报告摘自论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》,提出相对有符号跳跃方差(RSJ)指标区分“好”“坏”波动率,显著预测未来横截面股票收益,且收益差异在风险调整后依然显著。基于RSJ构造的多空投资组合表现优异,年化收益达约15%。RSJ与传统偏度、峰度指标相比,提供更稳健的收益预测能力,且该效应在控制多种变量和多元回归中均得到验证,尤其在小市值、高波动率及低流动性股票中表现更强。此外,通过收益分解和公告窗口分析,RSJ收益主要源自投资者对价格跳跃的过度反应,符合行为金融学观点
| 控制变量 | 大小分组(最低-最高RSJ)收益差(bps) | 4因子alpha差(bps) | t值 |
|---|---|---|---|
| 市值(ME) | 32.49 | - | 4.76 |
| 波动率(RVOL) | -44.09 | - | -4.09 |
| 流动性(ILLIQ) | -61.62 | - | -10.03 |
| 收益反转(REV) | 3.93 | - | 0.37 |
| 收益分解部分 | 未调整收益(bps) | FFC4调整收益(bps) | t统计量 |
|---|---|---|---|
| 自协方差(Auto) | -30.02 | -28.24 | -10.68 |
| 横截面协方差(Cross) | -5.87 | 2.24 | 1.98 |
| 无条件协方差(Mean) | 接近0 | 接近0 |
(“学海拾珠”系列之一,2020-07-12)
本报告标题为《波动率如何区分好坏?》,为华安证券研究所“学海拾珠”系列中的一篇精选论文解读,由分析师严佳炜与朱定豪联合撰写,发布时间为2020年7月12日。报告聚焦于量化金融领域中波动率的细分、性质及其与股票未来收益间的关系,特别围绕论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》的核心结论展开。报告旨在向国内量化投资者传递海外最新的学术研究精髓,探讨如何通过区分“好”波动率与“坏”波动率,提升股票横截面收益的预测能力。
主要论点是,通过构造并测度相对有符号跳跃方差(RSJ,Relative Signed Jump Variation)—即标准化的上下行波动率差值,能够有效捕捉股票的“好”与“坏”波动率,且该指标具有显著且稳健的未来收益预测能力。报告强调RSJ在控制了传统风险因子(Fama–French–Carhart四因子模型)后依然显著,预测能力强于传统已实现偏度和峰度等指标。整体立场鲜明,指出RSJ为资产定价和选股提供了一个重要的新视角,3-5]。
报告首先阐述了波动率拆分的思路:通过将日内收益率平方和区分为上涨部分(好波动率)与下跌部分(坏波动率),形成上下半方差,进一步聚合成相对指标RSJ。RSJ为上下半方差之差除以总已实现方差,范围介于-1至1。该指标旨在反映股票价格跳跃时带来的波动不对称性。
理论基础假设价格服从含跳跃的扩散过程,且布朗运动下上下行半方差相等,实际中不对称则来自跳跃。RSJ消除连续波动贡献,纯粹反映跳跃方向及幅度。实证中,RSJ构建的市值加权五分类投资组合间年化收益差高达15%,t值远超Harvey等提出的新标准,说明统计及经济显著性。
报告系统介绍了已实现方差、上行半方差RV(^+)、下行半方差RV(^-)的定义与极限性质。指出RSJ剔除连续成分聚焦跳跃效应,计算中采用5分钟高频数据,平衡市场微结构噪音与采样频率。
通过无条件分布(图表1)和描述性统计(图表2),RSJ分布处于-0.5至0.5范围且大致对称,平均标准差0.16,说明不同股票间存在显著差异。RSJ与实现偏度RSK高度相关(相关系数0.93),且与反转REV、最大收益MAX及最小收益MIN也呈显著相关。
时间序列分析(图表3)显示RSJ分布稳定且随时间变化较小,不像RVOL与峰度RKT在重大市场事件(如互联网泡沫、金融危机)期间波动明显,表明RSJ作为跳跃偏差指标的可靠性及相对稳定性。
