20260224-浙商证券-主动量化研究系列_指增超额回撤控制_波动率分域视角_14页_1mb

> **来源：[研报客](https://pc.yanbaoke.cn)** 金融工程专题 报告日期：2026年02月24日 # 指增超额回撤控制：波动率分域视角 # ——主动量化研究系列 # 核心观点 本报告中，我们继续就如何管理指增超额回撤进行研究。核心结论是：根据个股残差波动率进行分域管理，放宽低波个股偏离约束，收紧高波偏离约束，对超配/低频限制进行独立管理，可得到更优收益风险组合。 # □ 风险来源于阿尔法，适当的风格敞口是必要的 阿尔法因子，无论基本面还是量价，多数与动量、波动率、流动性、市值存在较强相关性。例如成长，其与动量、波动率、贝塔、流动性存在显著正相关关系；超预期，与动量也存在较强的正相关性。 # □ 个股权重偏离是更有效的抓手 收益维度，严约束风格敞口会较大程度上降低长期超额表现；风险维度，风险因子解释度导致中性化敞口仍不足以有效平滑波动。个股权重偏离作为风险/收益的本质来源，对其进行针对性管理，可操作性和效果更好。 # □ 优化：残差波动率分域管理 超配/低配标的池内因子有效性反转，是回撤的直接原因。在无法预判风险的前提下，降低发生时的影响更有价值。以残差波动率为划分指标，对高、中、低波股票池个股权重偏离进行分域管理。从结果看，可在较小影响长期超额的前提下，降低组合波动和回撤大小。 # □ 风险提示 收益指标等指标均限于一定测试时间和测试样本得到，收益指标不代表未来。数据风险：未来的数据分布和特征可能与历史数据分布不一致，从而造成模型失效；本报告不涉及证券投资基金评价业务，不涉及对基金产品的推荐，亦不涉及对任何基金持仓股票的推荐。 分析师：陈奥林 执业证书号：S1230523040002 chenaolin@stocke.com.cn 分析师：徐忠亚 执业证书号：S1230523050001 xuzhongya@stocke.com.cn # 相关报告 1《春节特别篇：低起点，大空间，维持乐观》2026.02.23 2《保持乐观，持股过节》 2026.02.08 3《资金再平衡：公募和融资的预期差》2026.02.05 # 正文目录 # 1 指增超额管理：回归个股维度 # 2 持仓个股视角的超额收益拆分 4 2.1 因子收益来源：风格的影响 5 2.2 风格/因子与收益：脆弱的关联 5 2.3敞口暴露与收益贡献：更为复杂的关联 2.4 超额收益可控性：个股残差波动率视角 2.5 小结 9 # 3 超额回撤控制：个股残差波动视角 9 3.1 残差波动率、个股偏离和超额收益 ..... 9 3.2 指增超额波动分析示例 ..... 11 3.3波动率分域下的优化思路 12 3.4 小结 ..... 13 # 4风险提示 13 # 图表目录 图1：公募中证500指增产品日超额收益中位数 图2：优化组合在多数时间内回撤小于基准组合. 4 图3：A股风险模型解释度分布：多数在 $40\%$ 以下 图4：市场波动与风险模型解释度正相关 图5：模型解释度提升并非总能与市场波动变化保持一致 6 图6：因子IC均值多数在 $\pm 10\%$ 以内 图7：标的市值敞口与个股收益呈强正相关 图8：标的波动率敞口与个股收益呈强正相关 图9：中盘价值相对大盘价值主要风险敞口 图10：中盘价值较大盘价值超额收益归因 图11：个股市值与残差波动呈负相关 8 图12：个股残差波动率不同宽基内分布. 8 图13：2026年以来风险模型解释度未明显提升 图14：少数股票贡献了主要的残差波动 图15：截面残差多数时间呈正偏分布 10 图16：截面残差多数时间呈尖峰厚尾分布 10 图17：个股残差时序相关性较低 10 图18：个股残差波动率时序相关性较高. 10 图19：中证500成分内多数标的被低配 12 图20：超配标的池仍可贡献较高正超额 12 图21：超配标的集中在低波股票域 12 图22：高波股票池主导超额回撤 12 图23：优化组合和基准组合收益风险对比 13 图24：优化组合在多数时间内回撤小于基准组合 13 表 1: 阿尔法因子超额收益与风格因子：均存在较高相关性. 