第二章 低波动因子详解

好，咱们直接进入正题。低波动因子，这个名字听起来挺学术，其实说白了就是——买那些涨得慢、跌得也慢的股票。我刚开始接触这个因子时，也觉得它反直觉：凭什么涨得慢的股票反而能赚钱？但回测数据摆在那里，不服不行。

一、低波动因子的定义

低波动因子，衡量的是股票价格的“稳定程度”。我个人习惯用过去N个月的日收益率标准差来定义它。标准差越小，说明股价波动越平缓，因子值越低。

这里有个关键点：低波动因子不是指“股价不涨”，而是指“价格变动幅度小”。你想想看，一只股票每天涨跌都在1%以内，另一只动不动就涨停跌停，前者就是低波动。

我在项目中遇到过一个问题：有些股票长期横盘，波动确实低，但也不涨。这种股票要不要纳入？嗯，这里要注意，低波动因子需要配合其他因子使用，比如动量因子。光看波动率，容易买到“僵尸股”。

二、低波动因子的计算方法

计算方法其实不复杂，但细节决定成败。我给大家拆解一下标准流程：

1. 数据准备：获取股票过去N个交易日的收盘价（我一般用252个交易日，也就是一年）
2. 计算日收益率：r_t = (P_t - P_t-1) / P_t-1
3. 计算标准差：σ = sqrt( Σ(r_t - μ)² / (N-1) )
4. 因子标准化：将原始波动率进行Z-score标准化，或者直接排序分位数

下面是我常用的Python实现代码：

import numpy as np
import pandas as pd

def calc_low_vol_factor(price_df, window=252):
    """
    计算低波动因子
    price_df: DataFrame, 每列是一只股票的收盘价序列
    window: 回看窗口，默认252个交易日
    """
    # 计算日收益率
    returns = price_df.pct_change().dropna()
    
    # 计算滚动标准差（年化）
    vol = returns.rolling(window=window).std() * np.sqrt(252)
    
    # 取负号，低波动得高分
    factor = -vol
    
    # 横截面标准化
    factor = (factor - factor.mean()) / factor.std()
    
    return factor

这段代码我用了很多年，有个坑想提醒大家：一定要做横截面标准化。不同时间点的波动率水平不一样，牛市和熊市的波动率差异很大。不做标准化，因子值在不同时期不可比。

三、低波动因子的有效性检验

因子有没有用，不能光靠感觉。我一般用三个维度来检验：

1. IC值分析

IC（Information Coefficient）衡量因子值与未来收益的相关性。具体做法是：

• 每个月末计算所有股票的因子值
• 计算下个月股票的收益率
• 计算两者的Spearman秩相关系数

我个人的经验标准：IC均值大于0.03，IC标准差小于0.1，IR（IC均值/IC标准差）大于0.5，这个因子就算合格。

2. 分组回测

把股票按因子值分成10组（Decile），看第1组（最低波动）和第10组（最高波动）的收益差异。我见过最夸张的一次回测：低波动组年化收益18%，高波动组只有3%。

分组	年化收益	最大回撤	夏普比率
第1组（低波动）	18.2%	-12.5%	1.45
第5组（中等）	10.8%	-18.3%	0.89
第10组（高波动）	3.1%	-35.7%	0.21

你看这个表格，低波动组不仅收益高，回撤还小。这就是低波动异象——理论上高风险应该对应高收益，但现实中恰恰相反。

3. 稳定性检验

因子在不同市场环境下表现是否一致？我习惯分牛市、熊市、震荡市三个区间分别测试。低波动因子在熊市里表现尤其亮眼，因为大家都想找避风港。但在大牛市中，它可能会跑输——这很正常，没有完美的因子。

为什么会这样？我个人的理解是：机构投资者偏好大盘股，而大盘股本身波动就相对较低。但小盘股里的低波动股票，往往是被市场忽略的“隐形冠军”，反而有更大的超额收益空间。

最后说一句，低波动因子不是万能药。它最大的问题是“拥挤交易”——当太多人都知道这个因子有效时，它的超额收益会衰减。我现在的做法是：把低波动因子作为基础配置，再叠加一些另类因子（比如分析师预期调整、供应链数据等），做出差异化。

好了，这一章的内容就到这里。记住：因子研究不是一锤子买卖，需要持续跟踪、动态调整。你拿到的每一个回测结果，都要问自己一句——这个结果在实盘中还能复制吗？

---

公众号:蓝海资料掘金营，微信deep3321