1. 低波动策略概述：什么是低波动策略？为什么低波动策略有效？策略的起源与发展。
各位同学，咱们今天聊聊低波动策略。
说实话，这个策略在量化圈里，属于那种“看起来平平无奇，用起来真香”的类型。我刚开始做量化那会儿，总觉得波动越大收益越高，天天追着高波动的股票跑。结果呢？回撤大得让人睡不着觉。后来我才发现，低波动策略才是那个“闷声发大财”的主儿。
1.1 什么是低波动策略？
低波动策略，说白了就是——买那些股价波动比较小的股票，然后长期持有。
你可能会问：“波动小的股票，涨得也慢吧？那收益能高到哪去？”
嗯，这个问题问得好。我当年也是这么想的。但实际数据告诉我，低波动股票不仅回撤小，长期收益反而比高波动股票要好。这就是所谓的“低波动异象”。
核心定义：低波动策略是一种基于因子投资的量化策略，通过选择历史波动率较低的资产构建投资组合，旨在获得风险调整后的超额收益。
具体来说，我们通常用以下几个指标来衡量“波动”：
- 历史波动率：过去N天（比如60天、120天）的日收益率标准差
- 贝塔系数：股票相对于大盘的波动敏感度
- 特异波动率：剔除市场因素后的个股自身波动
我个人习惯用60日历史波动率作为主要筛选指标。为什么？因为60天刚好是一个季度，既能捕捉到近期的波动特征，又不会因为太短而被噪音干扰。
1.2 为什么低波动策略有效？
这个问题，我当年研究了很久。其实背后有几个很硬核的逻辑：
1.2.1 行为金融学解释——彩票效应
你想想看，散户最喜欢买什么样的股票？
对了，就是那些“可能暴涨”的股票。高波动股票就像彩票，虽然中奖概率低，但一旦涨起来就是几倍。散户愿意为这种“彩票”支付溢价，结果把高波动股票的价格推高了，预期收益反而降低了。
反过来，低波动股票没人关注，价格被低估，反而有更高的预期收益。
1.2.2 机构投资者的约束
很多机构投资者（比如养老金、保险资金）有严格的杠杆限制和做空限制。他们不能随便加杠杆，也不能随便做空。
这就导致了一个现象：
- 高波动股票因为风险大，机构不敢重仓
- 低波动股票因为风险小，机构愿意持有
- 但机构为了追求收益，会去借入高波动股票做空，然后用借来的钱买低波动股票
这种“套利行为”进一步推高了低波动股票的收益。
1.2.3 波动率的均值回归
波动率这个东西，它是有周期性的。高波动之后往往跟着低波动，低波动之后往往跟着高波动。
但问题是，高波动股票在经历高波动期后，往往不会立刻回归到低波动状态。而低波动股票却能长期保持低波动状态。这就给了我们一个稳定的套利窗口。
避坑指南：我曾经犯过一个错误——只看短期波动率（比如5天、10天）来选股。结果选出来的股票很多是“假低波动”，比如刚停牌复牌的股票。后来我改成用60天和120天两个时间窗口取交集，效果好了很多。
1.3 策略的起源与发展
低波动策略不是凭空冒出来的。它的发展历程，我简单梳理一下：
| 时间 | 里程碑 | 代表人物/机构 |
|---|---|---|
| 1972年 | Black、Jensen和Scholes发现低贝塔股票有更高的风险调整后收益 | Fischer Black等 |
| 1975年 | Haugen和Heins正式提出“低波动异象” | Robert Haugen |
| 2006年 | Ang等人在《Journal of Finance》发表论文，系统论证低波动策略的有效性 | Andrew Ang等 |
| 2011年 | MSCI推出低波动指数，策略开始产品化 | MSCI |
| 2015年至今 | 低波动ETF规模爆发，成为主流因子策略之一 | 各大资管机构 |
我最早接触低波动策略是在2013年。那时候国内量化刚起步，大家都在研究动量因子、价值因子。我偶然读到一篇论文，讲的是“低波动异象”，当时觉得这个逻辑很反直觉，就试着在A股回测了一下。
结果让我很惊讶——在A股，低波动策略的效果甚至比美股还要好。原因很简单：A股散户占比高，彩票效应更明显，低波动股票被低估的程度更大。
1.4 低波动策略的知识体系
为了让大家更直观地理解低波动策略的全貌，我画了一张图：
这张图展示了低波动策略的三个核心支柱：理论基础、核心指标和实战应用。后面几章，我们会逐一深入讲解。
1.5 一个简单的代码示例
说了这么多，不如直接上代码。下面是一个最简单的低波动策略实现：
import pandas as pd
import numpy as np
# 假设我们有一个股票池的日收益率数据
# df_returns: DataFrame, 行=日期, 列=股票代码
def low_vol_strategy(df_returns, lookback=60, top_pct=0.2):
"""
低波动策略：选择过去lookback天波动率最低的20%股票
"""
# 计算历史波动率（年化）
vol = df_returns.tail(lookback).std() * np.sqrt(252)
# 选择波动率最低的20%股票
n_select = int(len(vol) * top_pct)
selected = vol.nsmallest(n_select).index.tolist()
return selected
# 使用示例
# selected_stocks = low_vol_strategy(df_returns, lookback=60, top_pct=0.2)
# print(f"选中的股票: {selected_stocks}")
注意：这个代码只是演示逻辑，实际使用中还需要考虑交易成本、流动性、行业中性化等问题。我刚开始做回测时，直接用这个代码跑，结果收益曲线很漂亮。但加上千分之一的交易成本后，收益直接腰斩。所以，交易成本是低波动策略的隐形杀手。
1.6 小结
好了，第一章的内容就到这里。我们讲了低波动策略的定义、为什么有效、以及它的发展历程。
记住三个核心点：
- 低波动策略不是“低收益”策略，而是“风险调整后收益高”的策略
- 行为金融学和机构约束是它有效的两大支柱
- 代码实现很简单，但实战中要注意交易成本和流动性
下一章，我们会深入讲解低波动策略的数学原理和因子构造方法。到时候，我会带大家手写一个完整的低波动因子计算函数。