• 低波效应核心为股价变动相对于市场异常的均值回归，特异波动率因子通过波动率和特异率信息的非线性综合，表现优于基础波动率，表现为全A股超额收益2.22%、信息比0.32，多空收益26.21%、夏普比1.71 [page::0][page::24]。

• 基础波动率因子虽稳定区分低波组，但整体线性较差，无超额收益，详见全A股和中证800基础波动率因子回测净值及年化收益数据 [page::3][page::4]。

• 特异波动率因子以fama三因子回归残差标准差构建，揉合市场收益因素，增强了因子多空区分能力，全A股多空收益26.21%，信息比1.71，优于基础波动率因子；分组线性良好但头尾组存在轻微“U”型现象 [page::4][page::5][page::6]。

• 特异波动率可视为特异率与基础波动率非线性乘积，表10显示特异波动率在风格因子体系回归中具更显著显著性，优于基础波动率；动量因子t值不显著，建议剔除以简化模型 [page::7][page::8]。
• 报告构建新特异波动率因子，加入流动性和反转因子入fama三因子回归，提升特异信息纯度；新特异波动率因子在全A股超额收益2.89%，信息比0.42，多空收益26.32%，对比特异波动率有所改善 [page::9][page::10]。

• 高频波动率因子利用高频（5分钟、30分钟）价格数据细化波动率计算，与新特异率开方相乘，提升多头组排序和整体因子表现，全A股多空收益提升至29.27% [page::12]。

• 设计波动率非线性变换函数，对标准化后的波动率进行指数变换，强化高波动区域的区分力，降低低波动区域扰动影响，显著提升因子多头组的线性排序，非线性波动率因子全A股超额收益7.19%，信息比1.18，多空收益31.25%，夏普比2.46 [page::13][page::14]。

• 相关性研究显示波动率、特异率和特异波动率类因子正相关，个股波动和特异表现呈现杠杆式共振，解释了特异波动率选股能力的优势；剥离风格影响后，纯波动率因子表现出波动越大收益越高的特性，支持低波效应非矛盾观点 [page::11][page::16][page::17]。

- 高频数据的频率选择至关重要，30分钟级别最佳，过高频率信号受噪音干扰严重，二阶矩计算受高频局部误差影响，且特异率计算对不同标的高频匹配误差敏感，导致高频特异率表现下降，但高频反转因子表现逆势提升 [page::19][page::20][page::21]。

• 因子非线性存在于多种量价因子，包括结构化反转因子，通过对权重采用对数非线性变换平滑断点，提升选股能力，显示非线性改进是关键手段之一 [page::22][page::23]。

- 最终总结指出，低波效应基于相对价格变动的均值回归逻辑，特异波动率因子、加入多因子调整的新特异波动率、高频细化波动率及非线性波动率均表现优异，且与资产定价模型在风险持续性分析下并不冲突，为多维度量价因子研究提供新路径 [page::24]。

金融研究报告详尽分析 —— 高频因子（六）：特异视角下的波动率因子

---

一、元数据与报告概览

• 报告标题： 基础因子研究 （十一）—— 高频因子 （六）：特异视角下的波动率因子

- 发布日期： 2019年10月13日

• 发布机构： 长江证券研究所

- 作者及联络信息： 郑起（xiaowang，中英文邮箱联系方式详见报告）

• 研究主题： 本报告聚焦于中国A股市场波动率因子的研究，通过构造不同类型的波动率因子，探究其与低波效应的关系以及在选股中的表现，为因子投资提供新思路和改进方法。

- 核心论点：
- 低波效应的核心逻辑是相对于市场的股价变动均值回归，特异波动率由波动率和特异率两个因素非线性综合构成，更符合低波效应逻辑；
- 新构建的特异波动率因子及其改进形式（新特异波动率、高频波动率及非线性波动率）在全A股及中证800中均表现出较好选股能力和收益特征；
- 高频数据能够细化波动率因子，提高选股效能，但频率过高反而因为噪声影响有效性；
- 低波效应与传统资产定价理论并不矛盾，区别在于滞后风险与同期风险的区分；
- 非线性调整在波动率类因子设计中发挥关键作用，能够提升因子稳定性和线性排序性。

