低波效应及波动率因子基本表现 [page::3][page::4]

• 低波效应源于个股相对市场异常波动的均值回归，A股市场个人投资者非理性导致价格异动显著。

- 基础波动率因子（过去21天收益率标准差）空头组区分能力明显，多空收益稳定但无超额收益。

• 特异波动率因子基于Fama三因子模型残差标准差，表现优于基础波动率，获得稳定超额及多空收益。

特异波动率因子与特异率因子关系及改进 [page::6][page::8]

• 特异波动率=√(特异率×基础波动率)，结合价格绝对和相对变动信息，综合提升选股能力。

- 引入流动性和反转因子扩展Fama三因子，构建新特异率及新特异波动率因子，改善多头组表现。

• Fama-Macbeth回归显示特异波动率因子融入风格因子体系效果显著，动量因子贡献不显著。

高频波动率因子构建与表现 [page::12]

• 利用5分钟和30分钟线收益率标准差构建高频波动率因子，与新特异率开方相乘。

- 高频波动率因子选股区分能力较新特异波动率有所提升，多空收益接近29.27%。

非线性波动率因子改进与效果显著 [page::13][page::14]

• 非线性函数对归一化基础波动率乘数部分做变换，高波动区分加强，低波动区分减弱，提升了多头组的线性排序。

- 非线性波动率因子多空收益最高达31.25%，信息比2.46，表现显著优于其他波动率因子。

资产定价与低波效应的区别与兼容性 [page::16][page::17][page::18]

| 真实波动率分组收益率 | 特异率 | 基础波动率 | 特异波动率 | 高频波动率 | 非线性波动率 |
|----------------------|--------|------------|------------|------------|--------------|
| 第1组（最高波动率） | 84.72% | 172.47% | 176.25% | 184.45% | 152.73% |

• 同期真实波动率表现与资产定价模型一致，波动越大收益越高。

- 低波效应为滞后风险，因个股风险不具持续性，剥离风格因子后去头尾波动率排序为正向。

• 纯波动率类因子IC和IC_IR结果显示剥离风格影响后表现更为稳定且预测能力提升。

高频数据频率选择与因子表现关系 [page::20][page::21][page::28]

• 高频数据噪音越大频率越高，二阶矩（波动率）计算受局部误差影响大，适宜频率约为30分钟线。

- 特异率因子对高频数据敏感，超过10分钟频率后开始失效；高频反转因子因其一阶动量特性，5分钟频率仍有效。

• 分析表明，数据频率选择需平衡噪音与信息价值，提升因子稳定性和预测能力。

量价因子中的非线性变换与结构化反转因子构建 [page::22][page::23][page::29]

• 采用对成交量权重的非线性变换构建结构化反转因子，平滑动量与反转权重，避免断点和极端权重放大。

- 结构化反转因子提升了因子选股能力，超额收益和信息比均优于传统反转因子。

金融研究报告详尽分析

---

一、元数据与概览

报告标题： 《高频因子 （六）：特异视角下的波动率因子》
作者及发布机构： 郑起，长江证券研究所
发布日期： 2019年10月13日
研究主题： 本报告聚焦于A股市场的波动率类因子研究，特别是基于高频数据从特异视角改进波动率因子的构建与应用，旨在揭示个股波动率与超额收益之间的关系以及如何通过数学和量价信息改进波动率选股模型。

