• 传统特质波动率因子基于Fama-French三因子模型残差标准差计算，选股效果良好，月度IC均值为-0.051，年化ICIR为-1.57，年化收益19.61%，信息比率1.28，最大回撤19.55%。但与换手率因子相关性较高(0.52)，且剔除换手率后选股效果显著下降（年化收益降至5.41%）。

[pidx::4][pidx::5]

• 通过观察发现，波动率因子存在显著的波动聚集性，个股的波动率因子序列展现强烈的时序和截面相关性（如图4，滞后1期时截面相关系数高达0.44，时序相关系数0.21），这种现象导致每期选股中因子信息被重复利用，降低了因子纯度和有效性。

[pidx::6][pidx::7]

• “纯真波动率因子”基于对传统特质波动率因子进行多期截面回归剔除过去6期因子值影响，获得残差作为新因子，显著降低了截面与时序相关性（平均值接近0）。该因子月度IC均值-0.046，年化ICIR提升至-1.85，年化收益19.01%，信息比率1.72，最大回撤仅10.16%，胜率提升至70.59%。相比传统因子，表现更稳定。

[pidx::8][pidx::9]

• 剔除换手率因子的影响后，纯真波动率因子仍然保持良好的选股表现，显著优于传统因子残差，体现了信息的独立性和纯净度。

[pidx::10]

• 进一步去除行业和常用Barra风格暴露后，构造“纯净纯真波动率因子”，该因子年化收益11.83%，信息比率1.51，最大回撤12.14%，仍显著具备选股能力。

[pidx::11]

• 纯真波动率因子参数敏感性分析显示，滞后阶数N在0至12内性能稳定且优于传统因子，尤其N=6时表现最佳；超过12时，因选股信息模糊，性能有所下降，换手率因子剔除后也是类似趋势。

[pidx::12][pidx::13]

• 多空拆分中，纯真因子在多头超额收益上的提升更为显著，表明新因子在挖掘盈利股票方面更具优势，且换仓率较传统因子提高较大（月均增加约15%-28%），但考虑月频策略，额外成本影响有限。

[pidx::14]

• 不同样本空间（沪深300、中证500）回测显示，纯真波动率因子在沪深300和中证500中均表现优于传统因子，尤其在回撤控制方面优势明显，进一步验证了因子改进方法的稳健性。

[pidx::15]

金工专题报告深度解析 —— 《寻找特质波动率中的纯真信息——剔除跨期截面相关性的纯真波动率因子》

---

一、元数据与报告概览

• 报告标题：寻找特质波动率中的纯真信息——剔除跨期截面相关性的纯真波动率因子

- 发布机构：东吴证券，金工研究团队

• 发布日期：2023年7月24日

- 报告核心主题：在传统特质波动率因子基础上，针对其跨期截面相关性进行剔除改进，提出“纯真波动率因子”，并验证其选股效果提升的有效性和稳健性。

• 作者：证券分析师高子剑及研究助理庞格致、凌志杰

- 核心结论：
- 传统特质波动率因子存在较强跨期截面相关性，导致选股信息重复利用，影响效果。
- 通过简单的横截面多元线性回归剔除跨期截面相关性，可以提炼纯真波动率因子，获得更为“纯净”的选股信号。
- 纯真波动率因子相比传统因子，在A股市场中表现出更高的稳定性、更好的风险调整收益（信息比率）、更低的最大回撤，且与换手率的相关性降低，选股能力更可靠。
- 报告更新了2023年6月30日数据，增加了“纯净纯真波动率因子”（剔除行业与Barra风格因子影响）表现讨论。

整体来说，本报告的核心在于提出一种对传统波动率因子改进的数学处理方法，剔除过去因子值对当前因子的影响，提升选股因子纯粹性，从而增强实用价值。[pidx::0][pidx::3][pidx::7]

---

二、逐节深度解读

1. 前言

该章节回顾了Ang et al. 2006年引入的“特质波动率与未来收益负相关”的著名实证成果（即“低波动率异常现象”），以及金融学界对此议题的持续关注。东吴证券金工基于此背景提出波动率选股因子系列研究，目标是改进传统波动率因子，深化市场理解，提升因子选股表现。此次报告为该系列之首，强调基于“波动聚集现象”改善因子的必要性及创新性探索。[pidx::3]

