报告基于1960-2020年美股波动率历史数据,从通胀、盈利与金融环境三大视角,构建三因子波动率预测模型,金融因子(如信用利差)为主要驱动,预测准确度显著,样本外R2达0.44,体现美股波动率与宏观经济、基本面及政策的深度联动,对事件驱动波动期模型失效进行了分析,为投资者理解波动率变动提供了理论和实证支持
| 指标类别 | 样本外R2 | 平均预测误差MSE | 有效预测占比 |
|---|---|---|---|
| 三因子合成 | 0.436 | 0.43% | 82.1% |
| 金融因子 | 0.439 | 0.49% | 72.3% |
| 盈利因子 | 0.211 | 1.01% | 49.1% |
| 通胀因子 | 0.3 | 0.70% | 62.9% |
核心论点:
,4,20,22]
本章节强调了波动率作为市场风险的重要信号,与宏观经济周期、货币政策存在内在联系,且具有周期性特征。例如长期低波动期对应温和增长及货币宽松阶段,而波动率的剧烈上升往往伴随信用利差的大幅扩张,金融市场的风险偏好和流动性状况在其中起关键作用。对A股投资者而言,尽管国内市场与海外相关性低,但波动率溢出效应存在,海外剧烈波动可显著影响A股。
图表1示意全球主要股指隐含波动率指数高波动时期的相关性明显升高,突出全球市场联动性和外溢风险。
报告系统回顾美国1960年至今的通胀与波动率关系。理论上,通胀通过实际经济增长抑制(滞涨)、融资成本上升和资产配置变化影响股票市场,具体表现为通胀率与股市收益通常呈现显著负相关。例如Fama(1981)指出滞涨导致实际经济活力下降进而压低企业盈利和股票价格。高通胀阶段往往伴随通胀波动加大,增添市场不确定性增加波动率。
图表2展示了1960年至2020年期间联邦基金利率与PCE通胀率的变化趋势,70年代的滞涨及随后的货币紧缩作用明确影响了波动率和风险偏好。VAR模型结果(图表3)验证了CPI、PPI及原油价格等通胀指标与波动率显著的滞后相关性,表明通胀指标对波动率具有预测价值。
综述七八十年代高通胀的多因子成因(如战争支出、布雷顿森林体系崩解、石油危机)及沃尔克时期的货币紧缩如何终结滞涨,开启了四十年低通胀新时代,5,6]。
图表4和图表5通过对货币供应M2增速和CPI的长短期关系揭示货币政策在调节通胀、控制波动率中扮演的重要角色。70~80年代波动率与货币供应负相关,90年代后转为正相关,反映通胀重要性下降与货币政策转向逆周期调节。
科技创新和全球化带来的盈利稳定性是美股长期牛市的基础。报告指出,自80年代以来,美国通过低利率环境支持科技研发和资本市场的繁荣(图表6,7),科技板块尤其是信息技术成为市场主要驱动力(图表9-10)。科技研发投资规模(图表14、15、20、21)和资金结构的转变体现企业研发占比上升,研发推动生产率与盈利增长。
互联网泡沫的成因和影响亦被深入分析。过度预期技术带来的生产率提升与投资热情,结合宽松流动性,推升科技股估值至极高水平(图表16、17),期间波动率剧增,泡沫破裂后市场调整,实体盈利和宏观经济均受波及。行为金融学与市场心理也对泡沫形成给出解释。
全球化优化了资源配置,推动美股公司盈利增长趋于稳定(图表22、23),企业海外业务利润占比持续上升(图表26、27),但近年海外投资出现回落风险(图表28)。2000年以来全球供应链与贸易结构对通胀的平抑作用明显,但面临贸易紧张与保护主义挑战(图表31-36)。
金融环境对美股波动率的影响尤为关键,报告以VAR模型验证美股波动率与利率、信用利差的高度相关性(图表37)。低利率环境降低企业融资成本(图表38),推动企业杠杆率上升(图表39、40、41),信用利差扩张常同步波动率上行。