核心论点总结：

• 特异波动率因子更符合低波效应的理论逻辑，通过综合个股波动与个股“特异性”（即相对市场收益的异常表现）信息，展现出较强的选股能力。

- 对传统波动率因子的改进主要包括引入流动性与反转因子作为解释变量构建新特异波动率，基于高频数据细化波动率量度，以及采用非线性变换提升因子选股线性和稳定性。

• 低波效应与传统资产定价模型并不矛盾，后者注重的是“同期”风险的计算，而低波效应揭示的是“滞后一期”风险的均值回归特性。

- 高频因子在不同频率段表现不同，报告指出30分钟级别波动率因子表现最佳。

• 非线性因子变换可以有效解决原始波动率因子分组线性差、多头端区分能力弱等问题，使得因子回测表现显著提升。

---

二、逐节深度解读

1. 波动率启示与基础波动率因子（第3-4页）

关键论点与信息：

• 低波效应源于投资者非理性行为导致股票价格异常波动，随后价格会向合理区间回归，因此过去波动较大的股票未来风险价格表现较低。

- 基础波动率因子以过去21天收益率波动率为衡量，回测显示空头组区分能力强（高波动率组往往收益较低），但多头组无明显区分能力，整体无显著超额收益。

• 分年度收益显示该因子表现存在年份波动，部分年份表现较差。

推理与数据解释：

• 价格异动被认为是非理性交易的体现，波动率构建因子以捕捉这种异动。

- 图1与图2绘制全A股及中证800不同波动率组的净值曲线，分别显示低波动组整体收益优异，基础波动率因子的多空收益表现较为波动但无持续超额收益。

• 表1及表2详细展示不同分组的年化收益，基础波动率因子多表现为高波动组收益最低，符合低波效应。

---

2. 特异波动率因子（第4-6页）

关键论点与信息：

• 特异波动率因子改进基础波动率因子，利用fama三因子模型回归残差收益的波动率来衡量个股相对市场的异常波动，反映了个股“特异性”波动。

- 回测显示特异波动率因子在多头和空头组均有较好的分组区分能力，且多空比价更稳健，带来正向超额收益（全A股2.22%），夏普比率提升。

推理与数据解释：

• 以对市场、规模、价值的剔除来剥离市场风险，使因子更贴近“真正”的个股异动。

- 图3/4显示分组净值走势，明显头尾分组分离Good，多空收益提升。

• 表4/5反映各分组年化收益，验证因子的排序具一定线性，空头组表现尤为突出。

- 表6回报与风险指标显示总体表现稳定优于基础波动率因子。

---

3. 基础波动率与特异波动率的关系及数学形式（第7-8页）

关键论点与信息：

• 两者实质关联密切，数学上特异波动率是“特异率”和“基础波动率”的非线性乘积，即特异波动率 = √（特异率 × 基础波动率）。

- 这种组合既继承了波动率因子对空头组较好区分能力，也兼顾了特异率因子对多头组的分辨力。

推理与数据解释：

• 基于fama三因子模型残差平方和的定义，解释了三个因子的建设逻辑和数学联系，展现了特异波动率内涵的双维信息。

- 表10的Fama-Macbeth回归进一步验证特异波动率因子在解释个股收益中显著优于基础波动率，且动量因子在两个空间中贡献欠佳，建议剔除。

• 小结强调因子逻辑的合理性和表现优越性。

---

4. 波动率改进（第9-11页）

关键论点与信息：

• 波动率因子的进一步细化在于更精准描述个股波动及其与特异性的共振，通过扩展fama模型引入流动性和反转因子，构建新特异率及新特异波动率因子。

- 新特异波动率因子回测显示超额收益和多空收益均有所提升，特别是在中证800中表现较好。

• 表11显示波动率因子与流动性和反转因子相关性高，支持模型扩展。

- 表13展示风险指标对比，表14揭示相关性结构，说明个股波动和特异信息正相关，增强因子表现。

推理与数据解释：

• 通过数学上的阶梯改进和流动性、反转因子的融入，令因子解构更完整。

- 数据分析和相关性矩阵显示个股波动和交易异常有共振机制，特异波动率因子杠杆放大了异常价格变动信息。

---

5. 高频波动率因子（第12页）

关键论点与信息：

• 高频数据（5分钟、30分钟线）对波动率测度更精细，基于高频波动率计算的新因子（高频波动率因子）表现进一步优于新特异波动率因子。

- 回测数据显示净值曲线表现更优，尤其是头部组排序提升，空头组稳定性略有改善但仍存在波动。

推理与数据解释：

• 图9和10展示因子净值曲线，较锚点更加线性且多空收益更高。

- 高频数据提升了波动率因子的有效性，但仍存在一定波动风险。

---

6. 非线性波动率改进（第13-14页）

关键论点与信息：

• 针对波动率因子多头端区分较弱的问题，采用非线性变换（指数函数）对归一化基础波动率进行调整，保留空头端区分力，淡化头部组影响，增强整体分组线性。

