3. 低波动因子构建：波动率的计算、排序与回测框架

各位同学，咱们今天聊点实在的。低波动策略的核心，说白了就是找到那些「涨得慢、跌得也慢」的股票。那怎么量化这个「慢」呢？答案就是——波动率。

我个人习惯把波动率比作股票的「心跳」。心跳太快，容易猝死；心跳太慢，可能是个僵尸。我们要找的，就是那种心跳平稳、长期健康的股票。

3.1 历史波动率：最朴素的度量

历史波动率，就是看过去一段时间股价的「上蹿下跳」程度。计算方式很简单：

1. 取对数收益率：ln(P_t / P_t-1)
2. 计算标准差：对收益率序列求标准差
3. 年化处理：乘以 sqrt(252)（一年约252个交易日）

嗯，这里要注意一点。我见过很多新手直接拿收盘价算波动率，结果被分红、送股搞得数据全是坑。一定要用复权价格，最好是后复权。

代码实现也很直接：

import numpy as np
import pandas as pd

def calc_historical_vol(price_series, window=20):
    """
    计算历史波动率
    :param price_series: 复权价格序列
    :param window: 滚动窗口，默认20天
    """
    log_ret = np.log(price_series / price_series.shift(1))
    hist_vol = log_ret.rolling(window).std() * np.sqrt(252)
    return hist_vol

你想想看，为什么用20天？其实没有标准答案。我在做A股回测时，20天刚好覆盖一个月的交易天数，能较好地捕捉短期波动特征。但如果你做的是高频策略，可能用5天更合适。

3.2 已实现波动率：更精细的度量

历史波动率有个问题——它只用了收盘价。但一天之内，股价可能上蹿下跳好几次。这时候就需要已实现波动率了。

已实现波动率，说白了就是把一天内的分钟收益率平方加起来。公式长这样：

其中 r_i 是第 i 分钟的收益率。

我曾经在实盘中吃过亏。用5分钟数据算RV，结果发现和用30分钟数据算出来的结果差异巨大。后来才意识到，采样频率越高，噪声越大。我个人建议：A股用5分钟或15分钟数据比较合适，既能捕捉日内波动，又不会引入太多微观结构噪声。

def calc_realized_vol(minute_returns, freq=5):
    """
    计算已实现波动率
    :param minute_returns: 分钟收益率序列
    :param freq: 采样频率（分钟）
    """
    # 重采样到指定频率
    resampled = minute_returns.resample(f'{freq}min').sum()
    rv = np.sqrt((resampled ** 2).sum()) * np.sqrt(252)
    return rv

3.3 波动率排序与分组

算完波动率，下一步就是排序和分组。这一步很关键，直接决定了你的因子是否有效。

我的做法是：

1. 每月末，计算每只股票过去20天的波动率
2. 按波动率从小到大排序，分成10组（Decile）
3. 做多最低波动组，做空最高波动组

你可能会问：为什么是10组？不是5组或20组？

嗯，这里有个经验之谈。分组太少，组内股票差异不够大；分组太多，每组股票太少，统计意义下降。10组是个折中方案，也是学术界常用的做法。

分组	波动率范围	预期表现
第1组（最低波动）	0% - 15%	低收益、低风险
第5组（中等波动）	15% - 30%	中等收益、中等风险
第10组（最高波动）	30%以上	高收益、高风险

3.4 低波动因子的回测框架搭建

好了，现在因子有了，分组也做好了。接下来就是搭建回测框架，验证这个因子到底能不能赚钱。

我习惯用事件驱动型回测框架。核心逻辑是这样的：

class LowVolBacktest:
    def __init__(self, data, rebalance_freq='M'):
        self.data = data  # 包含价格、波动率的数据
        self.rebalance_freq = rebalance_freq
        
    def run(self):
        # 1. 在每个调仓日计算波动率
        # 2. 按波动率排序分组
        # 3. 买入最低波动组，卖出最高波动组
        # 4. 计算组合收益
        # 5. 统计绩效指标
        pass

具体实现时，有几个关键点要注意：

• 避免前视偏差：计算波动率时只能用历史数据，不能用未来数据
• 考虑交易成本：低波动策略换手率不高，但也不能忽略
• 市值中性化：低波动股票往往是大盘股，要剔除市值影响

我曾经犯过一个低级错误——用当天的收盘价计算波动率，然后当天就买入。结果回测收益高得离谱，实盘却一塌糊涂。后来才发现，这是典型的前视偏差。

下面这张图，是我整理的低波动因子构建与回测的完整流程：

这张图把整个流程串起来了。从数据获取到绩效评估，每一步都有坑。但只要你按照这个框架来，至少能保证回测结果不会太离谱。

最后说一句：回测只是起点，不是终点。我见过太多人回测收益翻倍，实盘却亏得底裤都不剩。原因无他——回测框架太理想化。所以，在搭建框架时，尽量把现实因素考虑进去，比如交易成本、流动性限制、冲击成本等。