• 研究介绍和模型构建 [page::0][page::1][page::2]

- 采用CAPM模型、Fama-French三因子、五因子模型及Carhart四因子模型，基于残差波动率定义特质波动率。
- 以月为单位回归期，衡量个股特质波动率。

• 特质波动率行业与市值分布特征 [page::3]

- 银行股特质波动率显著偏低(约19.02%)，大部分行业约30%。
- 市值分组中，第一、二组波动率较低，其余集团基本均匀，说明大市值及银行股波动率较低。

• 因子相关性与单调性分析 [page::4][page::5]

- 特质波动率四模型间相关系数>0.95，明显强相关。
- 特质波动率与1个月换手率相关系数约0.8，负相关于流动市值(约-0.2)，与ROE无明显相关。
- 因子按波动率排序成10组，特质波动率最低组表现最好，排名靠后组收益单调递增(除银行股组)，最高收益近29%，单调性显著。

• 信息系数(IC)分析 [page::6]

- 以Fama-French三因子模型特质波动率为代表，IC均值为-7.28%，稳健负相关。
- 月度IC为负概率为77%，说明特质波动率因子具有较高的预测稳定性。

• 多空收益策略实证 [page::7][page::8]

| 模型 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 |
|-----------|------------|------------|----------|----------|
| CAPM | 18.12% | 11.95% | 17.95% | 1.26 |
| Fama-French 3因子 | 23.55% | 10.09% | 13.86% | 2.04 |
| Fama-French 5因子 | 22.80% | 9.73% | 14.85% | 2.03 |
| Carhart 4因子 | 23.55% | 9.84% | 14.31% | 2.09 |

- 多因子模型（FF3，FF5，Carhart4）均优于简单CAPM模型，年化多空收益提升约5%。
- CAPM模型波动率、最大回撤较高，夏普率最低。 多因子模型表现较为接近。

• 低特质波动率策略收益表现 [page::9]

| 指标 | 数值 |
|----------------|------------|
| 回测期间 | 2005-03至2018-02 |
| 年化超额收益 | 7.63%p |
| 跟踪误差 | 4.67% |
| 最大回撤 | 5.85% |
| 信息比率 | 1.63 |
- 特质波动率排名后30%的股票组合显著跑赢全市场等权组合，展现稳健配置效应。
- 风险指标表现较优，最大回撤仅5.85%。

• 纯因子组合与多重共线性分析 [page::10][page::11]

- 纯因子组合定义为对目标因子暴露为1，其它因子暴露为0的组合，采用带市值平方根加权的最小二乘法求解因子收益。
- 因子暴露度通过正态标准化，方差膨胀因子(VIF)均小于5，表明特质波动率与传统因子共线性不显著。

• 传统因子对特质波动率解释度有限 [page::12]

| 指标 | 平均值 | 最大值 | 最小值 |
|--------------------|---------|---------|---------|
| 方差膨胀因子 (VIF) | 1.57 | 2.79 | 1.10 |
| 决定系数 (R²) | 34.79% | 64.21% | 9.24% |

- 说明特质波动率承载了传统因子无法解释的约66%的信息。

• 纯因子收益表现显著为负 [page::13]

| 指标 | 数值 |
|------------------------|-------------|
| 纯因子收益月度均值 | -5.23% |
| 月度收益为负概率 | 71.34% |
| 纯因子收益t统计量均值 | 3.58 (绝对值) |
| t统计量>2概率 | 63.69% |

- 纯因子收益月度平均明显为负，且统计学显著，多数时间纯因子收益显著。

• 结论及后续展望 [page::14][page::15]

- 发现特质波动率与股票未来收益呈明显负相关。
- 资本资产定价理论中，特质风险可分散，然而市场摩擦导致特质波动率影响收益。
- 传统多因子模型中加入市值、估值因子提升效果明显，但再加动量、盈利等因子提升效果有限。
- 本研究未能完全解释特质波动率之谜，建议未来进一步探索其经济及市场机理。

【建投金工专题55】特质波动率纯因子在A股的实证与研究—深入分析报告

---

一、元数据与总体概览

• 报告标题：【建投金工专题55】特质波动率纯因子在A股的实证与研究

- 作者团队：首席分析师丁鲁明及中信建投证券研究发展部金融工程团队（成员包括王赟杰、喻银尤、陈元骅、段伟良、赵然）

• 发布时间：2018年5月25日

- 发布机构：中信建投证券研究发展部

• 研究主题：基于多因子模型建立和分析A股市场中的特质波动率因子，进一步剖析其因子特征、收益表现、与传统因子间关系及估值表现，特别关注“特质波动率纯因子”在多种模型下的表现及其投资启示。

