波动率因子改进分析报告：指数加权移动平均波动率.pdf

金融工程|深度研究报告证券研究报告

2024/09/17

波动率因子改进之二——

指数加权移动平均波动率

P2

报告摘要

➢针对波动率的波动聚集性特点构建指数加权移动平均波动率因子，利用EWMA模型对区间内的收益率赋予不同的权重，

加大近期收益率对波动率的影响，较早期的收益率权重则指数级减少。

➢回测结果显示该计算方法对波动率因子的效果提升明显，优于以往的改进波动率因子，且在各种市场状态中均有不

错表现。指数加权移动平均波动率因子在全A中多头年化收益率23.33%，超额收益率15.66%，因子IC为7.8%，RANKIC

为11.02%，RANKICIR为4.05。

➢因子在其他样本空间中亦有较好表现，沪深300内因子多头超额收益率9.4%，中证500内因子多头超额收益率11.3%，

中证1000内因子多头超额收益率11.9%，国证2000内因子多头超额收益率15.7%。

守正出奇宁静致远

P3

目录

1、波动率因子改进概述

2、指数加权移动平均波动率

3、因子回测

4、不同样本空间中的因子表现

5、参数敏感性

6、不同市场状态中的因子表现

7、因子相关性

守正出奇宁静致远

pZnUtZ8WcZiYdVoPoPaQcM6MtRqQoMmQiNpPwPlOpNpN9PoPvNwMpPmMxNnPtM

P4

1、波动率因子改进概述

1.1概要

➢之前的报告《低波动因子解析及改进》中，我们提出了三种波动率因子的改进方

式，分别是分位数波动率因子RANKVOL，特质波动率因子RVOL和预测特质波动率因

子GARCHVOL，其中利用GARCH模型估计的波动率因子GRACHVOL表现最佳，在全A五分

组的多头年化收益率为21.4%。

➢GARCH模型的优势在于能够针对波动率具有波动聚集性的特点进行预测，考虑了时

序中近期数据的影响。针对波动率波动聚集性的特点，加大近期数据的影响权重，

可以提高波动率因子的有效性。

➢本篇报告以另外一种基于时序为近期数据赋予更高的权重的方式计算波动率因子，

即指数加权移动平均波动率，为近期的收益率赋予更高的权重，较早期的收益率权

重则指数级减少。这种方式计算出来的波动率因子回测效果要优于其他波动率因子

计算方式。

守正出奇宁静致远

P5

1、波动率因子改进概述

1.2波动率因子改进方式

图表：波动率因子的不同改进方式

因子代码描述

基础波动率VOL_3M过去60天日度收益率的标准差

过去60天，在每个交易日截面上，计算全部股票日收益率的排序分位数，再计算时

分位数波动率RANKVOL