落"——没有遭遇清盘、合并、排名垫底后被雪藏。

而那些被清盘的、被合并的、业绩垫底后消失在数据库里的基金——它们才是"驾驶舱中弹的飞机"。你没看到它们,但它们真实存在过,而且数量远比你以为的多得多。

基于此,我提出一个系统性的分析框架:幸存者偏差三层穿透模型(Survivorship Bias Tri-Penetration Model)。

层级 穿透对象 核心问题
第一层 样本幸存 有没有基金已经死掉了,但你根本没看到?
第二层 时间幸存 展示的业绩时段,是不是"挑过的"?
第三层 归因幸存 跑赢市场到底是能力还是运气?

下面,我们一层一层穿透。

二、三层穿透:你以为看到的全貌,其实全是幸存者的自传

第一层:样本幸存——"死人"已经被踢出数据库了

先看一组数据:

根据Morningstar的研究,过去20年间,美国共同基金中大约50%被清盘或合并。换句话说,你今天在数据库里看到的基金,只有一半是20年前就存在的。另一半——业绩差的、规模萎缩的、策略失效的——已经从排行榜上永远消失了。

中国市场的数字可能更触目惊心。Wind数据显示,仅2020年至2025年,国内公募基金清盘数量累计超过1000只(含触发合同终止条款及持有人大会决议清盘)。更隐蔽的是"合并"——一只业绩不佳的基金被并入另一只业绩好的基金,差的那只从此不再出现在任何排行里,而好的那只规模变大、历史业绩曲线看起来更"完美"。

这就是样本幸存的核心机制:数据库本身是被"编辑"过的。

样本幸存的关键数字:

美国共同基金20年存活率 ≈ 50%(来源:Morningstar)
中国公募基金近5年清盘数 > 1000只(来源:Wind,截至2025年底)
这意味着:每当你看到10只"优秀基金",背后就有10只以上的"死基金"被删除了。

想象一下:你客户看到的"近5年偏股基金平均收益率"这个数字,它是怎么算出来的?它只算了活到今天的基金。那些中途倒下的,不计入。这个"平均",其实是一群幸存者的平均。

真实的市场平均回报,比你看到的低得多。

第二层:时间幸存——"近3年收益率85%",为什么偏偏是这3年?

客户给你发的截图上,那只基金写了"近3年收益率85%"。你猜,为什么是3年,不是5年,不是1年,也不是成立以来?

因为3年前的起点,恰好是市场的一个相对低点。从低点算到高点,任何一个基金都能拿出漂亮的数字。这不是造假,这是选择性呈现。

时间幸存的核心逻辑很简单:基金公司和销售平台天然有动力选择"最好看的时间段"来展示业绩。不是他们坏,是激励机制决定的——谁会主动把最丑的那张照片挂出来?

这里引入一个概念:滚轮收益率(Rolling Returns)vs 点收益率(Point-to-Point Returns)。

"近3年收益率85%"是点收益率——它只截取了一个起点和一个终点。而滚轮收益率是把历史上每一个可能的3年区间都算一遍:任意一个时点买入、持有3年、你的回报是多少?

对比维度 点收益率 滚轮收益率
计算方式 固定起点到固定终点 每一个可能的持有期全部计算
典型展示 "近3年收益率85%" "任意时点买入持有3年,正收益概率63%"
信息量 仅1个数据点 覆盖全周期所有买入时点
风险提示 几乎不体现风险 清晰展示最差/最好/中位数

Dalbar的QAIB研究(定量分析投资者行为)持续追踪了30年,得出一个扎心的结论:过去20年,普通股票基金投资者的实际年化回报,比基金本身宣传的回报低了约4-5个百分点。

这4-5个点的差距从哪来?一部分来自追涨杀跌的行为磨损,另一部分——就是时间幸存偏差:投资者看到的是基金最好的那个时段,但自己买入的时点,往往是那个时段快结束的时候。

第三层:归因幸存——把"恰好押对了"包装成"我早就看准了"

