• 风险模糊定义与行为基础 [page::0][page::1][page::2][page::3]

- 风险模糊指投资者对概率分布未知的“未知未知”的不确定性，与传统风险不同。
- 研究基于Ellsberg的风险模糊厌恶实验，投资者偏好已知概率事件，厌恶未知概率分布事件。
- 经验假说解释了风险模糊厌恶背后的认知和动机因素。

• Vol of Vol指标构建与计算方法 [page::3][page::4][page::5]

- 由于A股缺个股期权数据，用5分钟高频数据的日内波动率计算日内波动率波动率替代期权隐含波动率的标准差。
- 采用Parkinson波动率估计法提高波动率估计效率。
- 经过行业中性处理后的VoV因子具有稳定的预测未来收益能力。

• VoV因子与其他因子相关性及预测能力检验 [page::5][page::6][page::7]

- VoV与传统波动率因子相关性中等(34%)，与动量和流动性相关约20%。
- 未剔除行业与风格时，VoV月度IC平均-0.0634，ICIR为-2.5；
- 剔除行业与风格后，IC减小到-0.0398，但ICIR提升到-2.81，显示因子信号稳定。


| 统计量 | 未剔除行业与风格 | 剔除行业与风格 |
|-------------|------------------|-----------------|
| IC | -0.0634 | -0.0398 |
| stde | 0.0876 | 0.0492 |
| ICIR | -2.50 | -2.81 |
- 以VoV构建的纯因子组合年化收益率5.08%，夏普比率2.25，月最大回撤1.28%。

• 基于VoV的量化选股策略表现 [page::8][page::9]

- 策略构建：全A股剔除ST与次新，月度调仓，行业中性处理后选取VoV最小100只为多头组合，最大100只为空头组合，等权持仓。

| 指标 | Top100 | Bottom100 |
|-------------|---------------|---------------|
| 年化收益率 | 17.8% | -14.5% |
| 年化超额收益 | 14.5% | -16.4% |
| 夏普比率 | 1.66 | 3.63 |
| 信息比率 | 2.38 | 2.98 |
| 最大回撤 | -53% | -75% |
| 月胜率 | 54% | 46% |
| 年化换手率 | 823% | 849% |
- 创业板策略中，选取最小10只和最大的10只VoV股票构建组合，表现更佳。

| 指标 | Top10 | Bottom10 |
|-------------|---------------|---------------|
| 年化收益率 | 31.8% | -10.1% |
| 年化超额收益 | 20.3% | -17.4% |
| 夏普比率 | 1.29 | 3.13 |
| 信息比率 | 2.02 | 2.28 |
| 最大回撤 | -59% | -80% |
| 月胜率 | 56% | 45% |
| 年化换手率 | 876% | 866% |

• 策略总结与投资建议 [page::0][page::10]

- 投资者风险模糊厌恶导致高风险模糊度股票未来表现较差。
- VoV作为量价类指标能够有效捕捉风险模糊度，帮助避开高风险模糊股票。
- 可将VoV低的股票作为增强标的，尤其在创业板表现优异。

金融研究报告详尽分析——《基于风险模糊度的选股策略》

---

一、元数据与报告概览

• 报告标题：《基于风险模糊度的选股策略》

- 作者：Allin君行

• 发布机构：国泰君安证券研究

- 发布日期：2018年8月14日

• 主题：金融工程专题，核心围绕“风险模糊度”在股票投资中的应用，探讨风险模糊度对股票收益率的影响及基于风险模糊度（Vol of Vol, VoV）指标的选股策略构建。

核心论点与目标

报告创新性地引入“风险模糊度”概念，即投资者对未知概率分布的模糊认知，通过Vol of Vol指标量化股票风险模糊度。研究表明：

• 投资者表现出“风险模糊厌恶”，偏向于规避高风险模糊的股票。

- VoV因子与未来收益率呈显著负相关，可作为预测收益的有效因子。

• 构建的基于VoV的量化选股策略尤其在创业板表现优异，年化超额收益率显著，策略稳健具备操作价值。

报告观点清晰、结构严谨，结合行为金融学实验证据支撑理论，具体展现了风险模糊度指标在实际策略中的预测能力和实操效果。

---

二、逐节深度解读

1. 摘要

• 风险模糊定义：区别于传统“风险”（投资者知道概率分布的不确定性），风险模糊是“投资者不知道他不知道的事”(unknown unknowns)反映出的模糊不确定性。

