因子选股系列：波动率因子的改进，异质波动率-20180829-西南证券-13页-1mb

异质波动率因子选股研究总结

核心内容

本文围绕“异质波动率”这一改进的波动率因子展开研究，旨在提升多因子选股体系中的波动率因子选股能力。通过与传统“一般波动率”的对比分析，研究发现异质波动率在多个维度上表现更优，能够更准确地反映股票收益的非系统性部分，即异质收益率的波动性。

主要观点

• 波动率的改进思路：传统波动率因子仅反映股票价格波动，未区分波动来源。异质波动率则聚焦于异质收益率（即个股特有风险）的波动性，能够更精准地捕捉股票价格的非系统性波动。
• 定义差异：异质波动率是通过横截面回归计算得到，而特质波动率是通过时间序列回归计算。两者的计算逻辑与解释对象不同，异质波动率更适用于因子选股体系。
• 选股能力优势：异质波动率与下期收益率呈显著负相关，且在分组检验中表现出更强的单调性。多头组合收益率更高，空头组合表现更差，整体组合年化收益率达25.83%，最大回撤仅为12.82%，优于一般波动率。
• 信息系数表现：异质波动率的IC值为-0.1000，IR值为-0.9585，显著优于一般波动率的IC值-0.0673与IR值-0.4996，表明其预测能力更强且更稳定。
• 相关性分析：异质波动率与一般波动率高度相关（相关系数0.90），但通过正交分析发现，异质波动率不仅包含一般波动率的信息，还提供了额外的关于股票价格的预测信息。
• 纯因子收益率验证：异质波动率的纯因子收益率曲线在2015年5月后变得更加陡峭，表明其与收益率的负相关性增强，具有更强的因子有效性。

关键信息

1. 异质波动率的计算方式

• 基于Barra 10因子模型，通过横截面回归计算异质收益率 $\varepsilon_{i,t}$，再计算其波动率。
• 回归公式为：
  $$
  R_t = c + X_{t-1}F_t + \varepsilon_t
  $$
• 通过 $T$ 次横截面回归获取异质波动率 $DV$。

2. 与一般波动率的对比

• 分组检验：
  • 异质波动率：20日平均收益率从组1到组5单调递减，组间差异明显。
  • 一般波动率：组间收益率单调性差，组3表现最佳。
• 多空组合表现：
  • 异质波动率多空组合年化收益率达25.83%，最大回撤仅12.82%，优于一般波动率。
• IC与IR分析：
  • 异质波动率的IC值为-0.1000，IR值为-0.9585。
  • 一般波动率的IC值为-0.0673，IR值为-0.4996。

3. 相关性与正交分析

• 相关系数：
  • 异质波动率与一般波动率高度相关（0.90），但与其它Barra因子相关性较低。
• Fama-Macbeth回归：
  • 异质波动率回归系数为负且显著，而一般波动率回归系数为正，表明异质波动率包含了一般波动率的信息。
• 正交分析：
  • 异质波动率正交后仍与收益率负相关，而一般波动率正交后相关性消失，说明异质波动率具有更高的信息增量。

4. 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月后下降速度加快，表明负相关性增强。
• 一般波动率纯因子收益率：
  • 仅在样本期后半段提供部分增量信息，整体表现不如异质波动率。

结论

本文认为，异质波动率作为对一般波动率的改进因子，在选股能力和信息预测方面均优于一般波动率。因此，在多因子选股体系中，使用异质波动率替代一般波动率有助于提高组合表现。未来可进一步探索基于异质波动率的加权策略，以优化Smart Beta等投资方法。

风险提示

• 本文基于历史数据，不保证未来表现。
• 市场环境变化可能导致因子效果下降。

附录信息

• 分析师：邓珮函

• 执业证号：S1250517080005

• 联系方式：

  • 邓珮函：电话023-67507084，邮箱dyh@swsc.com.cn
  • 王挺：电话023-67791263，邮箱wting@swsc.com.cn

• 相关研究：

  1. 大类资产配置模型的解析与探讨（2018-04-16）
  2. 基于方向波动率的选股因子研究（2017-12-21）
  3. 风险度量方法探讨——混合风险指标（2017-09-18）
  4. 美国共同基金FOF数据解析：公募FOF正蓄势，解析美国看未来（二）（2017-09-17）

• 图表说明：

  • 图1：异质波动率 $DV$ 分组净值图
  • 图2：一般波动率 $GV$ 分组净值图
  • 图3：多空组合净值曲线
  • 图4：因子IC序列
  • 图5：累积纯因子收益率图