核心论点摘要：
本文通过CAPM、Fama-French三因子、五因子及Carhart四因子模型提取残差波动率作为“特质波动率”指标，深入分析其在A股市场的表现及因子属性。研究表明：（1）低特质波动率股票组合在A股具有显著超额收益和配置效应；（2）特质波动率与传统因子相关度较低，具备独立投资信号；（3）不同多因子模型对特质波动率的解释略有差别，加入市值与估值因子显著增强了模型表现；（4）在Barra纯因子框架下，特质波动率因子纯因子收益月度均值显著为负，暗示特质波动率负暴露可能盈利；（5）投资者面临特质波动率带来的“迷”，既具有显著的负收益关联，也提供大量传统因子不能解释的信息。[page::0][page::14]

---

二、逐节深度解读

2.1 前言及相关模型介绍

• CAPM模型：将股票收益分解为Alpha、Beta乘以市场收益及残差，其中残差波动率即为特质波动率，即不被市场解释的风险。

- Fama-French三因子模型：在CAPM基础上加入市值因子（SMB）与估值因子（HML），捕捉小市值股和价值股效应，对特质波动率的解释增强。

• Fama-French五因子模型：在三因子基础上增加盈利能力因子（RMW）和投资因子（CMA），以进一步分解股票风险特征。

- Carhart四因子模型：增加动量因子（UMD），反映股票收益的惯性效应。

特质波动率的计算：针对每个月内近20个交易日，根据上述模型残差收益求得年化波动率，作为该股票该月的特质波动率值。[page::1][page::2]

---

2.2 因子特征分析

• 行业分布：计算2005-2018年期间各中信一级行业的特质波动率均值。结果显示除银行业外，其他行业平均特质波动率稳定在约30%左右；银行股特质波动率明显偏低，平均为19.02%，表明银行业股价波动受到特质风险影响较小。

- 市值分布：将股票按流动市值分成20组，前两组（最大市值）股票的特质波动率显著较低，其余市值组基本维持在30%左右，市值越大特质波动率越低，显示大市值股票更为稳定。

• 相关性分析：

- 四模型得到的特质波动率彼此相关系数均在0.94以上，极高相关性表明各模型提取的特质波动率基本一致。
- 特质波动率与1个月换手率相关性较强（约0.8以上），换手率高的股票往往伴随高特质波动率。
- 与流动市值呈负相关（约-0.2），反映大市值股票特质波动率较小。
- 与ROE的相关性极低（绝对值小于0.1），经济盈利能力与特质波动率基本无关联。

• 多空收益分析：

- 2005年至2018年，基于CAPM模型的特质波动率因子多空组合年化收益为18.12%；基于Fama-French三因子、五因子及Carhart模型的年化收益分别在22.8%-23.55%区间。
- 加入市值和估值因子显著提升收益表现，约提升了5个百分点，而加入动量、盈利、投资水平因子表现改进有限。
- CAPM模型特质波动率的波动率与最大回撤较高（11.95%和17.95%），夏普率为1.26，均不如多因子模型。[page::3][page::4][page::8]

---

2.3 特质波动率因子单调性

• 将股票按Fama-French三因子模型的特质波动率值排序分为10组：前10%最大特质波动率为top1，依次递减。

- 观察到后五组（特质波动率较低）的年化收益均显著高于前五组（高特质波动率）。具体数值：top1仅约0.08%，而top9、top8分别为29.28%、29.19%。

• 尽管top10（最低特质波动率）的收益略低于top9及top8，原因主要为其成分股银行股比例较高，银行股特质波动率低但收益不高，影响了整体表现。

- 因子表现具有很强的单调性，体现特质波动率作为风险因子与收益的逆相关关系。

2.4 Spearman相关系数考察（信息系数IC）

• 特质波动率因子与未来个股收益排序之间的Spearman相关系数（IC）平均为-7.28%左右，且均为负。

- 月度IC为负的概率达到77%，且约64%的月份IC同向（方向一致）。

• 说明特质波动率是稳定且有效的负相关因子，即特质波动率越高，未来收益越低。

- 该IC表现反复多年且稳健，具有很强的投资信号。

2.5 因子多空收益分析策略设定

• 考虑市值和行业的影响，通过市值中性（20个市值组内多空股比例对冲）与行业中性（29个行业内多空配比对冲）消除潜在偏差。

- 策略剔除停牌、新股（上市不足20个交易日），保证交易信号有效。

• 多空组合构造逻辑：特质波动率排名靠后20%的股票做多，排名前20%做空。

- 回测期：2005年5月至2018年2月。

多模型多空收益差净值曲线显示，市值等权对冲组合表现最优，且不同模型收益表现一致，Fama-French三因子及Carhart模型优于CAPM模型，体现多因子增强模型解释力的作用。[page::6][page::7][page::8]