进一步,报告展示了基于RSJ、RVOL、RSK、RKT四个指标进行5分位数分组的公司特征差异(图表4)。结果显示高RSJ组通常与高RSK、高反转REV、高最大收益MAX和低最小收益MIN对应,且明显不同于RVOL和RKT所分组的流动性较差小公司特征。此结论预示RSJ捕获非对称波动的特殊信息,与公司基本面和典型的波动率指标不同。
根据RSJ指标构造的价值加权和等权重投资组合中,RSJ位于最低组的股票在未来一周表现显著优于最高组,表现为29.35bps的收益差,t值5.83,FFC4因子校正后依旧显著。相比之下,RVOL、RKT对未来收益预测能力不明显,偏度RSK存在负相关但效应较弱且不稳定(图表5-6)。
剔除反转因子影响后,RSJ残差仍对未来收益产生强负预测,FFC4高低差约为-17.67bps,说明RSJ含有独立于周反转之外的信息。相较之下,RSK的控制后效应削弱甚至消失,且样本外基于RSJ残差的投资组合收益预测能力更强,更稳定(图表7)。
双重分组策略进一步证实RSJ负相关影响不受RSK解释。基于RSK分组内交叉RSJ分组的投资组合收益差显著,反向不成立;基于RSJ分组后控制RSK则显示RSK与未来收益正相关,充分强调RSJ指标的核心作用及RSK预测性的脆弱性(图表8)。
采用Fama–MacBeth回归分析,控制多种变量(规模、市值、账面市值比、动量、反转等),RSJ持续对未来收益产生负预测,回归系数显著,经济意义强(2个横截面标准差变化对应约26%年化收益);与此同时,RSK在考虑RSJ后正向预测未来收益,与前述双变量分组相一致,体现两者的内在信息构成及经济解释存在分歧(图表9)。
通过对规模、波动率、流动性、反转等四个关键控制变量进行分组,RSJ策略展现出显著异质性:
依据Lo和MacKinlay方法,RSJ策略收益拆分为单股票自协方差、横截面协方差、横截面均值协方差三部分,结果表明获利主要来自单股票的自协方差,反映价格本身的时间相关性,其他项贡献甚微。此发现强化了RSJ指标背后是投资者对股票价格突然跳跃的过度反应和价格调整过程。
通过业绩公告前后期的RSJ指标动态分析(图表12),正收益惊喜前后RSJ呈现正跳跃,负收益惊喜前后呈负跳跃,反映RSJ有效捕捉公司基本面新闻的市场冲击。且该效应不仅限于公告,还有宏观经济与公司特定新闻共同驱动RSJ,支持其作为重要信息信号的地位。
报告总结,基于高频数据的RSJ波动率因子揭示“好”“坏”波动率差异显著影响未来收益率,构建的投资组合经济与统计意义均突出,对传统风险因子稳健。RSJ预测能力在周频显著,但在月频及更长周期失效,质疑纯风险定价解释,更多体现行为偏差和市场过度反应,特别在小公司、高波动、低流动性股票中表现强烈。
未来研究应深入探索市场行为偏差与风险溢价成分的相互作用。报告强调所有结论基于历史数据和海外样本,不构成投资建议。
图表1的四个子图分别显示RSJ、RVOL、RSK和RKT的无条件分布核密度函数。RSJ分布近似对称,集中在[-0.5,0.5],说明多样化股票间跳跃不对称程度差异明显。RVOL和RKT呈右偏,反映波动率和峰度极端值影响较大,RSK仍近似对称但尾部更重。该分布合理反映了跳跃波动的市场实际分布,为后续实证提供基础。
表中提供四个主要指标及控变量的均值、标准差与横截面相关性矩阵。RSJ和RSK相关系数高达0.93,均体现波动非对称性,但相关性不足以完全替代预测能力。RSJ与REV(1周滞后收益)相关0.37,MAX(最大收益)和MIN(最小收益)也显著,揭示跳跃波动与短期收益动态关联。用于控制变量分析充分体现指标间逻辑关系。
此图展示RSJ、RVOL、RSK、RKT的10th、50th、90th百分位数的十周移动均值时间序列。RSJ相对平稳,波动小,保持中性趋势,RVOL和RKT在危机期间(2000年、2008年)峰值明显,反映宏观风险冲击。RSK也较稳定但波动较RSJ略大。该图揭示RSJ作为跳跃波动指标的内生稳定性,为实证预测提供稳固基础。
针对RSJ、RVOL、RSK、RKT进行5分位分组后,不同面板展示各分组对应股票的市值、账面市值比、动量、反转等基本面特征时间序列均值。高RSJ组股票表现出高RSK、高REV和高最大收益,低最小收益,且与规模、流动性无明显相关,说明RSJ捕获的风险特质与传统波动率量度不同。