股票回购作为企业杠杆行为的重要表现也被重点提及(图表42、43),且受税改政策影响产生显著峰值。长时间低波期(2013-2019)体现了金融环境宽松和机构行为对市场整体稳定贡献。
报告创新性地基于通胀、盈利、金融三大类外生宏观指标进行了波动率中枢的月度预测建模,区别于传统的时间序列方法,应用三阶段降维回归提取综合驱动因子。预测模型能较好捕捉大趋势转折,金融因子贡献最大且独立预测能力接近三因子模型(图表44-47)。模型的样本外预测效果良好(R2达0.44,预测误差0.43%,有效预测占比82%),且对2020年8月之后波动率上涨趋势成功预判。
模型预测失效期多发生在历史上的事件驱动型震荡期(1996-97政府关门、2001-02 911事件、2018-19贸易战等),表明异常事件驱动的市场波动难以被宏观变量捕捉(图表48)。单因子统计验证显示信用利差、盈利率等关键宏观指标对波动率有显著解释力(图表49)。
作者声明模型作为基于历史数据的统计预测工具,无法保证未来表现,强调了模型的局限性和外生不可预见事件的潜在冲击风险,23]。
该图显示从2005年至2020年间不同市场(美国标普500、欧股、日经、韩国KOSPI、香港恒生和新兴市场)的隐含波动率指数走势。整体表现为波动剧烈时,各市场波动率走势趋于同步,如次贷危机、欧债危机和2020年疫情爆发时,全球波动率均急剧上升,体现全球金融市场波动性高度相关性和风险溢出效应。
该图纵观60年历史,联邦基金利率和PCE通胀率呈现长期相关走势。70年代利率大幅上升对应滞涨高通胀,80年代起利率逐渐降低,通胀得到控制,反映货币政策紧缩应对通胀,以及随后的宽松周期对经济与市场的影响。
表格中不同滞后阶数的回归系数及显著性显示CPI环比、PPI环比、原油价格等指标对波动率存在统计学上的稳定影响,滞后一阶一般表现最强,说明通胀波动对下一期市场波动率具有预测能力。
体现了货币增速对通胀的影响带有时滞,同时也受政策调控影响,短期内货币降速常造成通胀降温,长期两者走势趋同。
表明在低通胀环境下,波动率更可能与货币流动性同步波动,同时盈利改善有助平抑股市波动。
盈利指标EPS、净利润增速等对波动率有负向影响,且均通过显著性检验,验证盈利变化对股市波动的驱动力。
展示了90年代互联网泡沫期间主要股指走势、不同板块累计收益、利率环境、研发支出、生产价格指数、大数据经济发展等多维指标,从市场繁荣、研发投入到价格调整的完整产业链和市场现象反映了科技创新对盈利和波动的深刻影响。
展示多国研发投入趋势、美股盈利平稳增长、美国企业海外利润及投资趋势,全球化推动资源整合和利润增长的实证,及后续海外投资回落风险。
反映金融危机期间波动率暴涨及危机后的科技等核心板块大幅反弹,验证金融危机的系统性冲击及复苏动力。
新兴市场承担主要通胀压力,中国劳动力成本攀升及全球工资趋势,说明全球产业链变迁与通胀传导机制。
VAR模型证实波动率与利率、信用利差密切相关;企业融资成本处于低位,股票回购及企业杠杆率上升推动市场波动特征,税改政策强化盈利汇回及杠杆效应。
三因子模型与单因子金融指标模型对比,预测准确度较高,但对纯事件驱动风险时段失效,说明模型适用于宏观驱动趋势预测,对突发风险反应有限。
报告主要采用基于三类宏观因子降维合成的多元回归模型来预测美股隐含波动率指数(VIX)。
模型结构:三个维度——通胀因子、盈利因子、金融因子,通过主成分分析(PCA)等降维方法提炼成一维因子,再以这些因子为自变量对VIX进行滞后预测回归;
关键输入:宏观经济指标(CPI、PPI、原油价格等通胀)、美股盈利相关指标(EPS增速、利润率)、以及金融环境指标(联邦基金利率、信用利差等);
