1. 指数加权移动平均波动率因子构建与优势 [page::5]

• 采用EWMA模型对过去60天收益率赋予指数衰减权重，近期收益率权重最高。

- 波动率计算公式： $\sigma{t}^{2}=(1-\lambda)(r{t}-u{t})^{2}+\lambda\sigma{t-1}^{2}$ ，衰减因子$\lambda=0.9$，平衡历史数据与新数据影响。

• 该方法有效捕捉波动聚集性，改善传统波动率因子表现。

2. 回测框架及样本选择 [page::6]

• 股票池覆盖全A股、沪深300、中证500、中证1000、国证2000，区间2008-12-31至2024-06-07。

- 月度调仓，等权组合，因子经过方向调整、缩尾、行业市值中性化与标准化处理。

• 因子分为5组，获取多空收益、IC、RANKIC等指标。

3. EWMAVOL因子显著优于传统及其他改进因子表现 [page::7]

| 因子 | 多头年化收益率 | 多头超额收益率 | 夏普比率 | 多空夏普比率 | IC均值 | 年化ICIR | RANKIC均值 | 年化RANKICIR | IC>0占比 |
|---------|--------------|--------------|---------|------------|--------|----------|------------|--------------|---------|
| VOL3M | 16.8% | 9.1% | 0.75 | 1.22 | 4.02% | 1.16 | 7.67% | 2.05 | 73.0% |
| RANKVOL | 18.3% | 10.7% | 0.76 | 1.44 | 3.80% | 1.33 | 7.51% | 2.37 | 74.6% |
| RVOL | 20.6% | 12.9% | 0.84 | 1.94 | 5.48% | 1.89 | 9.20% | 3.05 | 81.1% |
| GARCHVOL| 21.4% | 13.7% | 0.86 | 2.37 | 6.05% | 2.44 | 9.62% | 3.67 | 86.5% |
| EWMAVOL | 23.3% | 15.7% | 0.91 | 2.68 | 7.76% | 2.73 | 11.02% | 4.05 | 86.5% |

• EWMAVOL因子多头年化收益率最高，超额收益领先，夏普比率和信息比率表现均优异。[page::7]

4. EWMAVOL因子多头净值表现突出 [page::8]

• 多头净值稳健增长，单调性好，累计收益远超基础波动率因子。

- 多空组合年化收益率29.8%，多头收益率23.3%，夏普比率达到2.68。[page::8]

5. 多市场样本内表现稳定优异 [page::10][page::11][page::12][page::13]

• 分别在沪深300、中证500、中证1000、国证2000中回测，多头年化超额收益均保持9%-16%区间。

- 各市场因子表现均具统计意义且夏普比率稳定，表现有效扩展到不同规模股票池。[page::10][page::11][page::12][page::13]

6. 参数敏感性分析揭示 λ=0.9 和 L=60天最优 [page::14][page::15]

• 衰减因子λ在0.8-0.98区间测试，λ=0.9时因子表现最优，年化多头收益23.33%，夏普0.91。

- 历史数据长度L测试显示60天数据窗口效果最佳，过长或过短均削弱因子表现。[page::14][page::15]

7. 市场状态下因子表现均衡，强化牛市收益 [page::16][page::17]

| 因子 | 市场状态 | IC均值 | 年化ICIR | RANKIC均值 | 年化RANKICIR | IC>0占比 |
|------|----------|--------|----------|------------|--------------|---------|
| VOL3M| 牛市 | 2.32% | 0.67 | 6.34% | 1.64 | 70.83% |
| | 熊市 | 4.30% | 1.19 | 8.03% | 2.04 | 75.61% |
| | 震荡市 | 5.08% | 1.56 | 8.29% | 2.46 | 70.91% |
| EWMAVOL| 牛市 | 8.06% | 2.74 | 11.76% | 4.32 | 87.50% |
| | 熊市 | 7.43% | 2.64 | 10.60% | 3.78 | 84.15% |
| | 震荡市 | 7.98% | 2.82 | 10.99% | 4.20 | 89.09% |

• EWMAVOL在牛市表现明显提升，三种市场状态表现更加均衡，IC与ICIR指标均超基础波动率因子。[page::17]

8. 因子与风格因子相关性适中，主要与流动性因子相关度较高 [page::18]

• EWMAVOL与GARCHVOL相关度最高（0.78），与流动性因子相关度为0.56，整体与成长、价值因子相关性较低，因子独立性较好。[page::18]