- 经此处理的非线性波动率因子在全市场及中证800均表现出明显收益与分组排序的线性提升，头尾收益差距拉大，回撤降低。

• 图11展示了非线性变换对归一化波动率的曲线形态，14和15页图12/13展示非线性波动率因子净值的稳健表现。

推理与数据解释：

• 利用函数斜率变动特性区分高、低波动区域，合理置权，解决尾部极端值对因子的干扰。

- 表16风险指标显示新因子夏普比、超额收益均显著提升，反映风险调整后的收益更优。

---

7. 波动率思考与剥离特异率及风格影响（第15-19页）

关键论点与信息：

• 高频波动率类因子间相关性高，且非线性波动率相较基础波动率因子相关性下降，反映非线性转化提供了差异化信息。

- 与风格因子的相关性分析表明改进因子与特异率因子相关性增强，反流动性影响减少，有助于进一步剥离风格因素影响。

• 剥离特异率影响后的纯波动率因子展现波动率与收益呈正相关的趋势，与资产定价理论一致。

- 表22至26展示了去头尾中性波动率因子IC及分组收益，验证了纯波动率因子在多头端对未来收益的预测力。

推理与数据解释：

• 因子间高度相关促使采用剔除方法净化因子，剥除共通部分更清晰刻画独有信息。

- 统计指标及转移矩阵表明纯因子存在一定的组内持续性及较好的信息增量。

---

8. 高频数据频率与因子表现（第20-21页）

关键论点与信息：

• 高频数据频率对因子表现影响显著，30分钟频率波动率因子整体表现最好，高频率虽更精细但噪声加大，低频数据局部偏移影响更明显。

- 高频反转因子表现持续提升，特异率因子在超过10分钟频率后开始失效，因其依赖于标的与市场价格匹配，对高频的时间同步要求较高。

• 这反映出不同因子性质对高频数据的敏感度不同，二阶矩计算对频率敏感，一级矩计算更稳定。

推理与数据解释：

• 通过方差分解解释局部噪音对波动率估计的影响。

- 表28数据展示特异率类因子不同频率的表现差异，说明个股和市场时间匹配是关键瓶颈。

---

9. 因子中的非线性存在（第22-23页）

关键论点与信息：

• 非线性权重变换在其它因子构建中具有广泛应用，如结构化反转因子通过成交量权重非线性变换提升表现。

- 报告通过对比传统反转因子的权重和改进后的log变换权重，提出更连续合理的权重调节方案，以避免权重“断层”及极小成交量权重过大的不合理现象。

• 通过赋予不同区间非线性权重，使得量价因子对交易行为的反映更精准。

推理与数据解释：

• 图14与图15显示了传统结构化反转因子与改进版因子权重随成交量变化的差异。

- 表29展示了结构化反转因子在A股及中证800的风险回测指标，证实非线性权重变换策略的有效性。

---

10. 总结（第24页）

综合评述：

• 特异波动率因子符合低波效应理论基础，较基础波动率因子表现优异，尤其在捕捉相对价格异常方面。

- 新特异波动率因子结合流动性和反转因子信息，在全A股及中证800市场显著提升了收益质量和稳定性。

• 高频及非线性波动率改进进一步提升选股效率及因子收益表现。

- 低波效应与资产定价理论并不矛盾，关键在于风险测量的时滞性与持续性问题。

• 高频数据的应用需结合具体因子特性调整数据频率，二阶矩类因子最优频率为30分钟级，高频反转因子可用5分钟级数据。

---

三、图表深度解读

图1&2 — 基础波动率因子回测净值（全A股&中证800）

• 描述：展示基础波动率因子不同组别（第1组至第10组，从低到高波动率）的净值变化及多空比价趋势。

- 解读：低波动组（如第10组）整体表现较好，空头组收益较低并集中下行，反映高波动率股票存在回调压力。多空比价波动显著，表明基础因子稳定性和分离度不足。

• 关系文本：支持低波效应核心观点，说明波动率作为选股因子有一定的有效性，但基础版本分组线性弱。

---

图3&4 — 特异波动率因子回测净值

• 描述：特异波动率因子分组净值及多空线走势，区别于传统波动率，移除了市场、规模、价值风险影响。

- 解读：多头及空头组均有明显区分，头尾多空净值差异显著，多空比价线较均匀平滑，显示该因子具有更好的稳定性和有效的多空收益。

• 支持文本：报导中强调特异波动率因子多空收益均显著提升，因子解释力增强。

---

表1-9 — 不同波动率及特异率分组年化收益与风险指标

• 描述：展示各因子分组的年度收益率、超额收益、多空收益，及风险调整指标如夏普比、信息比。

- 解读：基础波动率分组收益和超额收益波动大，无持续超额；特异波动率及特异率因子表现较佳，特别在多空收益和信息比指标上具优势，确认基于特异视角的构建方法优于基础波动率因子。

