风险不是波动率

AI 原生投资者课程 · 第 6 章 / 共 10 章

1998 年 9 月，Long-Term Capital Management 管理着 1250 亿美元的头寸，杠杆率超过 25 倍。团队里有两个诺贝尔经济学奖得主——Myron Scholes 和 Robert Merton——加上一群从所罗门兄弟出来的交易员。他们的模型算过每一个希腊字母，对冲过每一种已知风险，把波动率压到了教科书级别的低。

四个月后基金清盘了。亏掉 46 亿美元，差点拖垮整个美国金融系统，逼得美联储出面协调 14 家银行联手接盘。

问题不是他们算错了波动率。问题是他们优化的那个指标——波动率——跟真正杀死他们的东西之间，隔着一道他们从没认真想过的鸿沟。

这一章讲的就是那道鸿沟。

这一章你会拿到什么

风险的定义问题。 为什么学术界用了半个世纪的波动率度量在实战中会骗人，Taleb 和 Marks 怎么看这个问题。
LTCM 1998 的完整教训。 不是"他们赌大了"——是他们对相关性的假设在压力下全部失效。
四种真正会杀人的风险。 回撤、肥尾、相关性崩溃、流动性蒸发。每种附带案例和 agent 能做什么、不能做什么。
仓位管理的直觉。 Kelly 法则、分数 Kelly、睡眠测试——不用公式，用叙事。
事前验尸法。 把 agent 用在风险管理上最有价值的一件事。

1. LTCM：优化了错误的指标

先把故事讲完整。

LTCM 的核心策略叫收敛交易。简单说：找两个理论上应该价格接近的债券，做多便宜的、做空贵的，等价差收敛赚中间那一点。每笔交易的利润极薄——几个基点——所以需要巨量杠杆才能让回报好看。

策略本身不蠢。问题出在他们怎么管理这个策略的风险。

LTCM 的风险模型建立在三个前提上。第一，不同市场之间的相关性是稳定的。美国国债和欧洲国债的价差走势有历史规律，俄罗斯主权债务跟美国高收益债之间的关联度可以从过去十年的数据里估出来。第二，价差偏离到一定程度会自动回归。第三，极端事件的概率可以用正态分布来估算。

三个前提在 1998 年 8 月到 9 月之间同时崩了。

导火索是俄罗斯主权债务违约。这件事本身不该致命——LTCM 在俄罗斯的敞口不大。致命的是违约触发了全球性的恐慌，所有人同时要流动性。平时不相关的市场突然变得高度相关——因为卖的人不是在卖他们觉得会跌的东西，而是在卖他们能卖掉的东西。

这叫相关性崩溃。平时各走各路的资产，在压力下全部朝一个方向动。LTCM 的模型里，这种情况的概率接近零——按正态分布算，他们经历的那种价差扩大应该几十亿年才会发生一次。但它发生了，在六周之内。

价差不但没收敛，反而爆炸式扩大。LTCM 的每一个头寸同时亏损。他们想减仓，但市场上每一个做类似交易的人也在减仓——大家的模型长得差不多，持仓也差不多。卖单挤在一起，流动性蒸发了。一个月前还能以很小成本平掉的头寸，现在根本找不到对手方。

最终，25 倍杠杆 + 全线亏损 + 无法平仓 = 清盘。

这跟波动率有什么关系

LTCM 的波动率指标一直很漂亮。策略是做价差收敛，单边风险被对冲掉了，组合的日波动率很低。风险团队看着仪表盘上的数字，觉得一切在控之中。

但波动率衡量的是价格日常的上下震荡幅度。它假设明天和昨天差不多——涨跌的分布是对称的、稳定的、可以从历史数据里推出来的。

LTCM 死于的那种风险——所有资产同时失去流动性、价差朝一个方向无限扩大、对冲关系同时失效——不住在波动率这个维度里。波动率是日常天气。LTCM 死于飓风。

Nassim Taleb 在 LTCM 倒台之前就在警告这件事。他后来在《黑天鹅》里写得很清楚：正态分布是人类大脑的安慰剂。真实世界的分布是肥尾的——极端事件发生的频率远远高于正态分布预测的频率。用正态分布管风险，就像用晴天的概率模型去预测飓风。不是模型错了——是模型不管飓风这种事。

教训不是"别加杠杆"

