20180829-西南证券-因子选股系列_波动率因子的改进_异质波动率_13页_1mb

异质波动率因子选股研究总结

核心内容

本文探讨了在多因子选股体系中，如何改进波动率因子的计算方式以提高其选股能力。传统波动率因子（一般波动率）是股票涨跌幅的标准差，而异质波动率则定义为股票在不同时期异质收益率的波动率，其计算基于Barra 10因子模型的横截面回归。异质波动率能够更准确地反映个股的非系统性风险，从而在选股中发挥更有效的作用。

主要观点

• 波动率的来源区分：股票收益率可分解为共同因素驱动的收益率（同质收益率）与异质因素驱动的收益率（异质收益率），异质波动率反映的是后者。
• 异质波动率的定义：异质波动率通过横截面回归获取，与特质波动率不同，后者是通过时间序列回归得到的。
• 选股能力对比：异质波动率在分组检验中表现优于一般波动率，组间收益率单调性更好，多头组合收益率更高，空头组合表现更差。
• 信息系数分析：异质波动率的IC值和IR值均优于一般波动率，表明其预测能力更强且稳定性更高。
• 相关性分析：异质波动率与一般波动率高度相关（约0.90），但通过正交分析发现，异质波动率能提供额外的增量信息。
• 纯因子收益率：异质波动率在样本期内表现优于一般波动率，尤其在2015年5月之后，负相关性增强，且累积纯因子收益率曲线更为陡峭。

关键信息

1. 异质波动率的计算方法

• 公式：
  $$
  D V = \sqrt {\frac {\sum_ {t = t _ {0}} ^ {t _ {0} - T + 1} \left(\varepsilon_ {i , t} - \bar {\varepsilon} _ {t}\right) ^ {2}}{T}}
  $$
• 模型：基于Barra 10因子模型，通过横截面回归获取异质收益率 $\varepsilon_{i,t}$，再计算其波动率。
• 因子调整：为解决A股分析师预测数据覆盖不足的问题，本文对Earning Yield和Growth因子进行了调整。

2. 选股能力分析

• 分组检验结果：
  • 异质波动率 (DV)：组间收益率单调递减，平均收益率从1.27%到-0.59%。
  • 一般波动率 (GV)：组间单调性较差，组3取得最大收益。
• 组合表现：
  • DV的多空组合年化收益率为25.83%，最大回撤率为12.82%。
  • GV的多空组合年化收益率为10.98%，最大回撤率为24.95%。
  • DV的多头组合收益率更高，空头组合表现更差。

3. 信息系数分析

• 信息系数 (IC)：
  • DV的IC值为-0.1000，GV为-0.0673，说明DV的预测能力更强。
• 信息比率 (IR)：
  • DV的IR为-0.9585，GV的IR为-0.4996，表明DV的稳定性更高。
• IC为负比例：
  • DV为82.76%，GV为67.82%，说明两者均与收益率负相关，但DV更稳定。

4. 相关关系分析

• 相关系数：
  • DV与GV相关性高达0.90，说明两者高度重合。
  • DV与Residual Volatility、Liquidity相关性略高，与其它因子相关性较低。
• Fama-Macbeth回归：
  • 异质波动率的回归系数保持负值，而一般波动率的回归系数变为正值，说明DV包含了GV的信息。
• 正交分析：
  • DV_GV的IC为负，IR较大，说明DV在排除GV后仍具有选股能力。
  • GV_DV的IC为正，IR偏小，说明GV在排除DV后无法保持负相关性。

5. 纯因子收益率分析

• 异质波动率纯因子收益率：
  • 累积纯因子收益率曲线在2015年5月后更加陡峭，说明其负相关性增强。
• 一般波动率纯因子收益率：
  • 仅在样本期后半段提供了一些增量信息，整体表现较弱。

结论

异质波动率因子在选股能力、信息系数、相关性及纯因子收益率等方面均优于一般波动率因子。因此，用异质波动率替代一般波动率有助于提升组合表现。未来可进一步研究异质波动率在Smart Beta策略中的应用，以优化投资组合的构建。

风险提示

本文基于历史数据的统计分析，因子的历史表现不能代表未来表现。若市场环境发生变化，因子的实际效果可能受到影响。投资者应谨慎使用，自行评估风险。

相关研究

• 大类资产配置模型的解析与探讨（2018-04-16）
• 基于方向波动率的选股因子研究（2017-12-21）
• 风险度量方法探讨——混合风险指标（2017-09-18）
• 美国共同基金FOF数据解析（2017-09-17）