• 目标： 优化波动率因子的构建方式，提高因子的可解释性和实用价值，助力低波效应策略在A股市场的应用。

---

二、逐章节深度解读

1. 报告要点与引言（第0页、第3页）

• 内容总结：

低波效应主要是股价相对市场的异常回归，A股市场个人投资者占比较高，非理性交易带来了个股的异常波动，波动率因子即基于这一股价异常回归带来的选股逻辑。本报告从基础波动率因子出发，逐步引入特异波动率因子、新特异波动率因子、高频波动率因子及非线性波动率因子，找出选股能力的提升路径。

• 逻辑阐释：

- 基础波动率侧重于个股价格的绝对波动，缺乏相对市场的定价背景；
- 特异波动率剔除了市场、规模、价值因子的影响，更贴近于捕捉个股相对异常，符合理性资产定价的低波效应逻辑；
- 因为特异波动率构成是波动率与特异率的乘积，是非线性组合，逐步引入高频与非线性调整来深化因子表达。

• 关键数据点：

- 基础波动率因子在空头组有显著区分能力，但线性排序不明显，无超额收益。
- 特异波动率因子于全A股中呈现2.22%超额收益，多空收益26.21%（多空夏普比1.71），表现明显优于基础波动率[page::0,3,4]。

2. 目录及图表索引（第1页、第2页）

目录清晰展现了报告结构，包含波动率因子的基本形式、改进、非线性调整、高频数据应用、以及与资产定价模型逻辑的对比，辅以大量图表数据支持。图表目录显示每个因子的全A股及中证800回测净值曲线、分组年化收益和风险指标，突出数据的全面性和分析深度。

3. 基础波动率因子（第3页-第4页）

• 总结：

采用过去21个交易日收益率标准差作为基础波动率因子。分组回测显示高波动率股票更多在空头组表现较差，体现了低波效应中高波动对应收益较低的现象。其多头组的区分能力较差，整体回测净值曲线、分年收益的分组排序存在不明显的线性趋势，且没有显著的超额收益。

• 图表解读：

- 图1（全A股）、图2（中证800）均显示低波动率（第1、2组）股票表现优于高波动率（第10组）。
- 表1和表2年化收益数据进一步佐证高波动率组年化收益往往是最低或负收益。
- 危险指标（表3）中显示全A股年化超额收益为-3%，多空夏普0.91，说明该因子作为纯波动率类别不具备显著选股能力。

• 逻辑梳理：

基础波动率因子反映的是价格的绝对变动，但缺乏控制个股相对市场的异常程度，因而表现有限[page::3,4]。

4. 特异波动率因子（第4页-第6页）

• 总结：

利用Fama三因子模型剔除市场、规模和价值影响后的残差收益率标准差构造特异波动率因子。该指标更准确反映个股相对于市场的独特风险和异常波动，符合低波效应均值回归的本质。
回测结果表明特异波动率因子在多头和空头组均有较好区分能力，表现稳定优于基础波动率。

• 图表解读：

- 图3、图4展示了全A股和中证800特异波动率因子的分组净值，头部与尾部表现明显分化，且多空比价稳定。
- 表4、表5分年收益显示整体分组排序呈较明显线性，但头部出现“U”型：部分中间组表现优于最高组，表明极端高特异波动率组不一定表现最优。
- 表6显示超额收益2.22%，信息比0.32，多空夏普比1.71，明显优于基础波动率指标。

• 逻辑剖析：

特异波动率因子既结合了股票波动率与特异表现，能够更好理解为个股“超额风险”的量度，且能较好融入因子模型解释收益率。

• 技术说明：

Fama三因子模型回归残差的标准差作为特异波动率定义，捕捉了无法由市场因子解释的波动成分[page::4,5,6]。

5. 基础波动率与特异波动率关系及特异率的引入（第6页-第8页）

• 总结：

波动率与特异波动率相关性较高，但特异波动率结合了基础波动率与特异率信息，信息包含更丰富。
特异率因子由残差的拟合优度构建，表示个股交易行为异常度，从而连接了基础波动率与特异波动率这两大范畴。
Fama-Macbeth回归分析表明，特异波动率在解释个股收益的统计显著性高于基础波动率。