波动率因子改进之二—指数加权移动平均波动率因子分析报告详尽解读

---

一、元数据与报告概览

报告标题： 波动率因子改进之二—指数加权移动平均波动率
作者： 刘晓锋、马自妍
发布机构： 太平洋证券
发布日期： 未明确，但回测数据截止至2024年6月初
研究主题： 波动率因子的改进及应用，重点介绍一种基于指数加权移动平均（EWMA）方法构建的波动率因子及其对股票收益率表现的提升。

核心论点及结论：
本报告提出并详述一种基于指数加权移动平均模型的波动率因子（EWMAVOL），该因子利用EWMA模型动态赋予近期收益率更高权重，从而更准确捕捉波动率的波动聚集性特征。回测结果显示，EWMAVOL因子在多样的市场环境和不同股票样本空间中均表现优异，表现优于之前提出的分位数波动率因子（RANKVOL）、特质波动率因子（RVOL）、及预测性GARCH波动率因子（GARCHVOL），实现了更高的多头年化收益率（23.33%）、更好的因子信息系数（IC为7.8%）和稳健的风险调整表现。作者旨在传递指数加权移动平均波动率因子是波动率因子改进的较优选择，且具有广泛应用价值。[page::0,1]

---

二、逐章深度解读

1. 波动率因子改进概述

1.1 概要
报告回顾了之前的研究成果，曾提出三种波动率改进因子：分位数波动率因子RANKVOL、特质波动率RVOL以及基于GARCH模型的预测特质波动率因子GARCHVOL。其中，GARCHVOL以其对波动率集聚性的适应性表现最好，年化多头收益为21.4%。该因子通过动态加权近期数据，较好地体现收益率波动聚集特性。

基于GARCH模型取得的经验，报告尝试使用另一种赋予近期数据更高权重的模型——指数加权移动平均（EWMA）。通过指数衰减权重，增强对近期收益率的敏感性，从而提升波动率因子预测和选股能力。初步回测结果显示，该方法优于之前因子。[page::3]

1.2 不同波动率因子改进方式对比
作者列出不同波动率因子的定义与计算方法，系统对比基础波动率VOL3M（60日收益率标准差）、RANKVOL（截面分位数标准差）、RVOL（Fama-French三因子回归残差波动率）、GARCHVOL（基于残差序列的GARCH模型预测波动率）和新提出的EWMAVOL（应用EWMA模型计算的指数加权波动率）。表格清晰概述了各因子计算逻辑和特点，突出EWMAVOL对数据权重的时序动态调整策略。[page::4]

2. 指数加权移动平均波动率因子构建

构建逻辑与数学表达
EWMA模型以权重参数λ控制历史收益率的权重递减速率，具体定义为：

$$
\sigma{t}^{2} = (1-\lambda)(rt - ut)^2 + \lambda \sigma{t-1}^2
$$

其中，$rt$ 当日收益率，$ut$ 当日均值收益，$\sigmat^2$ 当前波动率平方，$\lambda$为衰减因子。此表达式体现了当前波动率平方由当日残差平方和上一日波动率平方加权构成，权重由$1-\lambda$和$\lambda$决定。迭代计算得出当前波动率的指数加权估计。

报告选取$\lambda=0.9$，基于60日历史数据滚动计算因子，达到对近期信息的突出表现，且平滑调整波动率动态，协同捕获波动率的聚集性特点。[page::5]

3. 因子回测

3.1 回测框架

采用2008年12月31日至2024年6月7日的历史数据，涵盖全A股及沪深300、中证500、中证1000、国证2000等不同市场样本空间。数据筛除停牌及异常交易股票。因子值经过方向调整、缩尾、行业市值中性化及标准化处理。回测周期为月度调仓，组合权重等权。通过因子五分组测试，衡量收益、因子单调性（IC）、信息比率等多维性能指标。[page::6]

3.2 因子表现

表格展示EWMAVOL领先所有波动率因子，表现详情如下：

• 多头年化收益率达到23.3%，超额收益15.7%，夏普比率0.91，显示出优越的风险调整后收益能力。

- 多空策略年化收益29.8%，夏普比率2.68，胜率高达77.42%。

• 因子IC均值7.76%，ICIR2.73，排名IC均值11.02%，排名ICIR4.05，皆明显优于其他因子。

- GARCHVOL紧随其后，但落后于EWMAVOL，基础波动率VOL3M表现最弱。

该数据支持作者论点，EWMA模型在赋予时间权重上优于GARCH等复杂模型，从实用性和收益表现均体现优越性。[page::7]

