波动率因子与收益的模糊关系 [page::4]

• 按月波动率分组，收益呈先升后降趋势，低波动组合收益优于高波动组合，违背“高风险高收益”常规认知。

- 波动率与市值负相关，与估值、反转、换手正相关，换手关联最显著。

• 控制市值、估值、反转和换手后，波动率与收益关系形态基本稳定，换手因素影响较大。

波动率的分解方法及理论依据 [page::5]

• 基于CAPM及FF3模型，将波动率拆解成系统性波动（与风险因子相关）和特质波动率（无关因子残差波动）。

- 公式表明总波动率为系统性波动与特质波动率两部分平方和。

系统性波动率与收益的正相关关系 [page::6]

• 系统性波动分组组合月均收益和FF3-alpha整体呈正相关，但高端波动组收益出现非单调现象。

- 组合特征显示系统性波动与换手率存在明显正相关。

• 控制换手率后，系统性波动与收益呈单调正相关，符合理论预期。

特质波动率与收益的负相关关系 [page::7][page::8]

• 特质波动率与收益显著负相关，高特质波动组合月均收益和FF3-alpha均较低。

- 高反转和高换手率股票通常收益低，与特质波动率相关性高。

• 控制传统选股因子后，负相关态势依旧显著，仅幅度有所减弱。

横截面回归分析风险溢价强度 [page::9]

| 回归方程 | 市值 | 估值 | 反转 | 换手 | 普通波动率 | 系统性波动 | 特质波动率 |
|---------|-------|-------|-------|-------|-------------|-------------|-------------|
| 参数估计(%) | -1.20% | -0.11% | -0.33% | -0.73% | 0.26% | 0.54% | -0.27% |
| T统计量 | -5.72 | -0.82 | -2.26 | -5.36 | 1.98 | 4.97 | -2.73 |

• 普通波动率对收益的正相关性有限，且统计显著性较弱。

- 系统性波动的溢价正且显著，月均溢价约为特质波动的两倍。

• 特质波动率呈显著负溢价，表明其为投资者规避风险因子。

- 两个波动率因子共同使用时各自效应稳定，说明影响截面收益的机制较为独立。

系统性与特质波动率月度风险溢价时间序列表现 [page::9]

• 月度正溢价概率为系统性波动63.3%，特质波动率36.6%。

- 两者风险溢价时间序列相对稳定，具备一定持久性。

结论摘要 [page::9]

• 短期股价波动率因子整体收益相关性模糊来源于波动率内部的两种截然不同的成分。

- 系统性波动率为正向风险因子，建议投资者关注其风险溢价。

• 特质波动率为负向风险因子，提示需规避非系统性异常波动带来的风险。

- 本报告为基于波动率因子细分优化选股及风险管理提供理论与实证支持。

金融研究报告详尽分析报告

——《“双面”波动率——波动率因子的分解与截面收益》

---

1. 元数据与报告概览

报告标题：“双面”波动率——波动率因子的分解与截面收益
作者及分析师：冯佳睿、沈泽承
发布机构：海通证券研究所
发布日期：文中数据覆盖期至2016年，报告可能发表于2017年2月左右（参照相关研究时间点）
研究主题：股票市场波动率指标及其与股票横截面收益的关系，聚焦波动率因子及其分解——系统性波动与特质波动率对股票收益的不同影响。

核心论点：

• 传统观点“高风险带来高收益”在波动率因子上表现模糊，纯波动率指标与股票横截面收益之间无明显单调关系。

- 通过FF3模型将波动率拆解为系统性波动（与市场因子相关）和特质波动率（非系统性风险）两部分，发现系统性波动与股票收益正相关，特质波动率则负相关。

• 横截面回归确认二者皆具显著的风险溢价，且系统性波动溢价约为特质波动率的两倍。

- 波动率整体因其内含的正负向构成，导致选股效应“模糊”。

该报告意图纠正市场上对波动率因子的误读，强调正确分解波动率的重要性，指导投资者在因子投资中更精细地利用波动率信息[page::0,4,9]。

---

2. 逐节深度解读

2.1 相关研究及投资要点（第0页）

投资要点突出了传统风险与收益认知与数据现象的差异：简单的波动率与收益无明显线性关系，而且低波动组合表现优于高波动组合，挑战了高风险高收益定律。此外，作者明确引用CAPM理论，强调只有波动率中的系统性部分获得风险溢价，非系统性（特质）风险无风险溢价。研究基于此，将波动率拆分为系统性波动和特质波动率，发现二者分别对收益呈现正负相关，横截面回归表明系统性溢价约是特质的两倍[page::0]。