- 风险模糊厌恶动因：行为金融解释，如果投资决策失败归咎于“无知”，成功则归因“运气”；专家身份下则相反。投资者因而偏好低风险模糊股票。

• 风险模糊度刻画方法：国际通行做法是使用个股期权隐含波动率的波动率（Vol of Vol），因国内缺乏期权数据，报告创新使用5分钟日内波动率计算VoV。

- 因子表现：VoV与未来收益负相关（剔除行业风格后IC约-0.04，ICIR -2.81），纯因子年化收益5.08%，夏普2.25，月最大回撤仅1.28%，预测稳定且收益正向。

• 相关性分析：VoV与传统因子相关性较低，仅与残差波动率相关性34%，具备较强独立信息量。

- 投资建议：高VoV股票风险大，组合表现显著跑输市场，推荐规避；低VoV选股特别是在创业板内表现突出，年化超额收益20.3%，信息比率2.02，月胜率63%。

2. 引言与核心问题（页0-1）

引用拉姆斯菲尔德经典语句“Known knowns、known unknowns、unknown unknowns”，对应投资者的认知层级：已知信息、已知的不确定、以及未知的未知，后者对应风险模糊。此段引出现实投资中的风险与风险模糊分明的区别和重要性。

3. 风险模糊厌恶（页1-3）

3.1 实验基础

• 通过Ellsberg（1961）实验，区分了风险（已知概率分布）和风险模糊（未知概率分布）。

- 实验显示大部分人偏好已知概率的50/50盒子，避免未知比例盒子，即显示对风险模糊的本能厌恶，推翻单纯预期效用理论的假设。

3.2 行为金融经验假说

• 投资者对投资成果的归因动机驱动风险模糊厌恶：不熟悉领域的决策失败，被归因为无知；成功则归因运气，缺乏正向心理激励。

- 相反，熟悉领域的决策成功归因于专业，失败归因运气，从而形成投资者偏好熟悉领域、低风险模糊股票的行为偏差。

3.3 波动率异象解释

• 传统资产定价理论预测高风险高收益，实证却显示低波动率股票收益更高（波动率异象）。

- 行为金融解释：投资者并非直接用价格波动率衡量风险，而是基于熟悉度选择，加上对模糊风险认知造成的偏好扭曲。

4. Vol of Vol与风险模糊度刻画（页3-5）

• 三种认知层次划分：

| 认知层次 | 金融含义 | 数学表达 | 预测能力 |
|--------------------|----------|----------|--------------------|
| 知道自己知道什么 | 期望 | 均值 | 几乎无预测能力 |
| 知道自己不知道什么 | 风险 | 波动率 | 一般预测能力 |
| 不知道自己不知道 | 风险模糊 | 波动率的波动率（VoV） | 预测能力较高 |

• 计算方法：国内市场由于缺乏期权隐含波动率数据，使用5分钟级别高频数据计算日内波动率，剔除开盘前后15分钟剔出异常，计算日内波动率标准化后的日间波动率标准差作为VoV。

- 采用Parkinson波动率更有效，利用极差（最高价与最低价）数据进行估计，效率高且样本容量相对较小仍可收敛准确。

5. Vol of Vol的预测能力（页5-7）

• 因子相关性分析（图1，页5）：

- VoV与传统因子相关性不高，最高34%与波动率相关，低于与多数价量因子的大部分相关系数，体现VoV有较多独特信息。

• 单因子与多因子体系检验：

- 未剔除行业风格时IC为-0.06，ICIR为-2.5，剔除后IC略降到-0.04，但ICIR提升至-2.81（图2、图3，页6）。
- 纯因子组合年化收益5.08%，夏普比率2.25，月最大回撤仅1.28%（表3，图4，页7），显示其稳健的alpha能力。