2. 传统特质波动率因子

2.1 特质波动率因子的计算与回测

• 计算方法基于广为使用的Fama-French三因子模型残差波动率：

- 每月月底，用过去20个交易日的日收益率数据，针对每个股票，用FF三因子（市场、规模、市净率）进行多元回归。
- 回归残差的标准差便定义为“特质波动率”（IDVol），即剔除市场系统性因素后的“个股特质”波动水平。

• 回测数据覆盖全A股，剔除ST股、停牌股及次新股，时间区间2005年1月1日至2023年6月30日。
• 回测表现：

- 月度IC均值为-0.051，说明特质波动率与后续收益呈负相关；
- 年化ICIR为-1.57，10分组多空对冲的年化收益达19.61%，信息比率1.28，月度胜率68.33%；
- 最大回撤19.55%；
- 但因子某些年份（如2010年、2013年）表现不佳，多空对冲收益甚至为负。

• 图1（传统特质波动率因子10分组多空对冲净值趋势）显示整体表现稳定增长，支持实证结果。
• 表1展示了各年度收益细节，显示因子收益波动相对明显，不同年份表现差异较大，需警惕周期性波动风险。[pidx::3][pidx::4]

2.2 特质波动率因子与换手率的相关性

• 多项研究揭示波动率与换手率之间具有较高价量信息重叠。
• 定义换手率因子Turn20：每月末计算股票过去20个交易日平均换手率并市值中性化。
• 相关性：

- 特质波动率IDVol与Turn20平均月度相关系数高达0.52，表明波动率因子与换手率因子信息高度重叠。

• 进一步：对IDVol作横截面正交化换手率因子（残差记为IDVoldeTurn20），剔除线性换手率信息。
• 剔除换手率后的IDVoldeTurn20表现大幅下降：

- 月度IC均值下降至-0.020；
- 年化ICIR降至-0.79；
- 年化收益仅5.41%，信息比率0.43，月度胜率56.56%，最大回撤28.81%（显著恶化）。

• 图2及表2直观呈现IDVol、Turn20、IDVoldeTurn20间的性能对比。

总结：传统特质波动率因子与换手率因子互相关联度高，且剔除换手率信息后，波动率因子的选股能力明显减弱，提示传统因子中存在较大重复信息，需要改进处理以挖掘更纯净信号。[pidx::5][pidx::6]

2.3 特质波动率因子小结

• 传统波动率因子确实有一定的选股能力，但选股能量部分来源于与换手率的重叠信息。
• 现有因子的表现及信息重叠限制了其进一步提升空间。
• 部分年份（2010、2013）因子表现低迷，凸显稳定性有待加强。
• 中断点在于抵御换手率因子的影响，未来研究需探讨方案以剔除重复信息，寻找更纯净有效的波动率信号。[pidx::6]

3. 波动聚集：波动率因子的时序和截面相关性

• 波动聚集性指的是金融资产价格大幅波动的时间常常成簇出现，即波动率高低呈连续性。
• 以万得全A指数日收益率为例（图3），显示明显的波动聚集现象，期间波动频繁且聚集。
• 进一步推断，波动聚集也存在于个股层面，从而导致特质波动率因子在时间序列上具有较强的自相关性（时序相关）以及不同个股之间的截面相关性。
• 图4说明：

- 平均时序相关系数(如滞后阶数1)达到0.21；
- 平均截面相关系数高达0.44；
- 随滞后阶数升高，两者均下降，6个月后趋近于零（说明波动聚集效应持续时间有限）。

• 这表明，在构造每月特质波动率因子时，因子值实际上受到至少过去6个月内类似截面信息的影响，导致重复使用过往信息，干扰当前选股信号的纯粹性。[pidx::6][pidx::7]

4. 剔除跨期截面相关性：纯真波动率因子

4.1 纯真波动率因子的构建与回测

• 核心思想是通过线性回归剔除因子值中的跨期截面相关性，得到纯粹的波动率信号。
• 具体方法：

1. 入参为传统因子IDVol；
2. 设定回归滞后阶数N=6；
3. 对每月因子值，使用多元横截面回归剔除近6个月的因子信息，残差即为纯真波动率因子IDVoldeCorr。