这是三层穿透中最隐蔽的一层。

假设全市场有1000个基金经理,每个人做一个投资决策:今年重仓新能源、还是消费、还是科技、还是医药。本质上是一次1000人的掷骰子。总会有一些人连续三年掷出大点数——不是因为他们会掷骰子,而是因为样本量够大,总有人撞上好运。

SPIVA(标普指数vs主动基金)的报告是全球最权威的主动管理vs被动投资对比研究。它的数据冷酷无情:

SPIVA核心数据(截至2024年末):

· 美国大盘股主动基金:10年期约85%跑输S&P 500
· 美国大盘股主动基金:15年期约92%跑输S&P 500
· 时间越长,跑输比例越高——因为筛选掉的是"恰好押对赛道"的幸存者

但注意——这里说的是"约85%跑输",意味着还有约15%跑赢了。这15%是不是说明主动管理有价值?

不一定。因为这15%里,有多少是真正的alpha(超越市场的选股能力),有多少是beta(恰好押对了赛道风格),又有多少纯粹是样本幸存和时间幸存叠加后的"幻觉"?

这里必须做一个区分——Alpha-Beta分离:

收益来源 含义 可复制性
Alpha 基金经理真正的选股择时能力 极低,持续产生alpha极其困难
Beta 市场、行业、风格的被动暴露 可通过低成本的指数工具复制
运气 恰好押对了赛道或时机 不可复制,均值回归是必然

记住这句话:当你看到一个基金经理连续5年跑赢市场,你最应该问的问题不是"他做对了什么",而是"同期跟他做同样押注但失败了的基金经理,还剩下几个?"

那个"还剩下几个"——答案通常是零。因为他们要么被清盘了,要么被合并了,要么早就被市场遗忘了。这就是前两层幸存偏差叠加在第三层的效果。

三、幸存者偏差穿透审计四步法(实操版)

理论讲完了。现在给你一套可以直接上手的操作流程。下次客户再发来一只基金的截图,你不用再跟他争论"幸存者偏差"这个概念——你直接用四步穿透审计法,帮他把这只基金拆开来看。

第一步:样本复原——"这只基金所在的赛道,死了多少人?"

操作:不要只看这只基金本身。把同类型、同期成立的基金作为一个完整样本池来审视。

具体做法:

① 在Wind/Choice中输入该基金的分类(如"偏股混合型")和成立时间段(如"2018-2020年成立");

② 拉出所有同期成立的基金名单(包含已清盘、已转型、已合并的);

③ 计算:这只基金在完整样本中的真实排名——而不是在"缩小版"的幸存者样本中的排名。

审计要点:如果同类同期成立的基金有200只,清盘/合并了80只,那这只基金的"近5年前10%"排名,可能只是因为分母从200变成了120。真正的排名,大概率往后掉一大截。

第二步:时间展开——"换一个起点,收益率长什么样?"

操作:抛弃"近N年收益率"这种点式数据,强制看滚轮收益率分布。

具体做法:

① 在Wind中使用"滚动收益分析"功能,参数设为该基金的完整存续期;

② 分别看1年滚轮、3年滚轮、5年滚轮的三组数据;

③ 重点关注三个数字:最大值、最小值、正收益概率。

审计要点:如果某基金"近3年收益率85%",但任意时点买入持有3年的正收益概率只有60%,且最差3年收益率是-35%——那你必须把这三个数字一起告诉客户。

第三步:归因检验——"超额收益是Alpha还是赛道Beta?"

操作:用Fama-French三因子或简单的风格归因工具,把基金收益拆成市场收益(Beta)+ 风格/行业收益(Smart Beta)+ 真正的超额收益(Alpha)。

简易版操作(不需要编程):

① 找出该基金的核心持仓行业(如:新能源占比60%);

② 找到对应行业ETF同期收益率(如:中证新能源指数同期上涨120%);

③ 对比:如果基金涨了130%,行业指数涨了120%,那真实的alpha只有10%,而不是130%。

审计要点:如果超额收益主要来自行业/风格暴露,那客户完全可以用一个低费率的行业ETF替代,何必支付1.5%的管理费去买一只"赛道型"主动基金?