2.2 目录说明（第1-3页）

明确了研究结构和内容安排，包括波动率因子基础说明、分解方法、系统性波动与特质波动率的表现、横截面风险溢价实证和最终总结，附带丰富图表和数据支持[page::1,2,3]。

2.3 波动率因子（第4-5页）

本节详细定义了“波动率”指标——使用过去一个自然月收益率的标准差衡量短期波动，然后以过去10年（2007-2016年）全市场数据将股票依波动率分为5组，计算月均收益及Fama-French三因子模型调整后的alpha值（FF3-alpha）。

• 关键数据点：

- 月均收益峰值出现在三分位组(Q3)的2.85%，最低为高波动组(Q1)的1.67%（见图1）。
- FF3-alpha同样呈“先增后降”趋势，最高约0.38%，最低Q1为负0.49%（见图2）。
- 低波动组合的收益、Alpha优于高波动组合，直接反驳了“高风险高收益”的直觉。

• 组合风格暴露分析：

表1显示波动率与其他因子关系复杂，负相关市值，正相关估值、反转和换手，尤其是换手相关性强（0.95）。由于换手率高的股票表现差，这或影响波动率组合的表现。

• 多因子控制后分析：

利用双变量筛选法分解控制其他因素后（市值、估值、反转、换手），波动率组合表现形态不变，但在FF3-alpha层面，控制换手的影响明显，展示了部分因子彼此影响的复杂性（图3、图4）[page::4,5]。

2.4 波动率的分解（第5页）

理论逻辑阐述了CAPM框架下预期收益与风险的关系：

• 预期收益率是无风险率加Beta乘以市场风险溢价，而Beta是资产波动率中与市场组合相关的部分。

- 利用FF3模型进行日收益率回归，将总平方和（TSS）分解为回归平方和（ESS）和残差平方和（RSS），分别定义系统性波动(sysv^2)和特质波动(idiov^2)两部分，满足：
总波动率平方 = 系统性波动平方 + 特质波动平方。

此分解为后续波动率不同部分的表现分析奠定数学基础[page::5]。

2.5 系统性波动（第6-7页）

• 依据FF3模型回归计算出的系统性波动，分组后月收益和FF3-alpha总体呈正相关趋势（图5、6），但最高波动组收益降低，表现出部分非单调性。特别是高系统性波动组对应换手率较高，换手率本身负收益的特征可能抑制了系统性波动的收益表现。