• 数学逻辑解读：

- 关系为：特异波动率 = √(特异率) × 基础波动率；
- 该非线性组合揭示了两者的协同作用，特异波动率因子既能表达波动率的空头区分能力，也能体现特异率的多头区分能力。

• 图表说明：

- 图5、6对应特异率因子的回测净值曲线，显示多空区分能力强，尤其在全A股表现稳定。
- 表7、8分年收益与分组排序亦呈较强线性趋势。
- 表9风险指标显示特异率因子超额收益高达5.65%，多空夏普为2.12，明显表现出较强信息含量。

• 结论：

低波效应核心在“相对市场的异常回归”，特异率作为交易异常的量化指标，为因子增添了重要维度，成为优化波动率类因子的重要桥梁[page::6,7,8]。

6. 波动率因子改进（第9页-第11页）

• 基本思路：

基于特异波动率的数学与逻辑特点，提出因子改进方案：引入流动性和反转因子作为解释变量，构建更稳定的新特异率因子，从而形成新特异波动率因子。另外，利用高频数据细化波动率度量，使用非线性数学变换改善因子区分度和排序线性。

• 具体方法：

在Fama三因子回归中加入流动性因子与反转因子，弥补了原模型对部分市场行为的遗漏。
运用5分钟、30分钟等高频波动率与新特异率的乘积构建高频波动率因子。
使用指数非线性变换，将归一化的波动率因子调整，使因子在高波动区加权加强，低波动区权重降低，改善了尾部因子表现过强的弊端。

• 统计数据：

- 表11显示波动率因子与流动性、反转因子呈现较强相关（0.35-0.6）。
- 表12新特异波动率因子风险指标，全市场超额收益2.89%，信息比0.42，多空收益26.32%，多空夏普比1.80，略优于特异波动率因子。
- 表13表明新特异率因子在中证800的改进更显著。

• 相关性与协同：

- 表14显示波动率类、特异率类、特异波动率类因子相关系数普遍较高，尤其特异波动率与两类因子高度正相关，强调其为组合性因子。

• 结论：

细化因子的构建维度（引入流动性、反转因子）和数学非线性优化显著提升了因子选股效能和收益稳定性[page::9,10,11]。

7. 高频波动率因子（第12页）

• 设计理念：

高频数据能够更精细描述个股价格变动，故分56分钟、30分钟、日线计算收益率标准差，多频率结合新特异率构建高频波动率因子。

• 反馈表现：

- 图9（全A股）与图10（中证800）显示高频波动率因子高组收益更加分明。
- 表15表明高频波动率因子提升了因子稳定性，综合超额收益3.37%，信息比0.49，多空收益29.27%，多空夏普比1.99。

• 结论：

高频数据确实提升了因子表现，但提升幅度边际递减，结合其它改进措施显得更有效[page::12]。

8. 非线性波动率（第13页-第14页）

• 主要内容：

发现特异波动率因子高波动股票的头部扩张过强，导致多头区分能力下降。采用截面归一化后，对基础波动率进行指数型非线性变换，降低低波动区域的区分权重，同时加强高波动端的权重变化，实现头尾组区分度优化。

• 图表说明：

- 图11 展示了该非线性变换的波动率函数，分高低波动区域，曲线明显优于线性。
- 图12、图13非线性波动率因子对应在全A股和中证800的组合表现净值。

• 风险指标：

表16显示非线性波动率因子表现显著提升，超额收益7.19%，信息比1.18，多空收益31.25%，多空夏普比2.46，远超先前版本，尤其在稳定性和线性排序上均有所改善。

• 结论：

非线性函数构建是提升波动率类因子有效性的重要途径[page::13,14]。

9. 因子表现总结与波动率思考（第15-18页）

• 主题回顾：

因子的不同版本相互补充，非线性改进、特异率引入、高频细分，明显提升了波动率因子的预期收益和稳定性。
多项相关统计表明不同波动率因子间相关性高，但都体现了个股波动与异常行为正相关的事实。
剥离特异率因素后的纯波动率因子表现出波动越大收益率越高的正相关性，符合传统资产定价理论。