• 纯真因子统计表现（2005-2023）：

- 相邻期时序相关系数降至 -0.007，截面相关系数降至0.01，纯度显著提升；
- 月度IC均值-0.046，年化ICIR提升至-1.85；
- 多空对冲年化收益19.01%，年化波动率11.07%，信息比率1.72，月度胜率70.59%，最大回撤仅10.16%；
- 表3展示分年度优异且更稳定表现，明显优于传统因子，尤其是在传统因子表现糟糕的年份如2011、2013表现稳健。

• 图5展示纯真波动率因子10分组净值走势，走势稳健且上行趋势明显。
• 综上，剔除跨期截面相关性后，因子信息更“纯净”，选股效果和风险调整表现显著改善。[pidx::7][pidx::8][pidx::9]

4.2 纯真波动率因子与换手率因子的相关性

• 纯真因子与换手率相关度降低，平均相关系数仅0.40（较传统因子0.52明显减弱）。
• 对纯真因子做换手率正交化处理后，依然保持良好的选股能力。
• 图6显示去换手率后的纯真因子净值走势优于传统因子对应曲线，证明纯真因子在剔除换手率影响后依旧表现坚挺。
• 这一点验证了纯真因子在信息纯净度和独立性方面具有优势，有效解决了传统因子的重复信息和共线性问题。[pidx::9][pidx::10]

4.3 纯净纯真波动率因子的表现

• 进一步剔除行业效应及市场常用Barra风格因子对纯真因子影响，获得所谓“纯净纯真波动率因子”。
• 表4显示纯真因子与Beta、BooktoPrice、Liquidity、Momentum、Residual Volatility等因子相关较低，说明其信息维度独立。
• 纯净纯真波动率因子多空对冲年化收益11.83%，年化波动率7.84%，信息比率1.51，月度胜率66.06%，最大回撤12.14%。
• 图7及表5显示纯净纯真因子历年表现稳健，尽管收益率下滑，但风险控制效果更佳，整体仍具选股价值。
• 该步骤旨在更彻底净化选股信号，剥离风格和行业影响，体现纯粹波动率驱动的择时能力。[pidx::10][pidx::11]

4.4 纯真波动率因子小结

• 简单线性回归方法有效去除跨期截面相关性，优化因子纯度。
• 纯真因子表现优于传统因子，稳定性和风险调整收益明显提升。
• 选股效果的提升验证了波动聚集引起的截面相关性对因子效果的负面影响。
• 表6进行多维指标对比，综合显示纯真因子信息比率、月度胜率及最大回撤均优于传统因子。
• 因子剔除换手率后的表现也优于对应传统正交因子，进一步增强因子解释力和风险控制能力。[pidx::12]

5. 其他重要讨论

5.1 纯真波动率因子参数敏感性

• 探究回归滞后阶数N对因子表现的影响，范围0~24。
• 图8与表7显示N在0~12区间时，纯真因子选股效果优于传统因子，信息比率和月度胜率均有提升。
• N过大会削弱因子信号，导致效果下降，且回撤加大。
• 最大波动聚集性在约12个月的滚动窗口内，因此剔除过多滞后信息反而损失有效信号。
• 表8展示纯真因子正交换手率后参数敏感性，N<=12时多数指标仍优于传统因子，显示改进方案稳定可靠。[pidx::12][pidx::13]

5.2 新旧因子多头、空头超额对比

• 表9分开考察多头与空头超额收益及风险指标。
• 纯真因子多头超额收益显著高于传统因子（10.59% vs 8.73%年化收益），多头信息比率相近。
• 纯真因子空头超额较低，信息比率也较低。
• 综合表现提升主要来自多头策略的优化，显示纯真因子更擅长捕捉赚钱效应。[pidx::14]

5.3 新旧因子月度换仓率对比

• 纯真因子换仓率大幅高于传统因子，多头由64.31%升至92.17%，空头由71.81%升至86.71%。
• 换仓率上升意味着策略调整更频繁，可能增加交易成本，但考虑月度频率和收益改善，增量交易费用影响有限。
• 图9、图10直观展示高换仓率趋势。策略实施应关注交易成本管理与流动性风险控制。[pidx::14]

