本报告基于历史波动率的样本熵指标构建“波动率熵策略”,通过对大盘价值与成长指数收益率差(V-G)的分析,验证了波动率熵具有显著的领先预测能力,进一步制定买入阈值和持有期策略,实现风格轮动择时。该策略在回测期间实现V-G组合年化收益9.81%,夏普比1.45,且表现稳健,价值指数收益更优,年化达25.49%。
表1:不同持有期下V-G收益与波动率熵回归结果
| 持有期(天) | 截距a | 截距T值 | 斜率b | 斜率T值 |
|---|---|---|---|---|
| 1 | 0.0009 | 2.92 | -0.0038 | -2.42 |
| 20 | 0.0046 | 6.51 | -0.0192 | -5.38 |
| 50 | 0.0074 | 8.58 | -0.0310 | -7.10 |
| 90 | 0.0092 | 9.67 | -0.0388 | -7.99 |
表2:主要交易列表示例
| 开仓日 | 平仓日 | 持有天数 | 价值成长差收益率 | 大盘价值收益率 | 大盘成长收益率 |
|---|---|---|---|---|---|
| 2011-08-29 | 2011-11-15 | 50 | 8.05% | 0.69% | -6.96% |
| 2015-02-09 | 2015-04-28 | 50 | 4.00% | 42.40% | 36.96% |
| 2017-11-09 | 2018-01-19 | 50 | 10.00% | 11.65% | 1.38% |
| 组合 | 累积收益 | 年化收益 | 最大回撤 | 夏普比 | 年化波动率 |
|---|---|---|---|---|---|
| V-G | 84.71% | 9.81% | 8.37% | 1.45 | 6.79% |
| V | 342.96% | 25.49% | 14.42% | 1.72 | 14.81% |
| G | 136.81% | 14.05% | 23.46% | 0.96 | 14.59% |
该报告核心观点:利用历史波动率的样本熵(“波动率熵”)作为领先指标,结合相应阈值构建择时策略,可以有效捕捉风格轮动,尤其是价值与成长风格的切换,实现超额收益。报告通过实证分析和回测展示该策略的稳健性及绩效优越性,年化收益率和夏普比率均优于基准。
报告强调风格轮动是机构投资者关注的核心,尤其在A股市场,依据Fama五因子模型揭示市值因子(Small minus Big)自2010年以来累计收益显著(最高约250%),但2017年以后出现大回撤约70%。这表明持续跑赢市场,需有效预测和把握风格切换方向。报告选用国证风格指数作为风格代表,覆盖2010年初至2018年中,详尽定义了样本区间和数据处理逻辑。
图1(Fama五因子累计收益图)清楚显示市值因子的强劲表现及后期波动,图2则展示了大中小盘价值与成长指数对冲组合的收益特征,凸显出不同市值规模风格表现差异,是后续模型应用的基础分析,2]。
研究以Merton(1980)关于风险溢价与市场波动率关系为理论根基,强调预期波动率上升导致折现率上升,价格下跌,风险溢价变化是风格轮动的内在驱动力。因国内市场缺乏预期波动率指标,报告用历史波动率的波动特征作为代理,基于国外经验二者高度相关。投资者调节风险暴露,即动态调整配置,体现为风格切换。
报告进一步提出,金融市场的非线性与复杂性适合通过信息熵指标(主要是样本熵)衡量时间序列“无序度”,即数据复杂性。波动率衡量的是幅度(方差),熵衡量的是模式的无规律性,两者结合构建“波动率熵”指标,能够更精确捕捉市场风格演化的微妙信息,3]。
报告详细梳理熵的历史与发展,重点介绍样本熵(Sample Entropy,SamEn)作为测量时间序列复杂性的先进方法。相较于近似熵,样本熵不包括自身匹配段计算,减少偏差;且样本熵的结果对数据长度依赖较小,符合金融序列参数灵活性的需求。