表 2：组合超额回撤拆解：风险集聚在低配的高残差波动股票池. 11 # 1 指增超额管理：回归个股维度 2026年以来，以中证500为基准的增强策略多数出现了一定回撤。对于这一现象，我们在前期系列报告中进行了讨论，优化方向也出现了一些变化。收紧风险敞口，是直观能想到的思路，多数情况下能够降低回撤，例如2024年初的市值/中盘敞口影响。对于2024年9-10月市场快速拉升以及主题行情区间，我们尝试收紧贝塔、波动率敞口，对超额回撤改善不大；添加个股涨跌幅限制、板块、主题风险因子，效果也不及预期。其后我们发现整体敞口管理过于粗糙，整体严约束无法有效管理局部偏离，尝试进行精细化贝塔管理。在对组合超额收益来源进行分域拆分时（例如行业），发现超额收益和回撤多数情况下均由少数股票池贡献，据此进行针对性敞口管理，可在较小影响超额收益的前提下降低回撤幅度。通过前期系列研究，对于指增策略超额管理我们认为应秉持几点原则：风险源于阿尔法；适当的风险敞口是必要的；应更重视个股权重偏离管理。 指数增强是以获取超额为目标的策略，可复现胜率应为首要关注点。我们应尽量避免涉及低频次决策，即为把握某些时间的上涨或规避部分时间的下跌，而引入一些小样本参数。回测时，多次尝试一般可找到提高收益或降低回撤的参数选择，样本外持续性或存疑。 在本报告中，我们聚焦于个股权重偏离管理，从相对符合逻辑/直觉的角度出发，进行超额回撤管理。核心结论是：策略倾向于超配低波动标的，低配高波动标的；低波动股票池对超额收益的贡献更大，高波动股票池对回撤的贡献更大。将优化目标落在个股维度，即收紧高残差波动标的个股偏离。从结果看，在近年来主要高波动期，优化框架均可在一定程度上降低超额回撤，且超额收益也有所提升。 图1：公募中证500指增产品日超额收益中位数 资料来源：Wind，浙商证券研究所 图2：优化组合在多数时间内回撤小于基准组合 资料来源：Wind，浙商证券研究所；2020-2026/1/30 # 2 持仓个股视角的超额收益拆分 不考虑择时，指增超额收益来源于三个维度：行业、风格和选股。前期研究中，我们发现单独考虑行业或风格，模型解释度接近，因此我们仅考虑风格和选股维度。首先就阿 尔法因子收益与风格因子之间的关联进行分析，然后就个股偏离的影响进行讨论。结果表明，对于超额回撤控制，尤其是应对尾部事件，个股偏离管理是更为有效的方法。 # 2.1因子收益来源：风格的影响 阿尔法因子收益序列使用如下方式生成：将单个因子作为信号，以全指为股票池，约束行业、风格、个股偏离，得到超额收益。计算各因子与风格因子收益相关性，计算大类均值，从而分析阿尔法因子与风格的内在关联。 主流风险模型主要包含表中风格，且新增风险因子对模型解释度边际提升较小。这一框架本质是寻找对个股截面收益分化有解释能力的指标，即其首先需能够贡献边际解释度，其次再考虑其稳定性。从下表可以看出，所涉阿尔法因子，无论基本面还是量价，多数与动量、波动率、流动性、市值存在较强相关性。例如成长，其与动量、波动率、贝塔、流动性存在显著正相关关系；超预期，其与动量也存在较强的正相关性。 在《风险管理：如何降低对超额收益的影响》中，我们使用回归方法分析了因子与风格收益的内在关联，表中结果也佐证了这一结论。逻辑清晰、可理解程度高、简单易得的指标/标签，才有可能成为边际贡献高的风格。现有风险模型中的行业、风格已相对较为完备，收益的内在关联使得严约束敞口对超额收益的负向影响较大，适当的敞口是必要的。 