因子选股系列之五十四：波动率因子的逻辑与非对称使用.docxVIP

目录 TOC \o 1-2 \h \z \u HYPERLINK \l _bookmark0 波动率异像 3 HYPERLINK \l _bookmark1 波动率解释研究 3 HYPERLINK \l _bookmark2 分析师偏好 3 HYPERLINK \l _bookmark3 投资者的彩票偏好 5 HYPERLINK \l _bookmark4 投资者对基金产品的偏好 6 HYPERLINK \l _bookmark5 套利非对称性 7 HYPERLINK \l _bookmark6 波动率的延续性 15 HYPERLINK \l _bookmark7 组合层面对比 18 HYPERLINK \l _bookmark8 主动量化组合对比 18 HYPERLINK \l _bookmark9 指数增强组合对比 21 HYPERLINK \l _bookmark10 4.总结 22 HYPERLINK \l _bookmark11 风险提示 23 HYPERLINK \l _bookmark12 参考文献 23 波动率异像 众所周知，波动率具有负向的选股效果，也就是波动率异像，图 1 展示了一个月、三个月、6 个月波动率因子从 2005-2019.3 在中证全指和中证 800 中的选股效果。整体来看波动率因子有着不错的选股效果，波动率较小的股票表现较好，但是从因子分组表现来看，不论在哪个样本空间中，波动率因子的多空收益都完全来源于空头端，其第一档其实并没有贡献超额收益，而第 2-4 组反而超额收益较好，这个就说明如果是基于打分直接选择波动率最低的股票构建组合，那么这个组合长期是没有什么超额收益的，而如果是构建多因子模型或者是采用多因子和波动率倒数加权结合的模式，因为波动率整体有着负向的选股效果，所以还是能获得波动率贡献的超额收益的。 图 1：波动率因子表现 样本空间 因子 rankIC ICIR Monthly_LSRet Yearly_LSRet LSMaxDown IR Vol20 -6.0% -1.27 0.94% 9.90% -26.26% 0.60 中证全指 Vol60 -6.0% -1.12 0.82% 7.58% -36.67% 0.44 Vol120 -5.3% -0.97 0.69% 5.83% -46.59% 0.36 Vol20 -5.2% -1.06 0.65% 6.04% -26.23% 0.40 中证800 Vol60 -5.7% -1.01 0.66% 5.54% -46.50% 0.36 Vol120 -5.4% -0.93 0.77% 6.86% -44.03% 0.41 数据来源： Wind 资讯 波动率解释研究 对于波动率的异像，海外几十年来的研究也存在争议，有比较多的说法，但是并没有统一的定论， 这里测试了几种主流的说法在A 股中的实证结果，希望能对A 股波动率异像有一个更直观的理解。 分析师偏好 Hsu, Kudoh 和 Yamada（2013）研究发现卖方分析师的盈利预测整体是高于实际的公司盈利的， 而过去高波动的股票分析师的盈利预测会相对更高，虽然投资者会对分析师整体的高盈利预测进 行调整，但是盈利预测相对更高的高波动股票还是会被投资者高估，因此就会导致随后的价格修复， 从而导致波动率异像。Baker 和 Haugen (2012)研究发现卖方分析师推荐股票绝对收益越高，分析师越容易获得更高的激励，因此高波动股票是分析师实现这个目的的优先选择，作者发现过去波动率较高的股票会获得更多的卖方分析师覆盖，一定程度上会助涨市场对高波动股票的需求，导致高波动股票被高估。 这里我们对上述两个解释在 A 股市场进行了测试。首先我们基于朝阳永续 2006-2019 的数据计算了股票的分析师一致预期，并构建了一致预期偏离度 EFB(earning forecast bias)，计算公式为： EFB = 分析师一致预期净利润? 实际净利润实际净资产 我们在每个报告期用样本股票过去一年(两个报告期间隔）的收益率计算波动率，并把波动率从小到大分成 10 组，计算每组的 EFB 均值，然后再统计时间序列上的分组 EFB 均值（图 2）。从结果可以看到，股票的波动率大小和同期的一致预期偏离度直观来看并没有明显的关系，但是因为EFB 的行业属性非常明显，因此最好在测试的时候调整行业的影响，我们进一步把 EFB 横截面上对波动率和行业虚拟变量做回归，然后时间序列上计算波动率系数的 t_value，发现结果不显著。综合来看，实证的结果都说明A 股的分析师一致预期并不是波动率异像的解释。 图 2：不同波动率分组下一致预期偏离度 EFB 均值 数据来源： Wind 资讯 接着