---

表10 — Fama-Macbeth回归

• 描述：两组因子空间（基础波动率和特异波动率）下各风格因子的年化收益、标准差、t值统计结果。

- 解读：特异波动率因子t值显著，说明其有较强统计显著性，能更好解释收益；动量因子t值均不显著，体现动量可能不适合作为空间因子。

---

图7&8 — 新特异波动率因子回测净值

• 描述：在加入流动性和反转因子后的特异波动率回测表现，净值走势更加线性。

- 解读：相对原始特异波动率，头部分组更加整齐优异，风险收益指标提升，验证数据库中因子构建的有效改进。

---

图9&10 — 高频波动率因子回测净值

• 描述：基于30分钟波动率及新特异率构造的高频波动率因子的回测。

- 解读：净值走高且多空分组明显，显示高频数据对于捕捉价格变动异常的提升，尽管仍存在年份波动。

---

图11 — 波动率非线性变换函数

• 描述：基础波动率归一化值经过指数函数转化，斜率在临界点0.54发生变化。

- 解读：该非线性映射轻微强化高波动区域的区分度，削弱低波动区间。提升因子对不同波动区间的适应性和平衡性。

---

图12&13 — 非线性波动率因子回测净值

• 描述：非线性波动率因子在全市场和中证800细分组的表现。

- 解读：曲线更加线性平滑，表现稳定性有提升，极端年份的回撤减少，卓有成效增强高波动区间因子表现。

---

其他关键表格：

• 表17-19：因子间及因子与风格因子相关性分析，剖析因子联动与独立信息含量。

- 表20-26：真实波动率与纯波动率类因子分组收益和稳定性的深化分析，验证滞后和同期波动率的不同表现。

• 表27-29：波动率及特异率类因子的频率敏感分析，并展示非线性反转因子的风险收益提升。

---

四、估值分析

本报告主要集中于因子构建和选股效果分析，并未涉及公司估值模型或具体目标价的讨论。因子表现的测算均以回测超额收益、信息比、夏普比为核心指标，无DCF、市盈率等传统估值工具的应用描述。

---

五、风险因素评估

报告通过多年的分年回测数据，隐含识别风险点：

• 模型稳定性风险：部分年份因子表现波动较大（如2013、2017年），回撤较明显，表明模型对市场极端状态敏感。

- 数据噪声风险：高频数据中的噪声和局部偏差在二阶矩计算时影响较大，可能导致波动率估计失真。

• 匹配误差风险：特异率因子依赖收益与市场的时间匹配，频率过高则匹配误差加大，影响因子有效性。

- 非线性因子构建风险：尽管非线性改进有效，但过强非线性变换存在过拟合或解释性下降风险。
报告通过多频率数据及非线性处理策略，采取分阶段细化和剥离风格影响，试图缓解上述风险。但无明确缓解发生概率评估或对冲策略披露。

---

六、批判性视角与细微差别

• 报告假设低波效应逻辑在A股市场有效，未深入讨论该现象在其他市场的适用性及异同。

- 高频数据虽然被重视，但对其噪声结构及局部误差成因解释较简略，且对构造因子的稳健性测试（如各种宏观波动环境依赖）未充分展开。

• 报告强调非线性改进的成功，但可能掩盖实际实施中非线性调整参数选取的主观性，可能带有一定过拟合风险。

- 逻辑上表明特异波动率因子与风格因子存增量，但未详细解读因子间潜在的多重共线性和多因子组合中的实际贡献。

• 对于风险控制与交易成本等现实约束讨论不足。

---

七、结论性综合

本报告围绕A股市场的波动率因子，特别是特异波动率的构建与优化，展开了系统而深入的研究。通过理论剖析和大量历史回测数据，作者确认以fama三因子模型修正的特异波动率因子比传统基础波动率因子更符合低波效应的均值回归逻辑，能更有效捕捉个股价格相对市场的异常波动。

进一步加入流动性与反转因子形成新特异波动率因子，并利用高频数据（特别是30分钟频率）细化波动率估算，使因子表现超额收益和多空收益均得提升。通过非线性变换加强高波动个股的异常表现差异，使得低头尾组收益差距明显，头部组表现更加稳定且分组线性更好。

报告还指出低波效应的滞后风险性质与同期风险的资产定价模型风险测量并不矛盾，深化了对选股因子构造逻辑的理解。不同因子对高频数据敏感度不同，波动率因子受制于二阶矩计算的噪声影响，特异率因子受时间匹配精度制约，而高频反转因子在五分钟频率下仍表现优异，充分体现了高频因子设计中频率选择的复杂性。

整体来看，报告提供了完整且逻辑严密的波动率类因子改进路径与实证支持，可为实际选股与量化策略构建提供重要参考。

---

主要图表示范

---

参考文献标注（部分）

• 报告要点及基础波动率因子内容：[page::0,3,4]

- 特异波动率和特异率因子构建与表现：[page::4,5,6,7,8]

• 新特异波动率因子及高频波动率因子改进：[page::9,10,11,12]

- 非线性波动率的理论及实证：[page::13,14,15]

• 与资产定价模型的关系与纯波动率因子分析：[page::16,17,18]

- 高频数据频率影响及因子稳定性分析：[page::19,20,21]

• 非线性因子权重调整思路与结构化反转因子引入：[page::22,23]

- 报告总结及投资评级说明：[page::24,25]

---

本分析严格依据原报告内容，全面解读每一重点，详尽阐释报告论据、方法和数据，具有专业性、系统性，适于量化投资研究及金融工程应用参考。

报告