第四步:压力对比——"最差的时候,它跌了多少?"

操作:拉出该基金在历史上所有重大回撤期的表现,与同类型基金中位数进行对比。

具体做法:

① 标记A股历史上5个最大回撤区间(如2015年下半年、2018年全年、2022年1-4月、2024年初);

② 对比该基金在每个区间内的最大回撤 vs 同类平均最大回撤 vs 沪深300最大回撤;

③ 如果上涨时跑赢,下跌时也跑赢——这才是真正值得关注的alpha信号。

四步穿透审计清单(保存到手机备忘录):

✅ 第一步:同类同期基金,清盘/合并了多少?
✅ 第二步:滚轮收益率全周期数据——正收益概率多少?
✅ 第三步:超额收益拆出来,alpha到底占多少?
✅ 第四步:极端行情下,它比同类跌得多还是少?

四、三句话术:帮客户从"榜单幻觉"里醒过来

方法论是给自己用的。但面对客户,你不能甩一堆术语。客户要的不是教育,是"你帮我看清楚"。以下三段话术,按客户类型分类,直接可用。

话术一:面向"榜单型"客户

(客户拿着基金业绩排行榜来找你)

"王总,这只基金业绩确实亮眼。不过我帮您多看了一眼:跟它同一批成立的同类基金,大概200只,这5年里有将近80只已经被清盘或者合并了。现在这份排行榜,是在剩下的120只里面排的。排前10,含金量跟200只里排前10,不是一个概念。要不我帮您拉一个完整数据,我们看看它在所有同期基金里到底排什么位置?"

话术二:面向"质疑型"客户

(客户嫌你推荐的产品收益率不够高)

"李总,我理解您关心收益。但我想请您看另一个数字:这只基金在过去10年里,任意时间点买入持有3年,有35%的概率是亏钱的,最差的一次3年亏了38%。我推荐给您的这个方案,看起来年化少了两个点,但它历史上任意时点买入持有3年,正收益概率接近95%。多赚两个点但可能亏掉本金三分之一,还是少赚两个点但本金安全——这个账,我们得一起算清楚。"

话术三:面向"自选型"客户

(客户自己炒股/买基金,不相信专业配置的价值)

"陈总,您选股眼光确实好。不过我跟您分享一个数据:标普公司追踪了全美主动基金经理15年的表现,92%跑输指数。不是他们不聪明,是幸存者偏差太强了——我们看到的每一个'股神'背后,都有几十个跟他做同样选择但失败了的基金经理,只是那些失败的已经从排行榜上消失了。专业配置的价值,不是帮您找到那个万里挑一的'股神基金',而是帮您避免成为那个被市场淘汰的人。"

五、结语

最后,回到瓦尔德那张著名的备忘录。

当年他在备忘录里写下的建议,翻译成今天投资的语言,大概是这样的:

不要研究那些出现在基金榜单上的"返航飞机"——它们能返航,说明受伤的部位不致命。真正致命的风险,是那些让你的钱"回不来"的部位。而这些风险,从来没有出现在任何基金推荐页上。

每一位优秀的保险人,本质上都是在做瓦尔德的工作——不是帮客户看"哪些基金赚了钱",而是帮客户看见"哪些基金赚的钱,可能让本金回不来"。

下一次,当客户打开基金APP、被满屏的红色收益率晃得眼花缭乱的时候——你不需要跟他争论。你只需要在心里默念三层穿透,然后帮他拆开那只基金的"幸存者叙事"。

榜单上每一只"好基金"都是从死人堆里爬出来的。你的工作,是带客户去那堆"死人"面前看一眼。

看过之后,他自然就懂了。

创作日期:2026年8月5日

文章类型:B类-金融智识(周三特别版)

核心框架:幸存者偏差三层穿透模型(Survivorship Bias Tri-Penetration Model)

数据来源:Morningstar基金存活率研究、SPIVA主动vs被动报告(截至2024年末)、Dalbar QAIB投资者行为研究、Wind中国公募基金清盘数据

设计行销 · 帮保险人设计每一次客户触达