表1：阿尔法因子超额收益与风格因子：均存在较高相关性 因子\风格 流动性 盈利 长期反转 盈余 成长 动量 中盘 市值 波动率 贝塔 分红 估值 -15.1% 5.7% 0.0% 29.7% -8.9% -37.8% 8.4% -17.4% 12.2% -3.0% 4.9% 成长 18.4% 3.1% 8.8% -10.8% 13.4% 23.9% 17.8% -10.7% 23.3% 26.5% -13.1% 盈利 -3.5% 23.6% -6.4% -4.4% 8.7% 21.1% 9.8% -3.8% 17.4% 9.7% -4.3% 覆盖度 -10.7% 37.7% -30.5% -8.7% 25.9% 27.4% 20.8% 34.0% -1.4% 1.7% -10.9% 超预期 -9.7% 23.4% -9.6% 0.5% 12.5% 35.3% 14.5% 7.7% -2.0% -4.1% 0.1% 机构持仓 -9.6% 19.4% -17.8% -3.7% 15.8% 15.6% 10.1% 9.9% 10.8% 10.6% -4.7% 动量反转 -6.4% 4.1% -4.4% -2.4% 3.9% -6.5% 6.8% -19.7% 27.7% 14.3% -1.1% 波动率 -33.7% -0.4% -5.5% 11.5% -12.6% -24.3% -1.8% -19.0% -0.7% -20.1% 10.3% 流动性 -31.9% 4.9% -12.3% -3.9% -1.3% 1.8% -1.9% -13.0% 4.0% -12.6% 6.3% 资料来源：Wind，浙商证券研究所；2016-2025年；因子超额收益与风格收益相关系数 # 2.2风格/因子与收益：脆弱的关联 多因子框架核心是寻找对标的未来收益排序有预测能力的指标，在各种约束下，最大化目标敞口，收益依赖于这一预测关系的强弱和稳定性。 风格维度，多数交易日模型解释度在 $40\%$ 以内，仅102个交易日80%以上，超过1000个交易日60%以内。模型解释度与市场波动水平呈正相关关系，在市场收益绝对值在 $2\%$ 以上时，仅有 $22\%$ 的交易日模型解释度超过 $80\%$ 。这也意味着，当市场出现较大波动时，尤其是未预期主题/概念行情时，风险模型约束效果会不及预期，例如2021年Q3-2022年Q1、2024年1-2月、2024年9-10月、2025年1-2月、2025年8-9月和2026年1月。 阿尔法维度，因子IC均值基本在 $\pm 10\%$ 以内，且不同时间波动较大。《指增超额回撤：风险端的缺失和优化》中，我们将阿尔法因子作为新的解释变量纳入，解释度边际贡献较低。即不论边际还是整体，因子与标的收益相关性均不高，其波动性使得这一关联更为脆弱。 图3：A股风险模型解释度分布：多数在 $40\%$ 以下 资料来源：Wind，浙商证券研究所；2010-2025年 图4：市场波动与风险模型解释度正相关 资料来源：Wind，浙商证券研究所；2010-2025年 图5：模型解释度提升并非总能与市场波动变化保持一致 资料来源：Wind，浙商证券研究所；2010-2025年 图6：因子IC均值多数在 $\pm 10\%$ 以内 资料来源：Wind，浙商证券研究所；2010-2025年；横轴，IC均值 # 2.3敞口暴露与收益贡献：更为复杂的关联 2024/09/24-2024/10/08，高贝塔和高波动风格收益出现历史极值，组合在二者有负向暴露，绩效归因视角其贡献一定负超额。然而中性化二者敞口暴露仍无法有效降低区间回撤。区间内科创/创业板标的涨幅上限更高，中性化板块约束对回撤控制效果也不佳。 风格/因子，与标的收益关联整体较为脆弱。以IC等指标度量这一关联时，会发现整体线性关系往往强于局部线性关系，如下图所示。这意味着，仅通过提高、降低敞口大小，并不总能捕捉目标收益。 以大盘价值/中盘价值指数为例，其分别在巨潮大盘、巨潮中盘成分内，根据价值指标筛选得到得分最好的一组股票。2026/1/28，大盘价值、中盘价值较基准超额收益分别为 $-0.13\%$ 和 $1.63\%$ ，前者较后者超额收益为 $-2.57\%$ 。从敞口看，中盘价值较大盘价值，低配沪深300、超配中证500，低配银行、超配有色/基础化工，超配流动性、贝塔，低配市值、分红、盈余、价值。风格行业敞口可解释收益为 $-1.44\%$ ，即仍有 $-1.13\%$ 无法被解释。 此时一般给出的解释是因子失效，这似乎意味着需要做的即是静候有效性恢复。这也导致在做超额收益绩效归因时，多数被归为残差收益，即选股收益。