- 经过换手率控制后（图7、8），系统性波动各分组月收益与alpha表现为良好单调递减，符合金融经济学预期：高系统性波动获得更高股票收益。

• 表2量化了组合特征，显示系统性波动与换手的正相关（0.67）说明了换手率对系统性波动表现的干扰，控制换手因素后才能看到真实的风险溢价[page::6,7]。

2.6 特质波动率（第7-8页）

• 特质波动定义为波动率的残差部分，代表非系统性风险。

- 分组数据显示，特质波动率与股票月均收益及FF3-alpha存在显著负相关。高特质波动组合表现最弱（图9、10），表现低收益负Alpha。

• 组合特征表3显示特质波动率与反转、换手正相关，且高这些因子组表现差。

- 多因子控制后，负相关关系仍存在，但幅度下降，证明部分负收益源自与反转、换手因子的相关性（图11、12）。

• 系统性波动和特质波动率月均收益趋势差异明显（图13），二者叠加后便形成了波动率整体的“模糊”表现（图14）[page::7,8]。

2.7 横截面风险溢价回归（第8-9页）

通过四个回归方程利用市值、估值、反转、换手因子作为控制变量，分别解释股票的次月横截面收益：

• 方程1：单用普通波动率，月均溢价0.26%，有一定显著性，但与分组收益观点不符，显现模糊。

- 方程2：单用系统性波动溢价0.57%，高度显著，与金融理论吻合。

• 方程3：单用特质波动率，溢价-0.29%，显著负相关，提示非系统风险无法获得溢价且带来负收益。

- 方程4：同时使用系统性与特质波动率，两者系数几乎无变化，说明两者影响独立；系统性溢价水平约为特质的两倍。

月度风险溢价时间序列（图15、16）显示系统性波动正溢价比率63.3%，特质波动率正溢价比率36.6%，均具稳定性。表明系统性风险溢价优势明显，投资价值更高[page::8,9]。

---

3. 图表深度解读

图1-2（波动率分组月均收益及FF3-alpha，2007-2016）

• 描述：图1显示五个波动率分组（Q1高波动至Q5低波动）对应月均收益，最高约2.85%（Q3），最低约1.67%（Q1高波动组）；图2为对应FF3-adjusted alpha。

- 解读：收益和alpha均呈先升后降趋势，且高波动组收益显著低于低波动组，挑战传统波动率与收益正向关系假设。

• 关系：支持文本论断，强调波动率与未来收益关系的复杂性[page::4]。

表1（波动率组合月均收益及风格特征）

• 关键数据：Q1(高波动)月均收益1.67%，FF3-alpha为负-0.49%，与换手率强正相关（0.95）；Q5(低波动)月均收益和Alpha均显著较高。

- 意义：显示波动率组合特征及与其他因子相关性，换手率作为重要控制变量，可能干扰波动率与收益关系[page::4]。

图3-4（控制其他因子后的波动率组合收益与FF3-alpha）

• 描述：控制市值、估值、反转、换手因素后，波动率分组收益形态基本保持，但换手控制后alpha表现明显下降，呈较典型单调性。

- 说明：换手率的抑制作用显著，对波动率因子收益关系影响较大。


[page::5]

图5-8（系统性波动分组月均收益与FF3-alpha，及控制变量后）

• 图5-6显示未控制因子前，系统性波动率分组收益先增后降，非单调性明显。

- 表2揭示系统性波动与换手正相关(0.67)，暴露高换手抑制高波动收益。

• 控制换手等因子后（图7-8），系统性波动收益与alpha单调提升，符合经济直觉。

[page::6]

图9-12（特质波动率分组月均收益与FF3-alpha，及控制变量后）

• 图9-10揭示特质波动率与收益显著负相关，高特质波动组合表现差。

- 表3确认这种负相关同时存在与反转、换手的正相关。

• 控制这些变量后，特质波动率的负效应仍显著，但幅度减弱（图11-12）。

[page::7,8]

图13-14（系统性与特质波动率及普通波动率月均收益对比）

• 图13鲜明对比了系统性波动与特质波动率在收益表现上的截然相反：系统性波动率收益先升高后降低，特质波动率则呈上升趋势。

- 图14为普通波动率的收益展示，呈现组合效应后的模糊非单调表现。


[page::8]

表4和图15-16（波动率因子横截面回归及月度风险溢价）

• 表4中四个回归方程揭示不同波动率成分的风险溢价水平和显著性。

- 方程4同事加入系统性和特质波动率，验证它们对收益影响独立性和不同方向性。

• 图15-16展示了系统性与特质波动率的月风险溢价时间序列，溢价分布较稳定且波动幅度差异明显。

[page::9]