很多人从 LTCM 的故事里提取的教训是"杠杆危险"。这不算错，但太浅了。

真正的教训是：他们优化了一个跟实际风险关联不大的指标，然后以为自己安全了。 波动率低不等于风险低。对冲完美不等于没有风险。模型通过了回测不等于未来不会出现模型没见过的情况。

更深一层：LTCM 的人不笨。他们知道模型有局限。但知道归知道，行为归行为——当你每天看着仪表盘上一排绿色的数字，连续盈利四年，很难真的相信灾难会发生在自己身上。这不是智力问题，是心理问题。

第 7 章讲判断纪律，讲的就是怎么防这种"知道但不行动"的漂移。这一章先把风险本身拆清楚。

2. 波动率为什么不是风险

学术金融用波动率——标准差——度量风险，已经用了七十年。Markowitz 在 1952 年提出这个框架的时候，它是一个合理的简化：把"风险"这个含糊的概念变成一个可以计算、可以优化的数字。

问题是简化用久了会被当成事实。

波动率的定义是价格围绕均值的离散程度。一只股票每天涨跌 3%，波动率高；每天涨跌 0.5%，波动率低。按这个定义，波动率高的资产"风险大"，波动率低的资产"风险小"。

这个框架在三个地方骗人。

第一，它把上行波动和下行波动一视同仁。 你买了一只股票，一个月涨了 30%。按波动率的定义，这叫"高风险"。但没有任何一个持有者会觉得自己承受了很大的风险——你赚了钱。风险在日常语义里是"亏损的可能"。波动率不区分赚和亏。

Taleb 的说法更刻薄：用标准差衡量风险，就像用一个人的身高和他的鞋码加权平均来衡量"体型"——数学上成立，但没人觉得有意义。

第二，它假设极端事件极其罕见。 正态分布的尾巴衰减得非常快。按正态分布算，日跌幅超过 5 个标准差的概率约为三百五十万分之一——大概一万四千年一遇。

实际上，美股在 1987 年 10 月 19 日单日跌了 22.6%——超过 20 个标准差。按正态分布，这个事件的概率小到连宇宙的年龄都不够它发生一次。但它发生了，在普通的一个周一。

2020 年 3 月，标普 500 在四天内跌了 12%，触发了两次熔断。2008 年 9 月到 10 月，连续多个交易日出现 4-5 个标准差的波动。这些不是异常值——是肥尾分布的正常表现。

第三，它用过去的波动率预测未来。 这是最隐蔽的一个陷阱。2006 年底，美国次级贷款相关的金融产品波动率极低。按波动率衡量，这些是"低风险"资产。十八个月后它们归零了。低波动率不代表低风险——有时候恰恰相反。Hyman Minsky 说过：稳定本身培育不稳定。越长时间看起来安全的东西，越可能在积累你看不见的风险。

Howard Marks 的定义

Howard Marks 在《投资最重要的事》里给了一个不同的风险定义：风险是亏损的概率。

不是波动，不是标准差，不是跟基准的偏离度。就是你亏钱的可能性有多大，如果亏了会亏多少。

这个定义的好处是它直接对应你在乎的东西。你在乎的不是账户每天上下跳多少——你在乎的是半年后回头看，这笔投资有没有永久性地让你少了一块钱。

Marks 进一步说：风险最高的时候，往往是所有人觉得风险最低的时候。因为"大家都觉得安全"这件事本身会推高价格、压缩预期回报、催生激进行为。2006 年次贷市场就是典型：评级机构给 AAA，交易员觉得万无一失，波动率低得几乎看不见。这恰恰是风险最高的状态。

为什么这对你重要

如果你让 agent 跑一组风险分析，它大概率会给你波动率、夏普比率、最大回撤这些标准指标。这些不是没用——但它们衡量的是过去发生过的事情的分布特征。

你真正需要回答的问题是：这笔投资，在什么情况下，会让我亏到影响生活的钱？这种情况发生的可能性有多大？

这个问题波动率回答不了。你得用别的框架。

3. 四种真正的风险

把"风险"这个大词拆开。对个人投资者来说，真正会咬人的风险有四种。

3.1 回撤风险——你扛不扛得住

回撤是从最高点到最低点的跌幅。标普 500 历史上经历过多次超过 30% 的回撤——2000-2002 年跌了 49%，2007-2009 年跌了 57%，2020 年 2-3 月跌了 34%。