然而此处所用因子均为价值，这一问题在策略中经常会出现。目标敞口的来源，较目标敞口的大小，或更加重要，然而这一点我们无法进行预判。 图7：标的市值敞口与个股收益呈强正相关 资料来源：Wind，浙商证券研究所；2024/2/7 图8：标的波动率敞口与个股收益呈强正相关 资料来源：Wind，浙商证券研究所；2024/10/8 图9：中盘价值相对大盘价值主要风险敞口 资料来源：Wind，浙商证券研究所；2026/1/28 图10：中盘价值较大盘价值超额收益归因 资料来源：Wind，浙商证券研究所；2026/1/28 # 2.4 超额收益可控性：个股残差波动率视角 回顾一下风险模型的整体结构： $$ r _ {n} = f _ {c} + \sum_ {i} X _ {n i} f _ {i} + \sum_ {s} X _ {n s} f _ {s} + u _ {n} $$ $r_n$ 为标的超额收益； $f_c$ 为国家因子； $f_i$ 为行业因子； $f_s$ 为风格因子； $u_n$ 为残差项。当期模型解释度为： $$ R ^ {2} = 1 - \sum_ {i} w _ {i} u _ {n} ^ {2} / \sum_ {i} w _ {i} r _ {n} ^ {2} $$ 不考虑风险因子部分，相对权重偏离乘以残差收益，即为组合超额收益。权重较基准偏离整体与阿尔法得分呈强相关关系。残差收益，即个股收益剔除风险因子贡献的部分，即不可被解释程度。其预期波动率越高，其对组合超额收益影响越大。 前文分析结果表明，阿尔法因子与风格存在紧密关联，这也意味着前者对此部分标的收益预测能力波动较大，且更为不可控。多因子框架的基石是在指标具有一定胜率的条件下，累计超额收益。高残差波动股票越多，尾部事件发生时，风险模型效果越差，组合超额回撤不可控性越强。 残差波动率和市值呈负相关关系，不过局部分散化程度较高，即相近市值敞口，残差波动率也可能差异较大。沪深300、中证500、中证1000、中证2000，标的残差波动率中位数逐步提高，波动上沿部分提升更多，下沿部分较为接近。2026年以来，风险模型解释度整体处于历史均值附近，市场波动较大交易日也没有明显提升，即风险因子视角进行超额回撤管理，效果会不及预期。对2026/1/12模型未解释部分进行拆分，少数股票贡献了主要的波动。这表明，从风格、行业出发进行整体敞口管理，或以风险因子或残差波动贡献为约束条件进行整体跟踪误差管理，在尾部事件出现时，效果往往会不及预期。 在《风险管理：如何降低对超额收益的影响》中，我们发现对于给定策略，不同股票池对收益/回撤的贡献存在较大差异。这里我们可以更进一步，不同残差波动的标的，其贡献也存在较大差异。从以行业/风格为维度的分域管理，可细化为对不同类型标的权重分配进行直接限制。 图11：个股市值与残差波动呈负相关 资料来源：Wind，浙商证券研究所；2025/12/31 图12：个股残差波动率不同宽基内分布 资料来源：Wind，浙商证券研究所；2025/12/31 图13：2026年以来风险模型解释度未明显提升 资料来源：Wind，浙商证券研究所；2026/1/5-2026/1/29 图14：少数股票贡献了主要的残差波动 资料来源：Wind，浙商证券研究所；2026/1/12 # 2.5 小结 多因子指增体系，即在约束相对基准偏离的条件下，最大化组合信号得分，即控风险、叠收益。此部分分析结果表明，无论是风格还是阿尔法因子，其与标的预期收益的相关性均较低，关联较为脆弱。尤其是当市场处于高波动环境，而风险模型解释度未能同步提高。此时标的残差部分对组合超额起主导作用，因子有效性往往会降低。风险源于阿尔法、适当的风格敞口是必要的、应更加关注个股权重偏离的影响。 # 3 超额回撤控制：个股残差波动视角 此部分我们就残差波动在超额回撤控制中的作用进行分析，首先给出相对理想条件下的结果，然后据此给出一种相对简单可理解的可执行的组合约束框架，最后给出模型测试结果。 # 3.1 残差波动率、个股偏离和超额收益 假设标的因子得分向量为 $f$ ，权重向量为 $\mathcal{W}$ ，进行如下组合优化： $$ \text {M a x} f ^ {\prime} w - \frac {1}{2} \lambda \left(w ^ {\prime} B \sum w\right) \quad \text {s . t .} w ^ {\prime} i = 0, w ^ {\prime} B = 0 $$ 其中 $\sum = B\sum_{I}B^{\prime} + S$ ，分别为风险模型中的风格行业方差协方差矩阵和残差收益波动率。上述优化是在可做空的条件下，中性化所有风险因子敞口，得分目标组合。 求解可得 $w_{i} = \lambda^{-1}(f_{i} - l_{0} - l_{1}\beta_{1i} - \dots -l_{K}\beta_{Ki}) / \sigma_{i}^{2}$ 。定义风险调整因子信号 $F_{i} = (f_{i} - l_{0} - l_{1}\beta_{1i} - \dots -l_{K}\beta_{Ki}) / \sigma_{i}$ ，则： $$ w _ {i} = \lambda^ {- 1} F _ {i} / \sigma_ {i} $$ 标的主动权重由风险调整信号和个股残差波动率决定。主动权重乘以标的收益，即为组合超额收益。在上述约束条件较少的组合优化中，个股权重偏离与个股残差波动率负相关。若信号得分相近，模型会低配高残差波动标的。这一点与多因子指增策略多年来表现一致，即组合会倾向于超配低波动标的。这也导致当市场波动率快速拉升时，策略超额收益波动也会随之抬升。 超额收益由两个因素决定：标的权重相对基准偏离、个股预期收益率。核心逻辑是认为信号与预期收益存在相关性，从而超配，以一定胜率获取超额收益。若存在成分外持仓，可将对应标的基准持仓设定为0，即拓展的基准池。超配股票池收益和低配股票池收益贡献，共同决定了组合超额收益。 相对基准存在个股偏离，意味着超低配标的残差收益出现异常波动时，组合超额波动也会较大。如下图所示，残差收益多数时间呈尖峰厚尾和右偏特征，即尾部样本较多。若高波动时点，即使因子有效性仍在，局部非线性特征或会使得多头部分仍可贡献正超额，但不足以覆盖空头部分失效所带来的负超额，导致整体出现回撤。从风控出发，我们不能假设信号有效，而是要刻画高波动环境失效时，超配/低配所对应的尾部风险大小。然而，个股残差收益时序可预测性较低，滞后1天相关系数中位数为 $1.9\%$ ，滞后5天为 $-2.0\%$ 。与之相对应，残差波动率时序可预测性较高，滞后21天相关系数中位数为 $66\%$ ，均值为 $83\%$ ，整体右偏。策略无法实现完美预测，所应关注的是大样本学习下的胜率，并执行下去将胜率转化为收益。正如截面模型解释度中，使用到的是当日个股残差收益，但本质是其尾部可能的波动性。因此使用历史波动率对其进行预测，可靠性更高。 图15：截面残差多数时间呈正偏分布 资料来源：Wind，浙商证券研究所；2020-2026年1月 图16：截面残差多数时间呈尖峰厚尾分布 资料来源：Wind，浙商证券研究所；2020-2026年1月 图17：个股残差时序相关性较低 资料来源：Wind，浙商证券研究所；2020-2026年1月 图18：个股残差波动率时序相关性较高 资料来源：Wind，浙商证券研究所；2020-2026年1月 # 3.2指增超额波动分析示例 构建如下中证500指增组合：因子，量价 $^+$ 高频；个股偏离 $0.5\%$ ，行业偏离 $1 \%$ ；市值、中盘、贝塔、波动率敞口0.3。2026/1/23，组合日超额收益为 $-1.00\%$ ，残差收益贡献为 $-0.69\%$ 成分内持有139只标的，即多数标的未被持有，其中123只标的超配。除基准权重最大的一些标的受限于约束条件有持仓，持仓集中在基准权重靠后股票池。整体看，组合持仓数量不算多，与基准累计权重偏离较大。超配股票池超额收益贡献为 $1.01\%$ ，低配股票池贡献为 $-2.01\%$ ，即因子在多头有效性仍在，空头失效。