---

2.6 低特质波动率组合实证结果及配置效应

• 构造排名后30%的低特质波动率股票等权组合，相对于全市场等权组合进行比较分析。

- 回测期间，低特质波动率组合年化超额收益约7.63%，跟踪误差仅4.67%，信息比率达到1.63，最大回撤5.85%，表现稳健且收益显著。

• 该结果显示低特质波动率的个股组合存在明显的风险调整后超额收益，具有核心配置价值。

---

2.7 Barra纯因子组合及纯因子收益估计

• 纯因子组合定义：投资组合在某因子上的暴露度为一单位，在其他所有因子上的暴露为零，确保因子收益来源单一。

- 纯因子收益通过最小二乘法估计，考虑模型异方差性，采用流通市值平方根加权最小二乘法求解，增强稳健性。

• 因子暴露度采用正态标准化处理，自变量存在的多重共线性通过计算方差膨胀因子（VIF）检测，若VIF>5则进行正交化处理。

- 传统因子对特质波动率解释度有限，方差膨胀因子平均1.57，最大2.79，拟合决定系数平均约34.79%，即66%特质波动率信息无法被传统因子解释。

• 纯因子收益月度均值为-5.23%，且月度为负收益概率高达71.34%，表明对应特质波动率暴露的正方向收益表现为负，暗示投资者应关注特质波动率的负暴露策略。

- 多因子回归中特质波动率对应t值绝对值均值为3.58，大于临界值2的概率63.69%，统计上显著，证明纯因子收益可靠且稳健。







---

三、图表深度解读

3.1 图1-2：特质波动率行业与市值分布

• 图1呈现29个行业特质波动率均值，观察发现银行业远低于平均水平，仅约19%，而其他行业均集中在30%左右，说明特质风险在金融行业中的表现较弱。

- 图2则显示20个市值分组的特质波动率分布，第一、第二组大市值股票特质波动率明显低于其他市值组，大概平均在26-29%，其他组稳定约30%。提示大市值股票相对稳定。

3.2 表1-2：相关系数与协方差矩阵

• 相关系数矩阵确认四因子模型特质波动率高度相关（>0.94），特质波动率与换手率正相关，表明市场活跃度高与特质风险增大呈正向关系。

- 与流动市值负相关，体现大市值对应较低特质波动率。

• 协方差矩阵显示特质波动率与换手率均为正协方差，与流动市值呈负协方差，验证了相关性分析结论。

3.3 图3 & 表3：特质波动率因子分组累积净值与年化收益

• 图3表明，随着特质波动率值递减，组合累积净值稳步提升；除了极端组top10受银行股影响表现异常，期望收益整体趋势显著单调。

- 表3数值量化了各组的绝对年化收益，top9最高达29.28%，top1仅0.08%，突出低特质风险策略的投资价值。

3.4 图4-5：因子信息系数(IC)

• 图4呈现多年度月度IC均值，均维持在负值区间，且稳定性强，部分年份IC值低至-0.1以上。

- 图5月度IC波动趋势体现因子信号的周期性变化，整体方向与期望一致说明因子具备预测能力。

3.5 图6-9：多因子模型下多空收益差净值曲线

• 四张图对比显示，CAPM多空收益明显低于三因子及其扩展模型，三、五因子与Carhart模型持平，市值中性等权策略净值线远高于市场整体，说明多因子模型优势。

3.6 图10 & 表5：低特质波动率组合超额收益表现

• 图10图示排名后30%特质波动率组合累积超额收益稳步增长，显著优于全市场等权组合。

- 表5关键指标的数据充分验证该策略年化回报高达7.63%，信息比率显著，最大回撤控制良好。

3.7 图11-12 & 表6：传统因子解释度及VIF

• 图11显示方差膨胀因子多集中于1-3之间，远低于共线性阈值5，表明特质波动率因子与传统因子具备较好独立性。

- 图12拟合度集中在20%-50%区间，表明传统因子仅能解释部分特质波动率波动。

• 表6数据显示拟合度最大值64%，及最大VIF不到3，保证模型稳定。

3.8 图13-15 & 表6（再次验证）

• 图13-14重复展示了传统因子对特质波动率的VIF与拟合度，辅助理解模型的稳健性。

- 图15回归t值统计突出纯因子收益显著性，尤其单侧显著性强，增强因子投资的说服力。

---

四、估值分析

报告未直接涉及股票估值或因子估值的传统DCF、市盈率等方法，而是通过横截面回归、因子暴露度和组合权重矩阵，通过加权最小二乘法估计纯因子收益，体现了Barra多因子模型实际应用中的数值估计技术和模型稳健性的关注。
关键假设包括：

