从配置风险出发构建组合

特质波动率(Idiosyncratic Volatility, IV）与预期收益率的负向关系既不符合经典资产定价理论，也不符合基于不完全信息的定价理论，因此学术界称之为"特质波动率之谜"。

1、什么是特质波动率？

 股票的风险结构方程将股票的总体风险分为公共因子风险、因子协同风险以及特异风险。

 特质风险衡量的是股票自身所特有的风险，与公共因子波动带来的风险不相关，与其他股票的特质风险也不相关。

然而特质风险不能被实际观察到，在实际应用中特质风险的度量依赖于公共因子的选择，不同的的公共因子组合会估计出不同的特异收益率，从而会有不同的特异风险度量。

结合当前学术研究成果及行业经验我们分别根据资本资产定价模型CAPM、Fama-French三因子模型、Carhart 四因子模型等从三个维度度量特质波动率

1.旧收益率的标准差STD

2.基于CAPM的特质波动率IVCAPM

MKT市场因子，通过市场指数的日收益率度量，市场指数是由上市满3个月的全部A股每月月底按流通市值加权构建的全收益指数，下同。

 基于CAPM的残差波动率IVCAPM从股票总风险STD中剔除了由于市场因子波动带来的风险，即传统的市场风险。

3．基于Fama-French三因子模型的特质波动率IVFF

 SMB市值因子，表示小市值股票与大市值股票的收益率之差；HML估值因子，表示高账面市值比(BE/ME)股票与低账面市值比(BE/ME)股票的收益率之差。

基于Fama- French三因子模型的特质波动率IVFF在IVCAM的基础上剔除了由于市值因子和估值因子不确定带来的共有风险。

4．基于Carhart四因子模型的特质波动率IVCARHART

   UMD，表示前期高收益股票与低收益股票的当期收益率之差。

基于CARHART四因子模型的特质波动率IVCARHART，在IVFF的基础上提出了由于动量因子波动带来的公共风险。

2、特质波动率有效性检验

1．相关性检验

波动率因子在时间序列上的变动很大，而我们需要考察的是因子在横截面上的预测作用，为了剔除计算相关系数过程中因子时间序列波动的影响，我们在计算相关系数之前先在横截面上对因子进行了标准化处理。

（Fi,t、Fi',t为股票i在时刻t标准化前后的因子值，MFt为时刻t样本空间内所有股票的因子的均值，SFt为时刻t 样本空间内所有股票的因子的标准差）

标准化之后各期因子均有相同的均值和方程，剔除了因子时间序列上变化的影响。

为了进一步考察各个因子在每一期的具体表现，我们进一步计算了在各个月份的因子值与次月收益率的相关系数。（基于2005年1月至2015年8月的数据，我们计算了期间128个月每个月份各个因子与次月收益率的相关系。

IVFF在预测预期收益率的能力强于IVCAPM，IVCAPM强于STD，IVCARHART和IVFF的预测能力相当。

2．单调性检验

每个调仓时点根据因子从小到大的顺序将样本空间内的非停牌股分为10组，组内加权方法为等权重。

从超额收益绝对值来看，从STD到IVCAPM、到IVFF，top组合的年化超额收益率不断增加，bottom组合的年化超额收益率不断减少，IVFF的表现也优于IVCARHART.

从各组超额收益的单调性来看，基于Fama-French三因子模型的特质波动率IVFF优于STD、 IVCAPM，和 IVCARHART相差不大。

综合来看，基于Fama-French的特质波动率IVFF较其他不同测度下的特质波动率有效性更强，对预期收益率的预测能力更佳。

3．特质波动率IVFF历史分组表现

 2005年以来，IVFF等权top组合共有3年（2005年、2010年、2013年）跑输市场等权指数，而在2007年、2008年、2009年、2014年、2015年的超额收益较高，收益相当可观。可见特质波动率指标在大牛大熊年景相对表现优于盘整的年景。

 

3、特质波动率IVFF历史分组表现

异质信念与卖空限制

市场上的投资具有异质信念，对未来的预期分为乐观和悲观两种，乐观的投资者认为股价被低估，大量买入股票。但悲观的投资者由于卖空限制，不能做空，从而导致当前的股价仅反映了乐观者的预期，当前股价被高估，从而降低了预期收益。投资者分歧越大，预期收益率越低，伴随的成交量越大，换手率越高。所以，换手率与未来的收益率是一种负相关的关系。高换手率往往伴随较高的股价波动，从而导致较高的特质波动率，这样，特质波动率与未来的收益率就产生了负相关的关系。

反转效应

股票市场有短期的反转效应，股票的特质波动率与当期的月收益率很有强的正相关性。低特质波动率异味着低的收益率，由于反转效应的存在，下期预期收益率较高。

4、特质波动率IVFF所带来的超额收益

基于Fama-French三因子模型的特质波动率IVFF所带来的超额收益，能不能被其他常见的因子所解释？

IVFF有没有其他因子所不能解释的超额收益？

1.考察特质波动率因子和其他常见因子的相关性

 可见换手率和特质波动率都有很高的相关性，因子值的秩相关系数0．5905，因子收益收益率高达0．7113，在一定程度上验证了异质信念与卖空限制。

通过观察特质波动率和其他几个因子的值相关系数与因子收益率相关系数，我们可以判断低特质波动率选股倾向于大市值、低估值、前期表现差、低换手的股票。

 为了剔除因子F对组合收益率的影响，实现组合对因子F的中性，可以构建基于因子F的因子分层组合·

。每月底按因子F大小将样本空间内的股票进行排序，均匀的分为10层

。在每层股票中按特质波动率因子IVFF从小到大进行排序，取每层中的前1/ 10归为第1组、接下来1/10归为第2组，以此类推，共10组股票

。每组股票胺等权方法构建组合

因子F的分层组合中每组股票因子F的水平大致相当，剔除了因子F对各组收益的影响，各组股票的表现差异可以视为剔除因子F影响后特质波动率因子IVF F对超额收益的剩余贡献，通过比较分层前后各分组组合的业绩变化，可以大致判断因子F对特质波动率超额收益的贡献大小。

对IVFF的超额收益的进一步解释（表11）

经流通市值分层后，特质波动率IVFF的绝对超额收益和超额收益单调性均有较强的提升，流通市值指标对特质波动率IVFF选股有负的贡献。这也意味着，我们可以通过规模分层的方法增强低持质波动率选股的效果。

市净率和月收益率分层后低IVFF组合收益小幅减小，高IVFF组合小幅增强，市净率和月收益率对特质波动率之谜的解释效果有限。

控制换手率后低特质波动率股票收益率明显减小，但仍有较大的超额收益，高特质波动率股票收益明显增强，但仍大幅跑输基准，可见换手率对特质波动跬之谜有一定的解释作，但远不能完全解释该现象。

------------------------------------------------------------------------------------------------------

推荐阅读：

1.一个量化策略师的自白（好文强烈推荐）

2.股票期货经典的量化交易策略都在这里了！（源码）

3.期货/股票数据大全查询（历史/实时/Tick/财务等）

4.史上最全的Python定量金融三方库汇总

5.干货 | 量化选股策略模型大全

6.量化金融经典理论、重要模型、发展简史大全