低配股票池超额收益贡献升序排列，前51只、前125只累计超额贡献分别超过 $-1.5\%$ 和 $-2.0\%$ ，即少数标的贡献了主要回撤。 对比标的残差波动率和个股权重偏离，可以发现超配的高波标的均由成分外贡献，成分内低配较多。对于成分外，超配也主要由低波股票池贡献。这一结果与前文分析结论一致，即多因子指增框架下，策略偏好低波动标的。以 $15\%$ 为划分标准，合并基准池中低波和高波数量分别为398和146只，超配数量分别为146和21只，占比分别为 $14\%$ 和 $37\%$ 。低波标的池占比更高，不过相对超配比例仍高于高波标的池。对于收益贡献，低波股票池贡献为正，高波股票池主导超额回撤。 多因子指增框架下，组合整体偏好低波标的，其在所有股票池中占比也更高。低波股票池贡献更多超配权重，高波股票池贡献更多低配权重。从此处分析示例看，组合超额出现较大回撤时，因子有效性在超配/低频、高波/低波股票池中存在差异，即整体失效并不意味着局部也失效。以波动率进行分域，据此对不同类别标的针对性进行风控管理，或能更好平滑超额收益曲线。 表2：组合超额回撤拆解：风险集聚在低配的高残差波动股票池 数量/权重 数量 权重 超配权重 低配权重 成分内 139 80.4% 59.8% -79.4% 成分外 44 19.6% 19.6% 0.0% 合计 183 100.0% 79.4% -79.4% 收益 超配 低配 合计 成分内 0.85% -2.01% -1.16% 成分外 0.16% 0.00% 0.16% 合计 1.01% -2.01% -1.00% 残差波动率分组 >15% >10% 超低配-成分内 -29.71% 10.02% -31.68% 11.99% 超低配-成分外 4.17% 15.46% 8.61% 11.02% 合计 -25.55% 25.49% -23.07% 23.01% 累计收益 -1.12% 0.12% -1.29% 0.29% 资料来源：Wind，浙商证券研究所；2026/1/23；数值较小差异源于数据精度 图19：中证500成分内多数标的被低配 资料来源：Wind，浙商证券研究所；2026/1/23 图20：超配标的池仍可贡献较高正超额 资料来源：Wind，浙商证券研究所；2026/1/23 图21：超配标的集中在低波股票域 资料来源：Wind，浙商证券研究所；2026/1/23 图22：高波股票池主导超额回撤 资料来源：Wind，浙商证券研究所；2026/1/23 # 3.3波动率分域下的优化思路 超额回撤一般意味着因子失效。结合前文分析结论，可从个股残差波动出发对其进行分域讨论。超配标的跑输基准，低配股票池收益突然拉升，或兼而有之，我们无法事前确定具体哪些标的会贡献负超额。仅考虑哪些标的若反转，带来的影响可能会较大。前文结果表明，残差收益时序相关性较低无法应用，可从残差波动率出发。对于超配/低配组合，在残差波动延续的假设下，高残差波动+权重与基准偏离较大标的，无论其出现在超配组还是低配组，若出现收益反转，均可能对组合超额产生较大的负面影响。 构建如下中证500指增基准组合：因子，低波因子；个股偏离 $0.5\%$ ，行业偏离 $1\%$ 市值、中盘、贝塔、波动率敞口0.3。结合前文分析，考虑进行如下优化调整：对于低波成分，放宽个股偏离约束对于中波和高波股票池，适当收紧个股偏离。具体来说，将所有股票根据残差波动率升序 $30\%$ 和 $70\%$ 分位点划分为三组，低波、中波和高波个股偏离约束分别为： $[-0.2\%, 0.4\%]$ 、 $[-0.2\%, 0.3\%]$ 、 $[-0.1\%, 0.2\%]$ ，其余不变。从结果看，优化组合在收益和回撤维度均优于基准组合，且区间内多数波动时点回撤均不同程度有所降低。 图23：优化组合和基准组合收益风险对比 资料来源：Wind，浙商证券研究所；2020-2026/1/30 图24：优化组合在多数时间内回撤小于基准组合 资料来源：Wind，浙商证券研究所；2020-2026/1/30 # 3.4小结 阿尔法因子与风险因子存在不同程度的内在关联，因此适当的风险敞口是必要的。