性能表现:三因子模型的样本外R2约0.44,预测误差MSE仅0.43%,有效预测占比超80%,其中金融因子的单独预测性能已达R2 0.44,表明其对波动率预测贡献最大;
敏感性:模型对宏观变量波动较敏感,突发事件导致的波动率剧烈变化难以预测,模型适合趋势性判断而非极端突发事件;
预测应用:基于2020年8月数据,模型成功预测其后隐含波动率反弹,验证了模型在实战中的适用性。
模型局限性:基于历史宏观与基本面数据构建的回归模型无法覆盖所有可能的风险,特别是对突发的政治、社会事件等“黑天鹅”事件响应不足;
事件驱动风险:如1996-97政府停摆、2001-02年911、2018-19贸易战及2020年疫情等均导致模型预测能力明显下降,事件性质超出宏观变量范畴;
宏观经济环境冲击:货币政策变化、通胀剧烈波动或全球经济深度衰退均可能导致模型预测失真;
外部冲击与全球相关性:海外波动传导至国内市场的风险值得A股投资者关注;
缓解策略:报告强调使用模型作为一种辅助工具,并非唯一决策依据,提醒投资者坚持分散风险和警惕外生冲击。
,22,23]
模型假设问题:报告中模型对金融因子依赖较重,这在高相关性时期有效,但可能掩盖了盈利质量变化或通胀冲击的延迟影响,盈利与通胀因子预测能力有限且滞后;
事件驱动失效表现:模型显著在事件驱动期失效,提醒模型短期内对极端非宏观变量驱动风险的适用受限;
数据平稳性与差分处理:大量宏观数据需差分处理以满足统计模型稳定性假设,可能导致对长期趋势捕捉有限;
潜在偏见:作为期货公司出具的研究报告,在传递信息时或偏向强调金融市场波动对衍生品市场的可预测性和捕捉能力,需结合其他独立研究综合判断。
全球化视角:对中国及新兴市场的依赖和风险也有所提及,但对未来中美贸易摩擦加剧对模型稳定性影响的深入度有限。
本文系统回顾并深度剖析了1960-2020年美股波动率的宏观长期驱动机制,重点从通胀、盈利及金融环境三个视角建立了波动率预测因子模型。研究显示:
图表1示全球市场波动率关联性增强,图表3/8/37等VAR回归验证模型核心指标与波动率关联显著,图表44-49展示三因子模型优异的阶段性预测效果和统计检验结果,验证了模型现实可用性。
总体而言,本报告搭建了理论与实证结合的波动率预测框架,为理解美股风险动态和投资风险管理提供了重要参考。其通过权衡宏观基本面和金融市场指标的结合,并针对模型有效期与失效期进行了详尽分析,提升了研究的科学严谨性。
,6,8,9,13,17,20,21,22,23]
图表1:全球股指波动率走势及相关性
图表2:联邦基金利率与通胀走势
图表3:通胀指标与波动率相关关系(VAR)
详见报告表格,展示各滞后阶数指标回归系数及显著性。
图表6:波动率与广义货币增速关系
图表7:波动率与盈利增速相关性
图表17:互联网泡沫后波动率居高现象
图表29:金融危机前后波动率走势
图表39:美股隐含波动率与信用利差高度相关
图表44:三因子及金融因子预测波动率对比
图表48:模型预测失效期间多为事件驱动
本报告通过跨越六十年的历史数据,严密的统计验证与结合经济学理论,深入解析了美股波动率的驱动机制,构建了具有较好预测能力的三因子模型。金融环境、盈利及通胀三个方面共同塑造了美股市场风险动态,且金融因子对波动率中枢影响最为显著。模型既涵盖了波动率的宏观周期性特征,也提示投资者警惕政策变动、事件驱动风险。对A股市场及全球其他投资者而言,该报告提供了理解外部风险溢出的重要视角和量化工具,助力风险管理和资产配置决策。
这份研究报告专业扎实,数据翔实,是市场风险分析与波动率预测领域的重要参考资料。
金融工程:美股波动率影响因子研究.pdf