回撤风险不是一个纯数字问题。100 万的账户亏 30%，你剩 70 万。如果你 25 岁、有稳定收入、十五年不需要这笔钱，30% 的回撤是不舒服但可以扛的。如果你 58 岁、准备用这笔钱退休、没有其他收入来源，同样的 30% 可能意味着推迟退休三年。

同一个数字，对不同的人是完全不同的风险。这就是为什么风险计算器和标准问卷基本没用——它们不知道你的生活。

Buffett 的"第一条规则：别亏钱"听着像废话，其实不是。他的意思是：亏损不是对称的。亏 50% 之后你需要涨 100% 才能回本。亏得越深，回本越难。这个数学事实意味着避免大亏比追求大赚重要得多。

Agent 能做什么：拉任何一只股票或组合的历史最大回撤，跑蒙特卡洛模拟估算未来可能的回撤范围，比较不同资产配置方案的回撤特征。

Agent 做不了什么：决定你扛得住多大的回撤。这取决于你的收入、支出、负债、家庭状况、心理承受力——没有一个模型能替你算。

3.2 肥尾风险——黑天鹅不是比喻

正态分布说极端事件几乎不会发生。现实说它们经常发生。这个差距叫肥尾。

Taleb 用了一个很好的类比：火鸡问题。一只火鸡被喂了 1000 天，每一天的数据都支持"人类对我很好"这个结论。第 1001 天是感恩节。前 1000 天的数据对第 1001 天毫无预测力。

金融市场的肥尾不是理论——有大量实证。2010 年 5 月 6 日的闪崩：道琼斯指数在几分钟内跌了近 1000 点，然后又在几分钟内弹回来。2015 年 8 月 24 日：标普 500 开盘瞬间跌了 5%，大量 ETF 的交易价格偏离净值 20% 以上。2021 年 1 月 GameStop：一只被深度做空的股票在两周内从 $20 涨到 $483。

这些事件的共同特征：用历史波动率完全无法预测。它们不是正态分布尾巴上的极端值——它们根本不属于正态分布。

对个人投资者的实际含义：你的最坏情况永远比你以为的最坏情况更坏。 不是悲观，是数学。你做投资决策的时候，"不可能发生"这句话应该从你的词汇表里删掉。

Agent 能做什么：用非正态分布（t 分布、历史模拟）跑压力测试，找历史上的类似崩盘作为参照。

Agent 做不了什么：预测下一只黑天鹅长什么样。黑天鹅之所以是黑天鹅，恰恰因为没有人提前看到它。Agent 能帮你准备，但不能帮你预知。

3.3 相关性崩溃——分散不了的风险

"不要把鸡蛋放在一个篮子里"——投资入门第一课。分散投资降低风险，因为不同资产的走势不完全一致。你的科技股跌了，但你的消费品股和债券可能没跌，组合总体还行。

这在平常有效。危机来的时候就失效了。

2008 年金融危机期间，股票、公司债、房地产、大宗商品同时大跌。唯一涨的是美国国债和现金。平时相关性 0.3 的资产对，在恐慌中飙到 0.9。你以为自己分散了，其实在关键时刻你的组合表现得像只持有一种资产。

这就是 LTCM 死亡的直接原因。他们的模型假设不同市场之间的相关性稳定——历史上确实稳定。但"稳定"是在正常市场环境下的统计特征。恐慌不是正常环境。恐慌的时候大家只做一件事：卖。卖什么不重要，能卖掉什么卖什么。这种行为把所有资产的相关性推向 1。

对个人投资者的实际含义：分散投资在你最需要它的时候效果最差。 这不是说分散没用——长期来看它是最重要的风险管理工具之一。但别以为分散能保护你免受系统性风险。你需要另外的工具：现金缓冲、仓位控制、心理准备。

Agent 能做什么：计算资产之间在不同市场环境下的相关性矩阵，找出哪些"分散"实际上是伪分散（比如买了五只科技股以为分散了）。

Agent 做不了什么：预测相关性什么时候会崩溃。相关性崩溃的触发点往往是外生冲击——战争、疫情、主权违约——这些超出金融模型的范畴。

3.4 流动性风险——卖不掉才是最大的风险

流动性听着抽象，说白了就一个问题：你想卖的时候，有没有人买？

大盘蓝筹股——苹果、微软、亚马逊——流动性极好。任何时候你想卖，几秒钟内成交，价格跟你看到的报价差不了几分钱。但很多资产不是这样。

小盘股的日成交量可能只有几百万美元。你持有的量如果占日成交量的一个百分点以上，卖出的过程本身就会压低价格——你的卖单就是价格下跌的原因。

2020 年 3 月最恐慌的几天里，连美国国债市场——全世界流动性最好的市场——都出现了买卖价差异常扩大的情况。平时价差 0.01% 的国债，价差扩到了 0.5%。这意味着你卖出去要承受比平时大 50 倍的摩擦成本。