• 股票收益可用多因子线性模型解释；

- 特质波动率体现当期残差年化波动率；

• 采用流通市值平方根权重调整模型异方差性；

- 方差膨胀因子识别多重共线性，线性正交化保证因子纯净。

---

五、风险因素评估

• 资本资产定价理论表面上认为系统风险才影响收益，特质风险可分散；然而市场不完美和卖空限制等导致特质风险非完全可交易。

- 特质波动率与收益的显著负相关提示市场对高特质风险的惩罚，但存在“特质波动率之迷”——理论无法完全解释特质波动率为何存在显著负收益，且未来解释该现象仍需探索。

• 投资者若盲目追求“纯特质波动率正暴露”组合，可能带来负收益风险。

- 因子计算依赖历史残差波动率，存在模型误差与样本外表现不确定；且单月视角内估计存在噪声，导致实际应用中信号稳定性可能受限。

• 投资组合构建风险包括流动性风险（尤其剔除新股与停牌影响）、行业市值中性化不足可能引起风险敞口。

---

六、批判性视角与细微差别

• 报告坚定强调特质波动率因子负相关特征及其投资潜力，但并未深入解释产生该现象的根源，暗示该领域仍处于探索阶段。

- 纯因子收益显著为负的结论有悖传统风险补偿理论，提示投资者需要谨慎利用该因子，而非简单持有暴露正向组合。

• 部分图表数据解读上未完全剖析极端分组top10低收益缘由，说明行业分布对组合收益影响显著，未来可在此方向进一步深化分析。

- 该因子的解释度预测模型稳定度受限，拟合度及方差膨胀因子虽不高，但34%拟合度并非很高，表明因子受未捕获风险影响较大。

• 多数分析侧重历史样本期表现，未来表现不确定性未被充分量化。

- 对于Barra纯因子合成步骤，技术细节未完全展开，需投资者具备多因子模型操作基础方能准确理解。

---

七、结论性综合

本报告全面剖析了A股市场基于多因子模型的特质波动率因子特征及收益表现，核心结论包括：

• 特质波动率因子是一种稳定且有效的风险因子，体现为与未来股票收益负相关，IC均值约-7%，月度为负概率超77%。

- 低特质波动率股票组合具有显著的年化超额收益（7.6%），且最大回撤及跟踪误差可控，具备良好的风险收益特征和配置价值。

• 相比于CAPM模型，包含市值与估值因子的Fama-French三因子及其扩展模型有效提升了多空收益表现，年化收益提升约5个百分点。加入动量等因子贡献有限。

- 特质波动率因子与传统因子相关性低，具有独立信号源，方差膨胀因子及拟合度均表明66%以上的信息为传统因子无法覆盖。

• Barra纯因子组合分析显示，暴露正向的特质波动率纯因子月度收益均值显著为负（-5.23%），其收益统计学显著性强，提示投资者关注负暴露策略。

- 行业与市值因素对特质波动率分布有显著影响，银行业及大市值股票特质波动率偏低，收益水平相对滞后。

综上所述，本文通过多模型、多角度的实证研究明确特质波动率在A股市场的表现与投资价值，并指出其复杂的负收益关联“迷”，为投资者在因子投资与量化资产配置中提供了有益参考与启示。同时，研究强调未来应继续探索特质波动率的内在驱动力及市场机制，为理论与实务提供更深层次的结合和创新支持。[page::0][page::3][page::4][page::5][page::6][page::8][page::9][page::12][page::13][page::14]

---

附录：部分关键图表Markdown格式展示

图1：特质波动率在中信一级行业分布情况

图2：特质波动率在市值组分布情况

图3：特质波动率各组累积净值

图6-9：多因子模型多空收益差净值示例（以CAPM和Fama-French五因子为例）

图10：排名后30%特质波动率等权组合超额收益

图11-12：传统因子对特质波动率的方差膨胀因子与拟合度

图15：回归系数特质波动率对应t统计绝对值

---

结语

本报告为A股市场特质波动率因子研究提供较全面、多维度的量化实证，揭示了特质波动率因子的内在风险收益特性及其投资价值。同时也明确指出目前理论框架对该因子的机制缺乏解释，提醒投资者谨慎应对。建议未来进一步加强理论研究和样本外验证，提升因子应用的稳健性和解释力。

以上全面详尽地诠释了报告中的各项重要内容、数据和结论，充分展现了特质波动率纯因子在A股量化投资中的重要角色。[page::0][page::14]

报告