• 资产定价对比：

- 真实同期波动率（未来21天收益率波动）与收益呈正相关，验证资产定价理论有效性。
- 滞后期波动率反映短期股价异常行为，存在低波效应，看似与经典理论有背离，但两者实质不矛盾。
- 组间转移矩阵分析表明因子具有一定持久性，特别是头尾组持续较强，进一步强化策略稳定性。

• 图表解读：

- 表20、21显示真实同期波动率较高的个股同期收益率更好，证实资产定价的风险回报匹配。
- 表22-26去头尾后纯波动率因子的多头排序与收益正相关，显示波动性正向投资价值。

• 结论：

低波效应基于滞后风险，资产定价理论基于同步风险，两者领域不同，实质兼容[page::16,17,18]。

10. 高频数据频率影响分析（第19页-第21页）

• 核心观点：

高频数据为信息捕捉提供细粒度，但高频数据带来的噪声和误差不可忽视。
- 二阶矩（波动率）计算对数据截面误差敏感，频率过高时噪声较大，影响因子有效性；
- 一阶矩（收益率）计算受局部误差影响较小，故高频反转因子在5分钟级别仍有效。
- 高频数据对特异率因子制约更大，因为其依赖不同股票间匹配，匹配随着频率升高误差放大。

• 数据证实：

- 表27显示30分钟波动率因子表现最佳，极端高频和日线表现均不及此，体现折中点；
- 表28展示特异率因子随频率升高迅速失效，而高频反转因子频率越高表现越好。

• 函数解析与示例：

- 引入对数和指数的非线性权重调整改善了因子构建，避免了高频衰减和误差积累问题。

• 结论：

高频因子的设计需结合指标的数学本质及市场噪声特征，合理选择频率和非线性函数[page::19,20,21]。

11. 非线性存在因子设计中的进一步体现（第22页-第23页）

• 结构化反转因子：

- 以成交量加权和成交量倒数权重划分动量和反转区间，构建非线性加权因子表达市场行为分歧。
- 传统加权存在权重断点和极端加权现象，报告引入对数多项式非线性变换，实现权重连续性和平滑性提升。

• 图表说明：

- 图14、图15分别展示传统结构化反转因子和改进后非线性变换权重与成交量的关系，改进后曲线平滑，逻辑更加合理。

• 选股表现：

表29显示经过非线性变换后的结构化反转因子在全A股和中证800均提高了选股能力。

• 意义：

说明非线性调整不仅对波动率因子有效，对其它因子同样具有提升作用，提出了因子设计的新思考[page::22,23]。

---

三、图表深度解读

鉴于篇幅限制，此处对报告内重点图表进行分析：

• 图1 & 图2（基础波动率分组净值）：显示空头组净值不断向下，与整体市场基准持续拉开差距，说明高波动率对应较差表现，多头区分能力弱。

- 图3 & 图4（特异波动率分组净值）：显示空头与多头区分明显，多空比价曲线更平稳，特异波动率更精准捕捉低波效应信号。

• 图5 & 图6（特异率分组净值）：纯特异率体现个股交易异常，可见多空组分明显且稳定，辅助提升特异波动率的效果。

- 图7 & 图8（新特异波动率净值）：新增流动性与反转因子后选股表现更线性，持续性提升。

• 图9 & 图10（高频波动率净值）：引入高频度缓慢提升头部组区分能力，但波动仍存在回撤风险。

- 图11（非线性波动率变换函数）：形象展现低、高波动区间不同斜率，强调非线性转换解决极端区分过度问题。

• 图12 & 图13（非线性波动率分组净值）：表现出稳定性和线性排序大幅提升，说明指数型非线性效果显著。

- 图14 & 图15（结构化反转因子权重）：传统权重非连续且极端，非线性调整后显著平滑和合理。

• 各类表格如表1-29，详实列出分组年化收益、风险指标和因子间相关性，验证因子差异和改进效果，数据一致支持核心结论。

---

四、估值分析

本报告专注于因子构建与选股策略，未涉及具体公司估值测算，因此无传统DCF、PE等估值模型分析，重点在因子表现的统计分析与回测。

---

五、风险因素评估

• 报告明确风险点：非线性调整和高频数据处理存在噪声和估计误差风险；特异率因子受高频数据匹配限制，过度运用可能致使拟合不足；流动性和反转因子作为补充变量可能引入多重共线性风险；高频因子中的交易成本和市场冲击成本未充分考虑。