更极端的例子：2022 年英国养老金危机。英国央行突然宣布长期国债收益率飙升，大量养老金基金因为 LDI（负债驱动投资）策略被迫同时抛售长期国债来补保证金。买家消失了。价格在几天内崩了 30%，英国央行不得不紧急买入来稳定市场。

对个人投资者的实际含义：投资之前问一句——如果我明天需要全部卖掉，能卖掉吗？代价是什么？ 这个问题在牛市里没人想，在熊市里决定了你能不能全身而退。

Agent 能做什么：查看成交量、买卖价差、持仓集中度这些流动性指标。

Agent 做不了什么：预测流动性什么时候蒸发。流动性蒸发是恐慌的结果，不是原因。而且它往往在你最需要流动性的时候发生——这就是为什么 Marks 说流动性是"公平天气的朋友"。

4. 仓位管理：你亏得起多少

大部分投资教育花 90% 的时间教你选什么股票，10% 的时间教你买多少。实际上后者对你的投资结果的影响可能比前者还大。

选对了股票但仓位太重，碰到一次 40% 的回撤就被迫割肉——赚钱的判断变成了亏钱的结果。选对了股票但仓位太轻，涨了 200% 也只是小赚——好判断没有好结果。

仓位管理就是回答这个问题：每一笔投资，放多大的比例进去？

Kelly 法则的直觉

有一个经典的数学答案，叫 Kelly 法则。

不用公式。Kelly 的核心直觉是这样的：你面对一个有优势的赌局——长期来看你能赢。问题是每次下多大的注。

如果你每次只下资金的 1%，你几乎不可能破产，但赚得极慢——你的优势没有被充分利用。如果你每次下 90%，连赢几把你暴富，但只要输一把就几乎归零——你的优势还没来得及发挥就被波动杀死了。

Kelly 说：存在一个最优比例，使得你的资金长期增长速度最快。这个比例跟两件事有关——你赢的概率有多大，赢的时候赚多少、输的时候亏多少。

关键的直觉：最优比例永远比你以为的小。 大部分人凭感觉下注，都会下太多。因为人会高估自己的优势（觉得赢面比实际更大），低估下行的后果（觉得亏了也没什么）。

为什么不应该真的用 Kelly

Kelly 法则在数学上是对的，但有两个实际问题。

第一，你不知道真实的赢率和赔率。投资不是扔硬币——你对一只股票的判断是对是错，你不知道概率是多少。Kelly 的输入需要精确的概率，你给不出来。输入猜的，输出就是垃圾。

第二，Kelly 的最优是最大化长期复合增长率。代价是短期波动极大。按 Kelly 满仓，你的账户经常会回撤 30-50%。数学上这不影响长期结果——但心理上，很少有人能在账户腰斩的时候还按原计划执行。

所以实践中大部分人用的是分数 Kelly——比如半 Kelly 或者四分之一 Kelly。牺牲一点长期增长速度，换来大幅降低的波动和破产概率。

Ed Thorp——既是 Kelly 法则最著名的实践者、也是量化投资的先驱之一——自己在实际操作中用的就是半 Kelly。他知道真实概率永远有误差，按一半来下注给误差留了空间。

睡眠测试

如果上面这些听着太抽象，有一个更简单的方法，也是我觉得对大部分人最实用的方法。

叫"睡眠测试"。

问自己：如果我持有的这只股票明天跌 40%，我今晚还睡得着吗？

如果答案是"不行"——仓位太重了。减到你能睡着为止。

如果答案是"跌 40% 我无所谓"——要么你仓位太轻以至于这笔投资对你没有意义，要么你在自欺欺人。真正持有一笔有分量的仓位，然后看着它跌 40%，没有人完全无所谓。

这个测试没有数学精度，但它抓住了仓位管理最核心的东西：你的仓位大小必须跟你的心理承受力匹配，不是跟你的投资理论匹配。 理论上最优的仓位，如果在回撤中让你恐慌割肉，就不是最优的——它是自我毁灭的。