5.4 其他样本空间效果验证

• 在沪深300和中证500成分股内测试发现：

- 沪深300中，纯真因子在信息比率上略优于传统因子，且最大回撤显著下降（49.31%降至31.50%），提升风险控制能力；

- 中证500中因子表现更加稳健，纯真因子信息比率略有下降但回撤大幅降低至18.62%。

• 表10总结了不同样本空间的新旧因子选股效果对比，验证了纯真波动率因子跨不同市场细分均具有较为稳健的表现。[pidx::15]

6. 总结

• 本报告基于金融时间序列波动聚集理论，创新提出通过横截面多期回归剔除波动率因子跨期截面相关性的方法，得到纯真波动率因子。
• 纯真波动率因子相较传统特质波动率因子，显著提升了选股效果的稳定性、风险调整收益以及抗干扰能力。
• 此外，剔除换手率和风格因子影响后，纯真波动率因子依然保持良好的独立性和效力。
• 参数敏感性分析确认回归滞后阶数不宜过大，6个月左右为理想范围。
• 纯真因子换仓率虽有提升，但整体收益提升抵消了交易成本增加的负面影响。
• 不同股票样本空间内均验证了纯真因子的应用价值及稳健表现。
• 报告强调传统波动率因子跨期信息复用的“伪信息”干扰，提出的去伪存真方法有效提炼了因子真实有用信号，具有较强的实践指导意义。[pidx::15]

7. 风险提示

• 所有统计均基于历史数据，未来市场可能发生结构性变化，导致因子效果发生偏离。
• 单一因子的收益存在较大波动，实际应用需结合资金与风险管理体系。
• 因子策略换仓率提升，可能放大交易成本和市场冲击风险，需设计合理交易执行策略以缓解。

---

三、图表深度解读

图1：传统特质波动率因子IDVol的10分组及多空对冲净值走势图

• 图示2005年至2023年，按因子值10分组构建的净值走势。
• 分组1（最低因子值）净值最高，分组10（最高因子值）最低，分组间差距逐渐扩大，表明因子负相关收益趋势明显。
• 多空对冲（组1-组10）净值持续攀升，体现正向收益。
• 波动较大年份如2010、2013可见净值回撤。
• 该图支持传统特质波动率因子具备一定负相关选股能力，但表现不完全稳定。[pidx::4]

表1：传统特质波动率因子年度表现

• 量化展示各年10分组多空对冲年化收益、年化波动、信息比率、月度胜率及最大回撤。
• 年份之间年化收益波动大，信息比率集中在1左右上下变化，最大回撤波动显著。
• 如2007、2009年收益率极高，2010年收益较低，2013年为负，反映因子适用性有周期变化。
• 体现传统因子稳定性有限，风险波动管理可改进。[pidx::4]

图2：IDVoldeTurn20的10分组及多空对冲净值走势（剔除换手率）

• 净值曲线趋于平缓，差距缩小，反映剔除换手率后因子选股能力大幅缩水。
• 多空对冲涨幅明显低于图1，对比表明换手率在传统因子选股能力中占重要部分。
• 最大回撤明显增加，风险提升。
• 验证波动率因子与换手率因子信息高度重叠，共线性影响不可忽视。[pidx::5]

表2：IDVol、Turn20、IDVoldeTurn20因子选股效果对比

• Turn20因子表现最强（年化收益32.04%,ICIR-2.01，信息比率1.89），IDVol次之，IDVoldeTurn20最弱。
• 剔除换手率后纯波动率因子表现严重受挫，提示改进因子纯度是必要方向。
• 最大回撤排名同上，风险控制能力层级明显。
• 月度胜率依此递减，从高关联换手率到低关联纯因子有明显降低。[pidx::5]

图3：万得全A指数每日收益率波动聚集性

• 时间序列图形显示两处明显波动聚集区域（2007-2008、2015-2016），波动集中显著。
• 说明日频收益波动并非随机散布，而是呈现集群效应。
• 这种特征推导扩展到个股波动率因子，可解释时序及截面相关性现象。
• 确认波动聚集理论对波动率因子改进的理论基础。[pidx::6]