- 潜在影响：上述风险可能造成因子表现波动，导致策略选股效能下降，增加模型不稳定性。

• 缓解措施：采用指数非线性变换平滑权重，控制因子频率在30分钟区间避免噪声，剥离风格因子测试纯波动率效应，回测风险指标全方位监控因子稳健性，均体现对风险有较好管控意识[page::13,19,21]。

---

六、批判性视角与细微差别

• 报告通过非线性函数改进因子，虽提升表现，但部分非线性执着点如指数权重选择、函数临界点设定缺乏细节说明，可能存在过拟合隐患。

- 高频数据的效用权衡合理，但报告基于30分钟频率选择，未包括更多市场微观结构变化影响，局限了高频因子的普遍适用性。

• 低波效应与资产定价模型相背离的解释，虽合理区分滞后与同期风险，但未深入实证分析波动持续性的具体期限与特征，留有深入研究空间。

- 部分表格和图表数据文字、格式混杂，尤其分年收益表较难完全对齐，存在解读难度。

• 因子构建假设中，Fama三因子是基础，但未提及5因子模型贡献或者多因子交叉互动效应，可能影响部分因子独立解释力。

- 报告总体客观严谨，数据丰富，推理严密，体现了系统研究过程与逐步优化理念。

---

七、结论性综合

本报告系统地探讨了波动率因子在中国A股市场的表现及其优化路径：

1. 因子设计逻辑

低波效应强调个股相对于市场异常的均值回归，以特异波动率因子（波动率与特异率非线性组合）最为契合其核心逻辑，成功捕捉了市场中个股异常波动与交易行为的信息。

1. 改进方式与成效

- 新引入流动性和反转因子构建新特异波动率，提高了因子在全A股和中证800的超额和多空收益；
- 利用高频数据细化波动率因子，以30分钟波动率与新特异率乘积构建高频波动率因子，表现优于日线等频率；
- 通过指数型非线性变换调整波动率权重，明显增强了因子的头部区分能力和整体收益稳定性，达到全A股超额收益7.19%、多空收益31.25%，表现最为优异。

1. 数据与模型支持

大量净值曲线、风险指标和回归分析数据支撑上述结论，体现了个股绝对波动与相对异常的正向增强效应。

1. 资产定价视角

针对低波效应与经典资产定价冲突的疑问，报告分析了滞后风险和同期风险的差异，通过实证数据表明A股市场个股风险没有持续性，证实低波效应与资产定价模型可以共存。

1. 高频数据敏感性分析

结合统计特性，提出波动率类因子在30分钟频率表现最佳，过高频率噪声增大，影响因子有效性；特异率类因子受制于个股间收益匹配误差，频率提高后表现下降；一阶矩基高频反转因子优势明显。

1. 因子非线性的重要性

报告借鉴结构化反转因子的非线性加权思想，强调非线性变换对于因子设计的科学性和有效性，并提出适用于波动率因子的指数非线性函数，具有推广意义。

1. 策略适用与投资建议

本研究为基于低波效应的选股策略提供了更具实证支持的因子构建方式，推荐结合新特异波动率、非线性波动率和高频数据，提升策略稳定性和收益预期。

---

总体而言，本报告凭借严密的统计回测、丰富的高频及非线性因子研究，为量化投资者提供了深刻理解A股低波效应的工具和方法，推动波动率类因子在中国市场的实际应用向前迈进了重要步伐。[page::0,3-25]

---

参考图片举例（报告多图均有类似格式）

图 1：全A股基础波动率因子回测净值


图 3：全A股特异波动率因子回测净值


图 11：波动率非线性变换


图 14：原结构化反转因子权重与成交量关系


---

总体评价

该报告条理清晰，数据详尽，数学推导严谨，兼顾宏观逻辑与微观细节。对波动率因子的多维度构建做足了实证研究，在当前低波效应研究领域具有显著参考价值。提出的非线性升级与高频优化为因子投资提供可操作的改进方向。报告中的多层次分析有效缓解了传统波动率因子表现不稳定的不足，为实战提供较为坚实的理论和数据支持。

报告