风险因子解释度天然决定了仅通过其放宽/收紧来管理超额波动，效果会不及预期。此部分我们对个股残差波动和个股偏离度对超额的影响进行了讨论，认为据此进行分类管理可操作性或更强。组合超额来自于相对基准的超配、低配收益贡献，高/低残差波动股票池内出现有效性反转时的影响存在差异。因此可根据标的残差波动率进行分域管理，从测算结果看较为符合预期。 # 4风险提示 收益指标等指标均限于一定测试时间和测试样本得到，收益指标不代表未来。数据风险：未来的数据分布和特征可能与历史数据分布不一致，从而造成模型失效；本报告不涉及证券投资基金评价业务，不涉及对基金产品的推荐，亦不涉及对任何基金持仓股票的推荐。 # 股票投资评级说明 以报告日后的6个月内，证券相对于沪深300指数的涨跌幅为标准，定义如下： 1.买入：相对于沪深300指数表现 $+20\%$ 以上； 2.增持：相对于沪深300指数表现 $+10\% \sim +20\%$ 3.中性：相对于沪深300指数表现 $-10\% \sim +10\%$ 之间波动； 4.减持：相对于沪深300指数表现 $-10\%$ 以下。 # 行业的投资评级： 以报告日后的6个月内，行业指数相对于沪深300指数的涨跌幅为标准，定义如下： 1.看好：行业指数相对于沪深300指数表现 $+10\%$ 以上； 2.中性：行业指数相对于沪深300指数表现 $-10\% \sim +10\%$ 以上； 3.看淡：行业指数相对于沪深300指数表现- $10\%$ 以下。 我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系，表示投资的相对比重。 建议：投资者买入或者卖出证券的决定取决于个人的实际情况，比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论。 # 法律声明及风险提示 本报告由浙商证券股份有限公司（已具备中国证监会批复的证券投资咨询业务资格，经营许可证编号为：Z39833000）制作。本报告中的信息均来源于我们认为可靠的已公开资料，但浙商证券股份有限公司及其关联机构（以下统称“本公司”）对这些信息的真实性、准确性及完整性不作任何保证，也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。 本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。 本报告仅反映报告作者的出具日的观点和判断，在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议，投资者应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。 本公司的交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理公司、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。 本报告版权均归本公司所有，未经本公司事先书面授权，任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的，应当注明本报告发布人和发布日期，并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的，应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。 # 浙商证券研究所 上海总部地址：杨高南路729号陆家嘴世纪金融广场1号楼25层 北京地址：北京市东城区朝阳门北大街8号富华大厦E座4层 深圳地址：广东省深圳市福田区广电金融中心33层 上海总部邮政编码：200127 上海总部电话：(8621)80108518 上海总部传真：(8621)80106010 浙商证券研究所：https://www.stocke.com.cn