---

4. 估值分析

报告未涉及公司估值或股价目标价，研究重点为波动率因子的统计特性和横截面收益解释，无直接估值模型或价格预测，关注因子有效性和风险溢价识别[page::全文]。

---

5. 风险因素评估

报告内容未专门设风险章节，但通过分析可识别主要风险包括：

• 换手率干扰风险：换手因子与波动率因子相关影响分析结果，可能掩盖真实风险溢价信号。

- 模型假设风险：FF3模型的选用假设市场因子已充分代表风险，未考虑其他潜在风险因子或模型误差。

• 非平稳风险：分析基于2007-2016历史数据，未来市场结构变化可能削弱已识别的波动率与收益关系。

报告对上述风险通过多因子控制有所缓解，特别是换手率影响控制，增强结论稳健性。但未明确给出缓解策略，说明风险识别较为定量和静态[page::4,6,7,8]。

---

6. 批判性视角与细微差别

• 报告严格遵循学术与金融理论，清晰区分系统性与特质风险，避免了简单波动率分组误读，体现研究思路的严谨性。

- 但报告或存在以下细微不足：
- 研究时段为2007-2016，市场结构及波动特征近年可能改变，模型稳健性需要动态检验。
- 波动率分解依赖FF3模型，模型本身有局限性，如未涵盖所有系统性风险因子。
- 换手率作为控制变量的强相关性凸显投资策略设计的复杂性，如何实际避免换手引发的交易成本或流动性风险未讨论。
- 对特质风险的负收益解释较机械，缺乏对为何市场惩罚这些非系统风险的深入理论探讨。

• 结论基于统计显著性，实际投资操作中波动率因子分解实现难度和手续费成本影响未覆盖。

这些值得后续研究关注，以提升结论的实用性和扩展性[page::全篇间接反映]。

---

7. 结论性综合

本报告系统性地研究了股票波动率因子与横截面收益的关系，提出并实证以下关键发现：

• 波动率与收益关系“模糊”，表现为波动率整体指标与收益无明确单调关系（图1-2，表1）。

- 依据CAPM和FF3模型理论基础，将股票波动率拆解为系统性波动和特质波动两部分（第5页公式）。

• 系统性波动（与风险因子相关部分）与股票横截面收益呈显著的正相关关系，表现为高系统性波动股票获得更高收益（图5-8，表2）。

- 特质波动率（非系统部分）则与股票横截面收益呈显著的负相关关系（图9-12，表3）。

• 多因子控制变量检验证实上述结论稳健，剔除换手率等混淆影响后，系统性波动的正溢价更加清晰，特质波动率的负效应依然存在。

- 横截面回归（表4）显示，系统性波动的月均风险溢价约为特质波动率的两倍，且两者风险溢价影响独立。

• 两者月度风险溢价时间序列稳定，说明该因子对长期资产配置具有指导意义（图15-16）。

- 由系统性波动和特质波动率构成的普通波动率因子表现为二者的混合，导致波动率整体因子选股效果的模糊性（图13-14）。

本报告对波动率因子的深入分解与辨析，有效纠正了传统“高波动率即高风险溢价”的简单认知，为投资者与因子研究者提供了更精准的风险因子定义与量化路径。建议围绕系统性波动设计投资组合，同时警惕与特质波动相关的股票风险，以提升风险调整后的投资收益表现[page::4-9]。

---

综上，报告理论基础扎实，数据支持充分，图表清晰直观，结论具有稳健性和较强指导意义。投资者在利用波动率进行因子投资时，应注重其内在结构的辨析，避免混淆系统性与特质风险成分。本报告为波动率因子研究引入了“双面”视角，对资产管理领域有显著参考价值。

附：报告中关键图表示例

1. 普通波动率与股票次月收益和FF3-alpha非单调关系的支持图（图1、图2）。
2. 系统性波动率与收益和alpha的正相关及换手率影响控制图（图5-8）。
3. 特质波动率与收益的负相关及控制因子后效果图（图9-12）。
4. 波动率成分分解与组合收益对比图（图13-14）。
5. 横截面回归参数及月度风险溢价时间序列（表4，图15-16）。

这些图表帮助理解波动率分解后各成分的截面表现差异，显著增强了结论的说服力[page::4-9]。

---

声明：以上分析完全基于报告文本内容与数据，未引入外部观点，所有引用均标明来源页码，遵循海通证券研究所数据及描述，确保严肃客观、全面细致。

报告