这里的取舍

仓位管理有一个根本矛盾：保守的仓位保护你不被大亏击垮，但也确保了你赚不到大钱。

如果你把任何单只股票的仓位限制在总资产的 5%，你几乎不可能因为一只股票的暴跌而伤筋动骨。但反过来——你也几乎不可能因为一只股票的暴涨而改变命运。Buffett 的大部分财富来自极少数几个重仓持有几十年的判断。分散到 20 只股票各 5%，你得到的是接近指数的回报，但付出了主动管理的精力。

没有正确答案。集中持仓需要极高的判断准确度和极强的心理素质。分散持仓需要接受"不会暴富"。你选哪个取决于你是谁，不取决于教科书说哪个更好。

5. 事前验尸法：Agent 在风险上最好的用法

所有 agent 在投资中的应用里，我觉得回报最高的一个是事前验尸法。

这个技术来自心理学家 Gary Klein。原始版本是这样的：在项目开始之前，假设项目已经彻底失败了。然后倒推——它是怎么失败的？每个参与者独立写原因，然后汇总。

移植到投资里：你决定买一只股票之前，假设你现在在 2030 年，这笔投资亏了 80%。你的任务是写一份事后分析报告——是什么导致了这个结果？

这个练习强大在哪？它绕过了你大脑里的确认偏误。

你在决定要不要买一只股票的时候，潜意识已经在寻找支持"买"的证据了——尤其是如果你已经做了几个小时的研究。事前验尸法把你的注意力强制切换到失败的方向。你不是在问"这有什么风险"——这个问题太泛了，大脑会给你一堆模糊的答案然后轻轻放过。你是在问"它已经亏了 80%，是怎么亏的"——这个问题逼你生成具体的、可检查的失败路径。

怎么跟 Agent 一起做

给 agent 一个明确的角色设定：你是一个事后调查员，现在是 2030 年。我持有的某只股票从买入价跌了 80%。根据你对这家公司、这个行业和宏观环境的了解，写一份 500 字的事后分析报告。至少包含三条独立的失败路径——不要只写一个原因。

Agent 会给你一份通常很有信息量的输出。它能从公司的财务结构、行业竞争格局、宏观趋势等多个角度生成失败叙事。

然后你做判断：这些失败路径里，哪些是我已经考虑过的？哪些是我没想到的？没想到的那些，发生的可能性有多大？如果它们有合理的可能性，我的仓位大小还合适吗？

这个方法的陷阱

事前验尸法有一个你必须意识到的局限：agent 生成的失败场景本身可能是共识。

什么意思？如果你让 agent 给英伟达写一份事前验尸，它大概率会提到"AI 泡沫破裂""大客户自研芯片""监管限制出口"——这些是所有人都在讨论的风险。真正杀死你的风险，往往是你和 agent 都没想到的那一条。

怎么补？做完 agent 的事前验尸之后，自己再加一条。想一个 agent 不太可能生成的场景——不是因为它荒谬，是因为它需要你对这家公司或这个行业有 agent 没有的特殊理解。也许你在这个行业工作过，知道一个供应链上的脆弱点。也许你注意到管理层的一个行为模式，在数据里看不出来。

第 1 章讲的判断力门槛，在这里体现得最直接——agent 生成场景的能力已经很强了，但你判断哪些场景是真正的威胁、哪些是噪音的能力，决定了这个工具的实际价值。

6. Agent 能做什么，不能做什么

把这一章涉及的所有风险管理任务分一下工。

Agent 做得好的

历史压力测试。 给 agent 一个投资组合，让它回测在 2008 年金融危机、2020 年 3 月崩盘、2022 年加息周期里的表现。这类计算以前需要 Bloomberg 或者自己写代码，现在一句话搞定。输出不完美——数据源有精度问题，有些资产的历史数据不全——但当快速压力检查来用，回报率极高。

相关性分析。 你以为自己分散了，实际上可能没有。Agent 可以算出你持仓之间的相关性矩阵，标出哪些资产在压力期相关性会飙升。这是一个大部分个人投资者从来不做但应该做的检查。

场景模拟。 给 agent 一组假设——利率升 200 基点、某个大客户流失、行业增速砍半——让它估算对你持仓的影响。这不是预测——是"如果…会怎样"的思想实验，帮你理解你的组合对哪些变量最敏感。