RSJ分组所构建的投资组合收益呈单调递减趋势,市值加权和等权重均显示最高五分组未来收益最低。Fama–French–Carhart调整后,收益差依旧显著,最大约-29bps。相比之下,RVOL和RKT缺乏统计显著性,RSK虽表现负相关但不稳健。清晰显示RSJ优于常见指标的预测实力。
展现RSJ、RSK、REV策略的累积收益曲线。RSJ策略稳定增长,显著优于RSK,RSK超额收益集中在早期互联网泡沫破裂期后趋于平稳。REV表现最好,但RSJ与REV相关系数仅0.37,说明两者捕获不同来源的预期收益。此图直观展示RSJ的长期稳健超额收益潜力。
剔除反转等因素后,RSJ残差分组仍然负相关且显著,FFC4调整后收益差约-17bps,显示独立的信息含量增强。RSK参数在控制RSJ因素后,预测能力转为正相关,强调两者内在共性与个别差异的关键性(表格大量具体数据统计显著)。
交叉分组进一步剖析RSJ与RSK相互作用。RSJ控制下,RSK正相关收益,RSK控制下RSJ负相关效应依旧。特别是RSJ五分位数内部的预测效应均为负,展示RSJ的稳健性。等权重收益更显著,提示制度投资者面临更高参数稳定性。
多因素复合回归验证单变量组分结果。RSJ系数持续强负,且经济意义突出(2倍横截面标准差带来26%年化收益率差)。相较之下,RSK加入RSJ控制后效用逆转,峰度RKT弱负相关,强化RSJ指标实用价值。
细分规模、波动、流动性及反转影响下RSJ表现:
基于Lo-MacKinlay方法,自协方差部分贡献主导,这表明策略收益源自股票自身价格的时间相关性(显示由投资者对价格跳跃过度反应导致),交叉协方差与无条件协方差贡献极小,表明非系统性价格跳跃驱动RSJ收益。
业绩公告窗口内,正负收益惊喜股票分别出现RSJ指标的正负跳跃,且累积RSJ呈明显趋势,证明RSJ实际反应基本面信息披露,说明其作为信息挖掘工具的有效性。
本报告聚焦理论指标构造与实证检验,没有涉及传统意义上的公司估值方法(如DCF、P/E或EV/EBITDA估值等)。而是更注重指标对未来股价表现的预测能力与统计关系的挖掘,属于量化因子研究范畴,不涉及具体目标价格或估值预测。
报告明确风险提示:
综上所述,报告基于《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》的研究,系统挖掘并验证了相对有符号跳跃方差(RSJ)指标对未来股票周度收益的突出预测能力。RSJ以高频上下半方差跳跃差的形式量化跳跃波动率的非对称性,剔除连续波动贡献,更纯粹反应价格跳跃方向。
实证结果充分显示:
图表深度解析显示,无论是指标分布、相关系数、投资组合构造还是回归分析,RSJ因子的稳健性和经济意义均得到充分证据支持,成为理解波动率异质性及其对收益影响的关键突破。
总体而言,报告明确展现了RSJ作为“好”“坏”波动率划分的重要新指标,在风险管理和量化投资策略开发中具有重要应用价值,但需警惕其短期性和市场环境适应性的局限性。
Bollerslev T, Li S Z, Zhao B. Good Volatility, Bad Volatility, and the Cross Section of Stock Returns[J]. Journal of Financial and Quantitative Analysis, 2020:751-781.
本报告依法合规编制,由持证分析师独立撰写,数据来源公开,分析独立客观,不构成投资建议。评级定义以沪深300指数为基准,区分行业及公司评级,详细内容见报告末尾声明。
本报告通过深入解析高频波动率拆分理论与实证,突破传统波动率衡量局限,建立基于波动跳跃方向的RSJ指标,显著提升了收益预测的精准度,并以丰富详实的图表数据支持其科学合理性,为量化投资者与学术界提供了极具指导意义的波动率因子视角。在市场复杂背景下,该研究为风险定价与行为金融理论的整合开辟了新方向。
“学海拾珠”系列之一:波动率如何区分好坏?.pdf