3.3 分组净值走势

图表（见文中图片）比较EWMAVOL与基础VOL3M因子在全A市场的分组净值走势。EWMAVOL多空组合净值稳定且持续攀升，显著优于基础波动率因子的回撤和增长波动，反映出因子选股的持续有效性及稳健性。[page::8]

3.4 因子分年表现

EWMAVOL在个别年份表现波动明显，2009年多头年化收益高达211.4%，2021年维持较好正收益，部分熊市年份多头呈现负收益但多空策略依旧能获得正收益，表现出较强的市场风险防御能力。整体来看，因子长周期表现稳健且持续创造较高超额收益，信息比率和夏普比率反映策略具有一定稳定性。[page::9]

4. 不同样本空间中的因子表现

4.1 沪深300

年化多头收益14.0%，超额9.4%，夏普比率0.66，因子表现相对温和，反映大盘股波动率因子的特性较为稳健。[page::10]

4.2 中证500

因子表现提升，年化多头收益18.1%，超额11.3%，夏普比率0.75，多空策略夏普接近1，说明中盘股市场中因子有效性增强。[page::11]

4.3 中证1000

因子效果在小盘股市场表现更加明显，整体年化超额收益达11.9%，多头夏普比率0.47略低，因风险相对较高导致，但多空组合信息比率稳健，带来多样化收益来源。[page::12]

4.4 国证2000

波动率因子在更小市场的表现最为突出，多头年化收益20.2%，超额收益15.7%，夏普比率0.79，信息比率稳健，显示在高波动高风险小市值市场中波动率因子具备较强选股能力。[page::13]

5. 参数敏感性分析

5.1 衰减因子 $\lambda$

因子随着$\lambda$ 取值从0.8到0.98变化，岁月权重的调节影响波动率的敏感性。报告显示，$\lambda=0.9$时，因子表现最为优异，年化多头收益23.33%，多空夏普2.68，IC为7.76%，ICIR为2.73，说明这一参数取值在权衡近期和历史数据权重间取得最佳平衡。[page::14]

5.2 历史数据长度L

报告测试了10、20、40、60、120天的历史长度影响，60天历史长度时因子表现最佳。过短数据长度可能导致估计波动率不稳定，过长则忽略近期波动变化，60天兼顾稳定性和时效性。[page::15]

6. 不同市场状态中的因子表现

6.1 市场状态划分

基于沪深300指数走势将2009初至2024中划分为牛市（26%时间）、熊市（44%时间）和震荡市（30%时间），为分析因子在不同市场环境下的表现提供基础。[page::16]

6.2 不同市场状态表现

基础波动率因子VOL3M在熊市与震荡市表现较好，防御性明显，而牛市表现相对较弱，IC及ICIR数值均较低。相比之下，EWMAVOL在牛市、熊市和震荡市均有较高且均衡的表现，牛市IC均值8.06%，年化rankICIR高达4.32，显示该因子兼具进攻与防守能力，适应性更强。[page::17]

7. 因子相关性分析

波动率因子内部相关性较高，特别是EWMAVOL与GARCHVOL相关系数为0.78，说明两者同属基于波动聚集性质的动态波动率估计方法。波动率因子与流动性因子有中度正相关（0.56），但与成长、盈利、价值等其他风格因子相关性较低，显示波动率因子在风格因子库中具备一定的独立性和补充性，有助于构建多元化投资组合。[page::18]

风险提示

报告明示基于历史数据得出的模型存在局限性，未来表现可能与历史回测存在差异，提醒投资者审慎判断。[page::19]

---

三、图表深度解读

1. 波动率因子各类型比较表（4页）

整合了基础波动率、分位数波动率、特质波动率、GARCH预测波动率和基于EWMA模型的指数加权移动平均波动率的定义，体现了波动率因子从简单统计指标向动态预测模型演进的过程，有助于理解EWMAVOL在捕捉时间序列波动特性上的优势。[page::4]

2. 因子收益和IC表现表（7页）

该表综合展示多头和多空组合的多维表现（年化收益、超额收益、夏普比率、信息比率等）及因子信息系数（IC）维度，直观体现EWMAVOL在收益、风险调整表现和因子预测能力上均优于对比因子。特别是IC和rankIC指标的提升，强调了EWMAVOL的稳定性和单调性从统计学角度的优化。[page::7]

3. 分组净值图（8页）

两幅图对比EWMAVOL与基础VOL3M分组净值，EWMAVOL多空策略净值明显优势，整体现增长趋势平滑，风险回撤小。基础波动率因子回撤较大且多空净值增长缓慢，反映了EWMA方法的显著改进。[page::8]

