本文基于Barra 10因子模型,提出异质波动率因子以替代一般波动率,系通过横截面回归计算股票收益中异质成分的波动率。研究发现异质波动率选股能力显著优于一般波动率,表现为更好的分组收益单调性、更高的多头组合年化收益率(25.83%)及更低最大回撤(12.82%)。信息系数分析显示异质波动率因子负相关性更强且稳定,且通过正交分析确认异质波动率因子包含一般波动率信息并显著提供增量选股信息。累积纯因子收益率曲线进一步证明异质波动率因子持续优于一般波动率,尤其在2015年后选股表现更为突出,显示其在因子选股体系中提升组合表现能力明显 。
表 2:异质波动率分组检验
| 组别 | 组1 | 组2 | 组3 | 组4 | 组5 | 组1-组5差异 |
|---|---|---|---|---|---|---|
| 20日均收益率 | 1.27% | 0.98% | 0.64% | 0.14% | -0.59% | 1.86%*** |
| 年化收益率 | 10.79% | 6.15% | 1.39% | -5.06% | -13.85% | 25.83% |
| Sharpe比率 | 0.37 | 0.20 | 0.05 | -0.16 | -0.41 | 2.27 |
| 最大回撤率 | 49.08% | 54.09% | 56.98% | 66.63% | 76.41% | 12.82% |
报告标题: 波动率因子的改进:异质波动率
作者及单位: 西南证券研究发展中心,分析师为Au邓th璎or函(执业证号:S1250517080005)
发布日期: 报告文本未提供具体发布日期,但覆盖样本期至2018年5月中旬
研究主题: 财务多因子选股体系中波动率因子的深化与改进,聚焦“异质波动率”相较于“一般波动率”的优势及应用价值。
核心论点:
总体而言,报告建议在多因子选股体系中以异质波动率替代一般波动率,提升投资组合的表现和有效性。,1,10]
传统波动率(一般波动率,GV)定义为股票单只股票一段时期内涨跌幅的标准差,计算公式为:
GV=T∑t=t0t0−T+1(ri,t−ri)2股票收益率可拆解为两个组成部分:
形式化表示为:
Rt=Xt−1Ft+εt定义异质波动率(DV)为异质收益率在时间序列上的波动率,即:
DV=T∑t=t0t0−T+1(εi,t−εi)2计算异质波动率需对每一期的横截面数据作残差回归(共计T次),相比传统计算复杂度更高。
异质波动率与传统“特质波动率”有本质区别:
总结:该节系统区分了波动率的构成及两类不同计算路径,为后续异质波动率的研究奠定理论基础。
研究基于Barra 10因子模型构建异质波动率,因该模型解释力较强且因子覆盖全面。模型包括Beta、Momentum、Size、Earning Yield、Residual Volatility等10个因子。
特别针对Earning Yield和Growth两个因子做出调整,剔除分析师预测数据,替代为净利润增长率,保障A股数据完整性和准确性。
异质收益率定义通过回归该10因子模型计算:
Rt=c+j=1∑10Fj⋅Factorj+εt异质波动率以这些残差的标准差定义。
| 指标 | 异质波动率(DV) | 一般波动率(GV) |
|---|---|---|
| 组1(最低波动)收益 | 1.27% | 0.71% |
| 组5(最高波动)收益 | -0.59% | -0.24% |
| 组间收益差 | 1.86%(显著,t=5.87) | 0.95%(显著,t=2.47) |
| 多头组合年化收益率 | 10.79% | 3.81% |
| 多空组合年化收益率差 | 25.83% | 10.98% |
| 最大回撤率 | 12.82%(多空差) | 24.95%(多空差) |
| Sharpe比率差 | 2.27 | 0.75 |
综合分析,此节通过严谨的分组检验及指标比较,明确异质波动率因子在选股表现上显著优于一般波动率。,5,6]
| 因子 | IC均值 | IC标准差 | t统计量 | IC为负比例 | IR(信息比率) |
|---|---|---|---|---|---|
| 异质波动率 DV | -0.1000*** | 0.1043 | -8.94 | 82.76% | -0.9585 |
| 一般波动率 GV | -0.0673*** | 0.1348 | -4.66 | 67.82% | -0.4996 |
这一部分强化了异质波动率因子优于传统波动率的结论,体现了其更稳健的预测能力。
这为异质波动率替代一般波动率提供基础数据支持。
综合表明,DV因子覆盖甚至超越GV信息,并提供增量选股信息,具有独特价值。,9]
图5直观显示两因子的表现差异。,10]
表1(Barra 10 因子介绍)
展示了因子名称和经济含义,覆盖风险溢价、规模、估值、成长性、杠杆、流动性等多维度因子,为建立异质波动率横截面回归模型提供基础背景。
表2与表3(异质与一般波动率分组检验)
这两表直观展示各组的收益率、Sharpe比率、最大回撤等指标,凸显异质波动率在收益水平及分组单调性上的压倒性优势,多空组合年化收益率差为25.83%,显著高于一般波动率的10.98%(且最大回撤更优)。
图1与图2(分组净值曲线图)
从2011年开始,四组净值曲线走势清晰区分,其中异质波动率净值曲线多头组收益明显高于指数和一般波动率,空头组表现最弱,呈现良好的分层效果和风险分散能力。
图2一般波动率分组收益重叠较多,单调性差,风险收益结构不明显。
图3(多空组合净值曲线)
多空组合净值表现出异质波动率的持续性优势,净值曲线稳步上升且优于一般波动率,回撤幅度更小,佐证选股能力及风险控制能力优异。
表4(因子信息系数分析)和图4(IC序列)
表4定量证明异质波动率更稳定、更显著地负向预测收益,图4 IC时间序列更直观显示DV负相关的持续性和稳定性。
表5(因子相关系数)
证实了DV与GV的高度相关性(0.90),以及与部分Barra因子的较低相关性,揭示其在因子体系中的独立地位。
表6(Fama-Macbeth回归)和表7(正交分析信息系数)
多因子回归结果强化了异质波动率对一般波动率信息的包容性;正交分析则证明异质波动率附加信息的存在及其选股价值。,9]
图5(累积纯因子收益率)
显示异质波动率纯因子收益率显著下跌(负回报)且趋势陡峭,反映波动率因子与股票收益的负向稳定关系增强。
总而言之,所有图表数据及趋势逻辑都紧密支撑了报告主论点,清楚展现了异质波动率相较于一般波动率的实证优势。
此报告侧重于因子研究和实证验证,不涉及对具体公司估值模型(如DCF、市盈率、EV/EBITDA等)的构建及评估,故无传统估值分析部分。
风险提示部分相对简明,提醒使用者关注市场动态与模型适应性,合理判断因子可持续性。,10]
整体,报告论证严谨、结论明确,偏向于支持异质波动率的改进价值,未见显著的理论和方法漏洞,但仍需结合实践不断优化。
本文系统构建并验证了“异质波动率”因子,区别于传统一般波动率因子,采用Barra 10因子模型分离股票收益率中的同质与异质成分,量化异质收益率的波动性。通过数据分组检验、回测、多因子回归、正交分析及纯因子收益率等多维度实证,清晰展示异质波动率在预测股票未来收益、优化组合表现上的优越性:
报告严谨揭示了波动率因子分解的金融学意义,兼具理论创新与应用指导价值,对于量化投资模型优化及因子策略构建均具参考意义。
以上为对《波动率因子的改进:异质波动率》报告的全方位深度解读与专业分析。
金融工程专题报告:波动率因子的改进 异质波动率.pdf