事前验尸。 上一节详细讲了。Agent 在生成失败叙事方面天然擅长——它见过无数公司失败的案例。

只有你能做的

决定亏得起多少。 这完全取决于你的生活状况。你的收入有多稳定？有多少固定支出？有几个月的应急储备？有没有人依赖你的收入？你的情绪在什么水位的亏损会开始影响决策质量？这些问题 agent 回答不了——不是因为它不够聪明，是因为它没有你的生活。

在下跌中守住纪律。 模型和框架在平静的时候很好用。账户跌了 25%、新闻全是末日论调、社交媒体上所有人都在喊崩盘——在这种环境下按计划执行，是纯粹的人的能力。Agent 可以提醒你"你三个月前的判断写着这种情况应该持有"，但点那个"卖出"按钮的是你。

区分波动和永久性亏损。 一只好公司的股票跌了 30%，可能只是市场情绪。一只烂公司的股票跌了 30%，可能是永久性价值毁灭。两者在你的账户上看起来一模一样。区分它们需要你对公司的业务有真正的理解——不是 agent 给你的摘要，是你自己想明白的判断。第 4 章和第 5 章给你练这个能力的框架。

决定什么时候该改主意。 投资纪律不是固执。环境会变，你最初的判断可能错了。什么时候坚持、什么时候止损——这是投资中最难的判断，也是 agent 帮不了你的。第 7 章讲的"杀死条件"就是为这个准备的：提前写好什么情况下你会退出，到时候不用在恐慌中做决定。

Workshop · 你的仓位经得住吗

时间： 45 分钟到 1 小时 工具： 任何你在用的 AI agent 产出： 一份事前验尸报告 + 仓位调整备忘录

步骤

第一步——选一个你持有的仓位。 如果你还没有投资，用一只你在第 1 章 workshop 里分析过的股票，假设你持有 10% 的总资产。

第二步——让 agent 写一份 2030 年事前验尸。 角色设定：事后调查员，2030 年。这笔投资从买入价跌了 80%。写一份 500 字的事后分析报告，至少包含三条独立的失败路径——每条要具体到时间线和触发机制，不要笼统地说"行业下滑"。

第三步——读完 agent 的输出，做三件事。

标记你已经考虑过的风险（✓）
标记你没想到但觉得有可能的风险（!）
标记你觉得不太可能的风险（✗），写一句为什么

第四步——自己加一条 agent 没提到的失败路径。 这条应该来自你对这家公司或这个行业的独特理解——不是网上能搜到的共识风险。想不出来也没关系，但尝试是重要的。这个过程训练的是你区分共识风险和盲区风险的能力。

第五步——做睡眠测试。 看着你现在的仓位大小，想象 agent 生成的最可怕的那个失败场景真的发生了。你今晚还睡得着吗？

如果睡不着——把仓位缩小到你能睡着的水平。在备忘录里写明从多少降到多少，为什么。

如果睡得着——很好。在备忘录里写明你能接受的最大亏损金额，以及你觉得为什么这个仓位大小是合理的。

第六步——保存。 文件名带上公司代码和日期。第 7 章你会回来，把这份风险评估跟你的投资论点合在一起。第 9 章的毕业实战里你会再做一次完整版。

风险的另一面

LTCM 的故事经常被用来吓人。我想用它来说一件不一样的事。

Scholes 和 Merton 不笨。他们的模型在 99% 的日子里是对的。他们输给的不是某个具体的竞争对手，是他们自己对模型的信仰——他们把一个有用的简化当成了完整的现实。

这个错误的结构在投资里反复出现。好的框架会让你觉得自己看懂了。看懂的感觉会让你加仓。加仓之后碰到框架没覆盖到的情况，你已经没有退路了。

Taleb 在《反脆弱》里给了一个更有用的思路：不要试图预测什么会出错。你预测不了。要做的是确保——不管出什么错——你还活着。活着就能等到下一次机会。死了就是死了。

第 3 章讲了回报从哪来，第 5 章讲了怎么给回报定价。这一章讲的是另一半——怎么确保你还在牌桌上。

风险管理的目标不是消除风险。是确保你承担的风险不会杀死你。

能杀死你的那种亏损，只有你自己知道是多少。

下一章讲怎么把判断写下来——六个要素、杀死条件、版本管理。你在这一章 workshop 里写的那份风险评估，第 7 章会跟你的投资论点合在一起。没做 workshop 的话，回来做完再往下走。