报告描述样本熵计算包括三个核心参数:时间序列TS、匹配长度M(通常取2)、匹配阈值r(选取时间序列标准差的20%),详细介绍算法步骤,解释计算逻辑及理论极限的估计方式,5]。
实务中,报告采用国证风格指数日频收益率计算历史25日滚动波动率,并在此基础上利用120个波动率序列点计算样本熵序列,样本实际得到时间从2010年8月开始。图3展示了大盘价值减大盘成长(V-G)的累积收益与其对应波动率熵序列的同时走势——尽管直接视觉关联不明显,后续回归表明两者有强相关性,6]。
被预测变量选择创新地采用价值指数减成长指数收益率(即对冲组合),目的是简化方向信号辨识且提升统计性质稳定性。假设该差异序列满足均值方差稳定的随机过程,符合中心极限定理,建立了稳健预测分析的统计基础。
回归模型采用滞后一期波动率熵作为自变量,未来N日(N覆盖2至90天等多时间长度)V-G组合累积收益为被解释变量,检验波动率熵的预测强度。表2列出完整回归结果,结果显示截距项和斜率均显著,斜率系数与持有期长度成正相关且为负值,表明波动率熵与未来V-G收益呈负相关,即熵值偏低预测未来价值风格上涨趋势。
这说明波动率熵的预测性在时间尺度上更为明显和稳定。报告强调该结论不仅适用于当前样本,在其他指数和美国市场亦有一致体现,显示指标的普适性和稳健性,7]。
基于波动率熵指标与V-G收益的线性相关性,报告设计基于阈值的择时规则:当波动率熵指标低于历史120日均值减去1.5倍标准差时买入V-G组合,持有期定为50个交易日。该阈值和持有期组合在多重参数回测中表现最佳。
表3和后续表格详细列举了不同阈值和持有期组合下策略表现,结果表明,尤其是设置为平均值减1.5倍标准差且持有50天时,累积收益和年化收益最佳,且统计稳健性良好。交易次数合理,避免过度交易,同时捕获有效风格切换信号。该策略对不同指数和不同市场同样有效,强烈支持方法的泛化能力,8,9,10]。
表4展示了2011-2018年间该策略的具体交易记录,共19次建仓信号,18次成功判断,准确率高达94.7%。多数持仓期间价值指数收益明显超越成长指数,验证了信号的有效性。
图4进一步直观表明策略实现的累积收益曲线,红色(大盘价值)表现卓越,蓝色(大盘成长)较差,V-G组合呈上升趋势,曲线稳健,且趋势明显。
表5汇总策略绩效指标,V-G组合年化收益9.81%,最大回撤仅8.37%,夏普比1.45,表现稳健。单独价值指数年化收益达25.49%,夏普比更高,反映择时带来显著超额收益,且风险控制得当。成长指数表现较弱,符合风格切换逻辑,11]。
报告本身明确聚焦于策略的构建与实证效果,并未涉及传统的企业估值模型(如DCF、PE等),故不含估值内容,但策略绩效的夏普比、最大回撤等风险调整指标表达了策略的风险收益特质,具有高度市场应用价值。
报告中没有直接展开策略风险专节,但可以间接推断:
整体来看,报告强调实证稳健和多市场验证,有效减少模型过拟合风险。
报告创新性地将信息熵理论中的样本熵方法应用于金融市场波动率序列,构建了“波动率熵”指标,证实其对市场风格(价值与成长)轮动具有显著领先预测能力。通过严格的回归分析和详尽的参数回测,报告展示了该方法在A股大盘指数的稳健表现:策略实现19次交易中18次准确判断未来价值风格趋势,年化收益率优异,风险调整后收益显著,夏普比高达1.45,最大回撤控制低于9%,表明策略在提高投资组合收益的同时有效控制风险。
图表和回测详情进一步支持以下观点:
总结来看,报告确立了“波动率熵”指标作为风格轮动择时的实证前沿工具,既有理论深度也具备实操可行性,是A股及全球其他市场风格投资研究的重要参考。
参考引用示例
,2,3,4,5,6,7,8,9,10,11]
如需进一步了解算法实现细节,报告附录提供了完整R代码支持及丰富参考文献,有效保障模型的透明度和复现条件,13,14,15,16]。
风格轮动策略系列:风格轮动与择 一种“波动率熵”方法.pdf