• 结论：尽管理论上高风险模糊股票应获风险溢价，但实证显示越高风险模糊股票未来表现越差，形成独特的“风险模糊异象”。

6. 基于VoV的选股策略（页8-9）

• 策略设计：

- 股票池：全A市场，排除ST、停牌和次新股。
- 选股方法：行业中性后，选择VoV最低的100只股票为TOP100组合，最高的100只为BOTTOM100组合。
- 调仓频率：月度，等权配比，交易成本双边0.3%。

• 全市场表现（图5，表4，页8）：

- TOP100年化超额收益率14.5%，信息比率2.38，月胜率68%，2018年以来相对超额收益3.65%，最大回撤14.5%。
- BOTTOM100组合表现糟糕，年化超额收益率-16.4%，信息比率2.98，显示高VoV组合具有高度风险，表现大幅跑输市场。

• 创业板特别测试（图5、图6，表5，页9）：

- 选取VoV最低和最高的10只股票分别构成TOP10与BOTTOM10组合。
- TOP10组合获得31.8%年化收益率，超额收益20.3%，信息比率2.02，月胜率63%，表现尤为突出，特别是2014年以后。
- BOTTOM10组合收益-17.4%，表现疲软。
- 2012-2013年创业板因并购炒作影响，高风险模糊股票偶有价格支撑，导致选股策略效果弱化。

7. 总结与展望（页9-10）

• 结合行为金融学理论解释波动率异象，提出风险模糊是投资者首要规避的风险。

- 凭借VoV指标，实证验证了风险模糊异象的存在和稳定性。

• 构建的基于VoV的量化选股策略在A股市场尤其创业板表现优异，具备实用价值。

- 相关详细研究见国泰君安20180726金融工程专题报告。

---

三、图表深度解读

图1：VoV与风格因子及常见Alpha因子的相关性（页5）

描述
展示2011年至2018年间，VoV与多种风格因子及Alpha因子的平均相关系数。

解读数据与趋势

• VoV与波动率的相关度最高，约34%，说明VoV捕捉了波动率风险信息。

- 与Momentum、Liquidity相关约20%，表明VoV与某些动量及流动性因素存在中度联系。

• 与其他因子如Value、Size、Earnings Yield等相关性很低，说明VoV独立性强。

联系文本论点
支持文中关于VoV为具有独立信息来源的技术因子的结论，具有增量预测能力的基础。

---

图2、图3：月度IC统计（页6）

图2：未剔除行业与风格的IC



图3：剔除行业与风格后的IC'



