🎯 今日核心问题

  1. 波动率会变,仓位该不该跟着变?跟着变的代价是什么?
  2. 波动率目标策略在崩盘里到底救了你还是害了你?
  3. 杠杆上限设多少,为什么这个参数比目标波动率本身更重要?

📖 精读提纲

【一】风险不是常数,仓位也不该是

昨天三种配置算出来的权重是固定的,隐含一个假设:波动率不变。但真实市场里,A股上证指数年化波动率在 12% 到 60% 之间来回跳:2017 年低波慢牛时全市场年化波动约 12%,2015 年 6 月股灾期间一度超过 70%。同样 100% 仓位,在不同时间的风险暴露差 5 倍以上。

波动率目标(volatility targeting)的思路极其朴素:把仓位设成「目标波动 ÷ 当前波动」,让组合的实际风险保持恒定。当前波动 15% 时满仓,当前波动 45% 时只留三分之一仓位。公式一行:w = σ_target / σ_realized。

【二】为什么它有效:波动聚集与杠杆效应

波动率不是白噪声,它有极强的自相关性——今天波动大,明天大概率还大。这个现象叫波动聚集(volatility clustering),是 GARCH 模型存在的全部理由。正因为波动可预测(而收益不可预测),「预测波动 → 调仓位」是量化里少数真正站得住的 alpha 来源之一。

另一层是杠杆效应:股价下跌 → 财务杠杆上升 → 波动进一步放大,所以高波动常伴随负收益,砍掉高波动期仓位等于砍掉最差的收益。代码的分状态统计印证了这一点:高波状态下原始策略年化 -12.5%、年化波动 53.7%,而波动率目标把这段的波动压到 20.8%、年化只亏 3.4%。

【三】实操三个关键细节

细节一:必须滞后一天。用 T 日的已实现波动决定 T 日的仓位,等于用了当天收盘价做当天决策——这是前视偏差。代码里必须 shift(1),用 T-1 收盘前能算出的波动率。

细节二:波动估计窗口。20 日太敏感(一天暴涨就把仓位砍半,然后错过反弹),60 日太钝(崩盘来了还没反应过来)。常用做法是 20 日与 60 日各半,或者用 EWMA(lambda=0.94,RiskMetrics 标准)——它对最近数据加权更高,反应快但不会像简单窗口那样「一天突变」。

细节三:杠杆上限比目标值更重要。低波动期算出的 σ_target/σ 可能等于 3,如果你真按 3 倍杠杆做,那么下一次波动回归均值时你会被打爆。实盘一律设上限(无杠杆账户就是 1.0,最多 1.2),并且当仓位超过上限时记下来——被截断的比例就是这套策略「名义目标 vs 实际达成」的缺口。

【四】它救不了你的时候

波动率目标最大的软肋是跳空。它是滞后指标:2015 年 6 月 12 日见顶,6 月 15 日开始连续跌停,波动率是在跌了几天之后才升起来的,等你降仓位,前 15% 已经跌完了。它能做的是不让后面的 50% 继续伤你,不是精准逃顶。把它当安全带,不是刹车。

另一个副作用是牛市里跑输:低波动期仓位被上限截断在 100%,高波动上涨期仓位被压到 50%,长期看年化收益通常低于满仓持有,换来的是回撤大幅收窄。代码实测:年化从 8.18% 降到 6.74%,但最大回撤从 -38.95% 收窄到 -30.93%,夏普从 0.36 升到 0.41。这是一笔「用收益换生存」的交易,不是免费的午餐。

【五】常见误区

💻 代码示例

import numpy as np
import pandas as pd

np.random.seed(7)
N = 1500          # 约 6 年日频
# 模拟「波动率聚集」:用两状态切换,而不是常数波动
state = np.zeros(N, dtype=int)
for t in range(1, N):
    if state[t-1] == 0:
        state[t] = 1 if np.random.rand() < 0.004 else 0    # 低波 → 危机(罕见)
    else:
        state[t] = 0 if np.random.rand() < 0.02 else 1     # 危机 → 低波
base_vol = np.where(state == 0, 0.18, 0.52)                # 年化 18% vs 52%
ret = pd.Series(0.0006 + base_vol / np.sqrt(252) * np.random.randn(N),
                index=pd.bdate_range("2019-01-01", periods=N))

# ── 波动率目标:目标年化 15%,用过去 20 日已实现波动估计 ─────
TARGET, LOOKBACK = 0.15, 20
realized = ret.rolling(LOOKBACK).std() * np.sqrt(252)
lev = (TARGET / realized).clip(upper=1.5)
lev = lev.shift(1).fillna(1.0)      # 关键:用 T-1 的估计决定 T 的仓位

bt = pd.DataFrame({"ret": ret, "lev": lev})
bt["ret_lev"] = bt.ret * bt.lev

def perf(r, name):
    r = r.dropna()
    ann = (1 + r).prod() ** (252 / len(r)) - 1
    vol = r.std() * np.sqrt(252)
    nav = (1 + r).cumprod()
    dd = (nav / nav.cummax() - 1).min()
    print(f"{name:<10}年化 {ann:>7.2%}  波动 {vol:>7.2%}  "
          f"夏普 {ann/vol:>5.2f}  最大回撤 {dd:>7.2%}")

perf(bt.ret, "原始策略")
perf(bt.ret_lev, "波动率目标")

print("\n分状态统计(年化)")
bt["state"] = state
g = bt.groupby("state")
summary = pd.DataFrame({
    "原始_波动": g["ret"].std() * np.sqrt(252),
    "原始_年化": (1 + g["ret"].mean()) ** 252 - 1,
    "目标_波动": g["ret_lev"].std() * np.sqrt(252),
    "目标_年化": (1 + g["ret_lev"].mean()) ** 252 - 1,
}).round(4)
summary.index = ["低波状态", "高波状态"]
print(summary)

print("\n仓位区间:", f"{bt.lev.min():.2f} ~ {bt.lev.max():.2f}",
      " 平均仓位:", f"{bt.lev.mean():.1%}")

# ── 如果不滞后一天(偷看当日波动),回测会失真 ───────────────
lev_cheat = (TARGET / realized).clip(upper=1.5).fillna(1.0)
print("当日估计(作弊)年化:", f"{(1 + ret*lev_cheat).prod() ** (252/N) - 1:.2%}")

✏️ 今日动手

1) 用你组合的真实日收益,算 20 日滚动波动率序列,画出来,找出历史上波动率最高的 3 个时段——大概率就是 2015 年 6-7 月、2018 年 10 月、2020 年 3 月。

2) 跑一遍对比:满仓持有 vs 目标波动 15%。记录年化、最大回撤、平均仓位三个数字。如果最大回撤收窄不到 20%,说明你的组合本身波动就不高,这套方法没意义。

3) 把 shift(1) 删掉再跑一次,看年化虚高多少。这个差值就是你「未来函数」的价钱,记住它——以后看到异常漂亮的回测,先检查这个。

🔖 明日预告

今天所有计算都建立在「组合波动率 = 权重 × 单票波动」的隐含假设上。但真正决定组合波动的是相关系数——而相关系数在崩盘时会集体飙高,分散化在最需要它的时候失效。明天讲相关性矩阵,以及 A股 2015 年那个教科书级的分散化陷阱。