图4：特质波动率因子IDVol的平均时序、截面相关系数

• 条形图显示滞后阶数增加时，两类相关系数均递减趋近于零。
• 滞后1月相关性高（时序0.21，截面0.44），但6个月之后趋于无关。
• 说明因子存在显著的短中期信息复用效应。
• 明确了剔除时序截面相关性长度的合理区间（建议不超过6~12个月）。[pidx::7]

图5：纯真波动率因子IDVol_deCorr的10分组及多空对冲净值走势

• 与图1相比，纯真因子多空对冲曲线更平滑，回撤明显降低。
• 多空对冲表现稳健，呈持续稳步上升趋势。
• 各分组分化较为明显，仍然保持良好的选股区分能力。
• 支撑纯真因子在选股强度和风险控制上的双重改善。[pidx::8]

表3：纯真波动率因子年度表现

• 多数年份纯真因子收益比传统因子稳定且更好。
• 重要年份如2011、2013，传统因子为负回报，纯真因子保持正收益。
• 回撤率及波动率也明显优于传统因子。
• 指示纯真因子的应用价值和时序稳定性显著提升。[pidx::9]

图6：新旧因子正交换手后的10分组多空对冲净值走势

• 剔除换手率后纯真因子净值曲线明显优于传统因子，体现更强的独立选股能力。
• 传统因子大致持平，显示受换手率剥离影响明显。
• 佐证纯真因子信息纯度高，且不依赖换手率因子信息。[pidx::10]

表4：纯真波动率因子与常用Barra风格因子的相关系数

• 纯真因子与Beta、流动性、账面市值比等传统风格因子相关性较低（均低于0.3），表明纯真因子捕捉的是独特信息。
• 说明剔除跨期截面相关性后，因子自成一格，可作为风格因子辅助因子使用。
• 有助于构建多因子组合分散风险。[pidx::10]

图7：纯净纯真波动率因子的10分组及多空对冲净值走势

• 表征剔除行业及常用风格干扰后的纯因子表现。
• 净值曲线持续上升，波动率进一步降低。
• 说明因子信息经过进一步加工后依然有效，且风险继续下降。
• 适合用于风险平衡及风格中性配置策略。[pidx::11]

表5：纯净纯真波动率因子年度表现

• 与纯真因子相比，收益率略有下降但波动性降低，信息比率仍保持。
• 多数年份正收益，稳定性及风险控制得到进一步加强。
• 适合构建风格中性、行业中性因子组合以提升表现稳定度。[pidx::11]

表6：纯真因子、传统因子的选股效果综合对比

• 纯真因子整体胜出，信息比率1.72优于传统1.28。
• 最大回撤大幅下降一半（10.16% vs 19.55%），表现更为稳健。
• 剔除换手率后依然优于传统因子残差，印证纯真因子信息独立且纯净。
• 换手率相关性降低，也意味着因子噪声减少，增强因子可用性。[pidx::12]

图8及表7、表8：纯真因子参数敏感性及正交换手后表现

• N=6时因子表现最佳，且有效区间为[1,12]。
• N过大导致信息模糊，波动率及最大回撤升高，效果下降。
• 正交换手后纯真因子依然保持优于传统因子的表现，说明改进方案具备稳健性。
• 投资实务可以6个月滞后阶数为推荐参数，兼顾信息充分和噪声剔除。[pidx::12][pidx::13]

表9：多头与空头超额表现对比

• 纯真因子多头超额明显提升，空头超额有所下降。
• 多头策略对选股的贡献更显著，策略可能适合多头主导组合构建。
• 需留意空头部分波动和收益下降，调整策略目标和风险管理。[pidx::14]

图9、图10：多头、空头换仓率对比

• 纯真因子换仓率显著高于传统因子，尤其多头组合提高近28%。
• 换仓率提升意味着交易频次加大，交易成本和流动性要求更高。
• 由于选股周期为月频，增量交易成本对绩效影响有限，实务中需结合交易成本效率优化执行。
• 换仓率提升是因子剔除滞后信息导致相关性降低的必然结果，需权衡利弊。[pidx::14]