描述
展示VoV因子月度信息系数(IC)的时序变化。

解读数据与趋势

• 两图均呈现持续的负相关，其中未剔除行业与风格时IC数值绝对值更大，剔除后数值略下降。

- ICIR指标（IC的稳定性指标）提升显示剔除行业和风格后，该因子的预测稳定性得到增强。

• 负向趋势明确，强调了VoV与未来收益率的稳定负相关关系。

联系文本论点
很好地佐证VoV因子的预测稳定性及其抗干扰能力，增量信息明确。

---

图4：纯因子累积收益率（页7）

描述
展示基于VoV单因子构建组合的累积收益率曲线及对应的因子收益率。

解读数据与趋势

• 累积收益率呈稳定上升趋势，说明长期盈利能力强且波动较小。

- 蓝色条形显示每月因子收益率波动有限，表明收益稳定且可预测。

联系文本论点
图形化直观展示了VoV因子能稳定贡献收益，符合高夏普比例及低回撤的描述。

---

图5：全市场选股策略净值走势（页8）

描述
VoV指标筛选的Top100（低风险模糊）和Bottom100（高风险模糊）组合净值走势图，中证500指数为对比基准。

解读数据与趋势

• Top100组合净值明显领先其他两者，收益稳健。

- Bottom100净值表现最差，持续下跌，显示高风险模糊股票表现极差。

• 中证500指数位居二者中间，验证了策略的有效性和差异性。

联系文本论点
验证高VoV风险高，易亏损，投资应规避，低VoV对应稳健收益的观点。

---

图5（创业板选股策略净值走势）与图6（超额收益净值，页9）

创业板Top10与Bottom10组合对比



创业板策略相对超额收益净值曲线：



描述
创业板股票VoV极值组合净值成长及超额收益变化。

解读数据与趋势

• Top10组合净值和超额收益均显著优于Bottom10和创业板基准。

- 净值曲线表现出阶段性显著上升，尤其2014年后，反映策略抓住创业板高增长阶段。

• 超额收益净值稳步上升显示了该策略的长期趋向优势。

联系文本论点
加强了VoV指标在高成长、高波动市场（创业板）中的应用价值，尤其适合板块内增强选股策略。

---

四、估值分析

报告核心为量化因子研究和策略构建，并无传统公司的估值（如DCF、P/E等）部分。其估值分析集中在：

• VoV因子作为Alpha信号的预测稳定性与收益表现（IC、ICIR、纯因子年化收益与夏普率）。

- 投资组合的绝对与相对收益率评估。

因此，估值分析以量化绩效评估指标体现，包括：

• 信息系数IC说明因子预测未来收益的相关强度。

- ICIR反映预测的稳定性。

• 年化收益、夏普比例、最大回撤评价组合绩效和风险水平。

该方法在量化投资领域的因子评价系统中十分标准和严谨。

---

五、风险因素评估

报告提到的风险和限制主要包括：

• 理论解释不足：风险模糊异象虽实证显著，但理论上目前尚无完美解释，尤其对为何高风险模糊股票表现差做抵触于风险补偿假说的挑战。

- 市场特异性风险：创业板早期并购炒作干扰策略表现，表明策略在特定市场阶段可能失效。

• 数据与计算依赖：采用高频数据计算VoV指标，数据异常过滤的有效性和参数选择（如剔除时间窗口、标准化方法）可能影响结果。

- 交易成本和流动性风险：长期高换手率（约800%年化）虽验证了策略活跃度，可能增加实际可操作成本和冲击成本，非流动性股票风险尚未充分量化。

• 模型局限性：剔除行业和风格后仍存在负IC，暗示策略剩余风险未完全控制，如宏观经济、政策风险的潜在影响未详述。

报告虽未详细展开缓解策略，但强调需规避高VoV股票风险，从实操角度进行风险管理。

---

六、批判性视角与细微差别

• 报告逻辑较为严密，但风险模糊异象作为较新领域，相关理论尚不够成熟，依赖于行为金融解释，难以通过传统均衡模型完美解释，存在一定学术和实用上的争议。

- 高频数据计算的VoV指标与普通投资者的实际认知匹配性以及可操作性有待进一步验证，尤其在更大范围市场和极端行情下的鲁棒性未知。

• 报告对策略的交易成本仅以双边千分之三计，未明显考虑冲击成本或市场变动对高换手率组合的实际影响，存在高频交易相关隐含风险。

- 策略表现虽然净值走势理想，但最大回撤（例如创业板TOP组合59%）仍较大，投资者需警惕潜在的回撤风险与时点选择。

• 部分图表及文字之间存在细节混淆，如创业板收益表与图的小差异，需确保解释与数据完全匹配。

---

七、结论性综合

本报告围绕“风险模糊度”这一创新概念，深入探讨了投资者如何基于对未知概率分布的认知模糊（即Vol of Vol）来规避高风险模糊资产，形成独特的风险溢价现象——风险模糊异象。通过结合行为金融学的理论支撑和丰富的高频数据实证验证，报告明确展现：

• 风险模糊厌恶的存在，区别于传统风险的认识，投资者优先规避认知模糊。

- Vol of Vol指标作为风险模糊的有效量化工具，且具备稳定且显著的负向预测收益能力。

• 基于VoV的选股策略表现优异，特别是风险模糊度较低的股票组合表现优异，在全A股及创业板均显著跑赢市场，具有实用的投资价值。

- 量化模型指标包括IC、ICIR、夏普比率和回撤控制均显示策略稳健。

• 风险提示明确，高VoV股票风险极高，应当规避。

对投资者和量化研究者而言，报告提出了一种基于风险认知边界的新型投资框架，突破了传统波动率和风险度量的局限，具有较高的学术与实践价值。未来进一步完善理论基础、扩大样本检验与动态调整策略，将有助于更全面理解风险模糊及其投资影响。

---

溯源说明： 本报告分析所述数据、图表及结论全部基于国泰君安证券发布的2018年8月14日《基于风险模糊度的选股策略》全文数据与图示内容[page::0,1,2,3,4,5,6,7,8,9,10]。

报告