4. 分年表现（9-13页）

分不同样本空间，详细陈列因子年化收益率、超额收益、夏普比率及胜率，帮助识别因子在不同年份和环境下的表现波动和因子力量。比如2015年、2009年均有爆发式的年化收益，2024年部分市场表现走弱，体现因子动态随市场节奏调整能力和局限。[page::9-13]

5. 参数敏感性表（14-15页）

分析λ和历史数据长度L如何影响因子表现，找到参数调优的“甜蜜点”，支持了报告制定的核心参数选取，确保实际应用中的稳定性和业务合理性。[page::14,15]

6. 市场状态表现表（17页）

展示因子在牛/熊/震荡三个市场状态下的IC、ICIR和正向概率，EWMAVOL均衡的高表现提升了因子策略的适用性和风险控制能力，反映出其对市场周期有较好的适应性。[page::17]

7. 因子相关性表（18页）

展示EWMAVOL与其他波动率因子及风格因子相关性，突出因子的独立性及其补充组合多样性价值，强调投资组合构建时的协同效应考量。[page::18]

---

四、估值分析

本报告属于策略因子构建及回测分析类研究，未涉及具体公司或行业的估值模型，不包含DCF、市盈率等传统估值方法的应用。报告重点于波动率因子设计及其投资组合表现分析，故无估值章节。

---

五、风险因素评估

报告明确指出模型基于历史数据，存在未来表现不确定性及适用范围限制。这提示投资者考虑市场结构变化、制度风险以及市场极端波动等可能导致模型失效或回测表现难以复制的风险。报告未提供具体缓释策略，但投资者应结合多因子策略和风险管理框架使用波动率因子。[page::19]

---

六、批判性视角与细微差别

• 优点： 报告系统且详尽的数据覆盖多样本、多市场、多参数敏感性测试，验证结果稳健且具有实践指导意涵，收敛于参数调优的最优区间，兼顾科学性与工程应用。

- 潜在限制：
- 回测区间虽长，市场环境多变，部分年份因子表现波动较大，显示在特定环境下策略潜在不稳健。
- 报告未对频繁调仓对实际交易成本影响深入讨论，实际落地可能存在执行风险。
- 多数绩效指标虽突出，但多空组合的实践难度及资金规模影响未明确。
- 对比因子虽涵盖代表性模型，未包含更多机器学习或非线性模型可能成为进一步提升空间。

• 内部一致性良好，报告自洽且逻辑连贯。

---

七、结论性综合

本报告通过理论与实证相结合方式，推出并检验了一种基于指数加权移动平均（EWMA）模型的波动率因子——EWMAVOL。相较于传统的基础标准差波动率及先前的分位数、特质、GARCH类因子，EWMAVOL通过动态赋予近期收益率更高权重，强化波动率聚集性的捕捉能力，有效提升选股表现和风险调整收益水平。

跨越全A股及沪深300、中证500、中证1000、国证2000不同市场样本以及牛熊震荡不同市场状态，EWMAVOL始终呈现较高且稳定的多头和多空收益，IC和RankIC指标提升显著，证明因子在实际应用中的预测单调性和信息效率，有效支持因子策略的构建和实施。得益于合理选取的衰减因子λ=0.9与历史窗口长度60天，因子表现达到优化平衡。

图表数据佐证了报告论点：

• 多头年化收益提高至23.3%，超额收益15.7%，信息比率显著提升（ICIR 2.73，RankICIR 4.05）。

- 市场状态表现均衡，牛市中表现强化，兼具防御和进攻属性。

• 因子相关性分析显示，与传统波动率因子及流动性因子有一定相关性，但与成长、价值等主流风格因子关联较低，能有效提升投资组合的多元化和风险分散能力。

- 参数敏感性测试强化了因子的鲁棒性。

整体来看，指数加权移动平均波动率因子为波动率因子策略提供了兼具稳健性与超额收益的优质选股工具，值得量化投资经理及风控人员关注和应用。

---

报告中的分析严谨，数据丰富，是波动率因子设计与应用领域的重要补充资料。投资者应结合自身风险偏好和市场环境，合理配置，规避模型预测的不确定风险。

---

（附：核心图表如分组净值曲线等见文中页码及图片链接）

---

参考文献

报告页码均已加注说明。

---

附：重要图表示例链接

• 分组净值图：

- 回测指标表及参数敏感性表详见报告正文页7、14、15页。

报告