表10：沪深300与中证500成分股选股效果对比

• 在沪深300及中证500样本中，纯真因子表现稳健：

- 沪深300：信息比率由0.24升至0.27，最大回撤降幅显著；

- 中证500：虽信息比率略降但最大回撤下降明显，风险控制增强。

• 对不同市场细分表现的一致性，支持因子适用范围广泛性。
• 实务中可选用不同股票池，根据风险偏好权衡纯真因子应用。[pidx::15]

---

四、估值分析

本报告为量化研究报告，未涉及传统估值模型（如DCF、PE、EV/EBITDA等）或目标价计算，属于因子研究及策略验证范畴，重点在因子构建、纯净性提升及选股性能测评。

---

五、风险因素评估

• 研究基于历史数据，未来市场环境、结构性变化可能导致因子表现失准。
• 单因子策略存在收益波动风险，需结合资金管理、风险控制与多因子策略。
• 换仓率显著增加提升交易成本和市场冲击风险，实施时需设计合理交易执行策略。
• 因子剔除换手率及行业、风格影响后，理论上降低了共线风险但仍需关注如下风险：

- 数据质量及模型回归稳定性风险；

- 重大市场事件或行情风格切换导致因子失效风险。

• 报告无具体缓解方案，建议投资者在应用时务必配合严格风险管理体系。[pidx::0][pidx::7][pidx::15]

---

六、批判性视角与细微差别

• 该研究创新之处在于基于波动聚集性理论提出简单回归剔除截面相关性的纯真因子，方法简洁且有效，提升了因子纯度和稳定性。
• 但需注意：

- 回归剔除基于线性模型，可能无法捕捉非线性或复杂高阶依赖关系，潜在信息仍可能被遗漏或误剔。

- 换仓率大幅上升，一方面增加交易难度，另一方面可能对应更短期市场冲击，需评估实操成本。

- 部分指标改善幅度有限（如多头超额收益提升而空头超额下降），策略构建时需综合权衡。

- 报告参数选择（滞后阶数6）虽有敏感性分析，但未完全涵盖所有可能的市场环境，适用性存一定限制。

- 不同年份和市场环境下因子表现差异仍较大，提示需动态调整因子应用策略。

• 总体方法论创新突出，实证结果支持较强，缺乏更深入非线性模型探讨和实操成本细节。

---

七、结论性综合

东吴证券金工团队在本报告中基于波动聚集性理论，对传统特质波动率因子进行改进，剔除跨期截面相关性的“重复信息”，打造出具有更高纯净度的“纯真波动率因子”。实证验证显示：

• 纯真波动率因子在全A股市场中月度IC均值仅略低于传统因子（-0.046 vs -0.051），但年化ICIR反而提升（-1.85 vs -1.57），凸显稳定性提升。
• 多空对冲收益率维持19%左右，信息比率提升至1.72，最大回撤降低半数。
• 纯真因子与换手率的相关性降低，剔除换手率影响后仍具选股能力，说明其捕捉了换手率因子消费不到的信息。
• 剔除行业与Barra风格因子后，纯净纯真波动率因子依然表现可观，且风险进一步降低。
• 参数敏感性分析提示滞后阶数6为优选，表现稳定性好。
• 提出的简单横截面回归框架能有效剥离“伪信息”，提升波动率因子的实用价值和选股潜力。
• 换仓率提升是因子纯净化的必然牺牲，但月频选股策略该成本可控。
• 在沪深300及中证500成分股中均获得稳健表现，具备广泛应用潜力。

报告通过大量图表、逐年数据和统计指标说明了纯真波动率因子对传统因子的有效改进，突显了降低跨期截面相关性在因子构建中的重要性，且方法易于实现，具有良好的推广价值。

此研究对量化研究与实务操作有重要参考意义，提醒投资者关注因子纯净度对策略表现的关键影响，推动波动率因子向更稳定、高效选股工具转型。[pidx::0][pidx::3][pidx::7][pidx::12][pidx::15]

---

# 综上，本报告全面系统地提出并验证了“纯真波动率因子”的理论原理、构造方式、性能表现以及实务适用性，为波动率类选股因子的深化研究提供了新路径和实证依据。

报告