波动率缩放(Volatility Scaling,简称 Vol-Scale)是量化交易中最基础也最有效的风险管理技术之一。其核心思想极其简单——高波动时减小仓位,低波动时增大仓位——但这一看似简单的调整,却能从根本上改变一个策略的风险收益特征。
从风险平价(Risk Parity)基金的千亿级资产配置,到散户的个股对冲,Vol-Scale 无处不在。Bridgewater 的全天候策略(All Weather Strategy)本质上是跨资产类别的波动率缩放,而 AQR 等量化巨头的趋势跟踪策略也严重依赖 Vol-Scale 来控制风险暴露。
本文将系统阐述 Vol-Scale 的数学原理、实施细节、实证效果及常见陷阱,并给出完整的 Python 实现。
不同资产的波动率差异巨大:
| 资产类别 | 典型年化波动率 | 单日最大跌幅(95分位) |
|---|---|---|
| 美国国债(10Y) | 3-5% | |
| 标普 500 指数 | 15-20% | |
| 科技个股(如 Apple) | 25-35% | |
| 新兴市场股票 | 25-40% | |
| 比特币 | 60-90% | |
| 迷因股(如 Gamestop) | 100-150% |
如果不做任何缩放,用等金额各投资 1 万元:
比特币的风险贡献是国债的 20+ 倍。组合的波动几乎完全由高波动资产决定,低波动资产形同虚设。
定义一个资产对组合的风险贡献:
对于等权组合 ,若资产间相关性为 0:
当 是 的 20 倍时,比特币的风险贡献是国债的 400 倍。这就是 Vol-Scale 要解决的问题——让风险贡献均匀化。
Vol-Scale 的核心公式简单直接:
其中:
如果要求权重之和为 1(归一化):
在实际操作中,还需要考虑总风险预算。假设总风险预算为 :
其中 是资产 的"风险预算权重"(如 25% 给股票、25% 给国债), 为相关系数。
在实际固收投资中,名义波动率会随利率水平变化。例如 2022 年国债波动率飙升不是因为市场更"危险",而是因为利率水平整体上升。可以引入相对波动率:
其中 是同类资产的长期历史波动率基准。
波动率估计的精度直接影响 Vol-Scale 的效果。以下是不同方法的对比:
| 方法 | 公式 | 滞后性 | 灵敏度 | 计算成本 | 适用场景 |
|---|---|---|---|---|---|
| 简单移动平均 (SMA) | 高 | 低 | 极低 | 长期组合 | |
| 指数加权 (EWMA) | 中 | 中 | 低 | 日频策略 | |
| GARCH(1,1) | 低 | 高 | 中 | 高频策略 | |
| 已实现波动率 (RV) | 极低 | 极高 | 高 | 日内高频 | |
| Parkinson 估计 | 中 | 中 | 低 | 仅有 OHLC 数据 |
EWMA 的 参数是唯一可调的超参数,影响巨大:
| 半衰期 | 特点 | 建议使用场景 | |
|---|---|---|---|
| 0.94 | 约 11 天 | RiskMetrics 标准值,对市场变化敏感 | 中高频策略 |
| 0.97 | 约 23 天 | 中等衰减,平衡敏感度和稳定性 | 中低频策略 |
| 0.99 | 约 69 天 | 平滑过度,相当于约 100 天 SMA | 长期配置 |
实战经验:定量研究表明, 在大多数市场中表现最优(参见 Lopez de Prado, Advances in Financial Machine Learning)。这个值在敏感度和稳定性之间取得了良好平衡。
import numpy as np
def ewma_volatility(returns: np.ndarray, lambda_: float = 0.97) -> np.ndarray:
"""计算指数加权移动平均波动率
Args:
returns: 收益率序列 (T,)
lambda_: 衰减因子,默认 0.97
Returns:
vol: 波动率序列 (T,)
"""
T = len(returns)
vol = np.zeros(T)
vol[0] = returns[0] ** 2 # 初始化
for t in range(1, T):
vol[t] = lambda_ * vol[t-1] + (1 - lambda_) * returns[t] ** 2
return np.sqrt(vol)
def vol_scale(returns: np.ndarray, target_vol: float = 0.15,
lambda_: float = 0.97, max_leverage: float = 3.0) -> np.ndarray:
"""应用 Vol-Scale
Args:
returns: 收益率序列 (T,)
target_vol: 目标年化波动率
lambda_: EWMA 衰减因子
max_leverage: 最大杠杆限制
Returns:
positions: 仓位比例序列 (T,)
"""
daily_target = target_vol / np.sqrt(252)
est_vol = ewma_volatility(returns, lambda_)
positions = np.minimum(daily_target / est_vol, max_leverage)
positions[0] = 0 # 第一个点无历史
return positions
# 使用示例
np.random.seed(42)
simulated_returns = np.random.randn(1000) * 0.02 # 2% 日波动
scaled_positions = vol_scale(simulated_returns, target_vol=0.15)
print(f"平均仓位: {scaled_positions.mean():.2f}x")
print(f"仓位范围: [{scaled_positions.min():.2f}x, {scaled_positions.max():.2f}x]")
但需注意这一关系的前提假设:收益率独立同分布。如果日收益率存在自相关(如高频数据),实际年化波动率需要根据序列相关进行调整:
其中 是滞后 的自相关系数。
假设构建一个多空组合——做多 Apple、做空 Tesla。两者 2020-2023 年数据:
| 指标 | Apple (AAPL) | Tesla (TSLA) |
|---|---|---|
| 年化波动率 (2022) | 34% | 71% |
| 年化波动率 (2023) | 23% | 51% |
| 平均相关性 (vs 标普) | 0.72 | 0.55 |
| 贝塔值 | 1.21 | 1.48 |
如果不做 Vol-Scale,等金额多空 Apple + Tesla:
Tesla 的波动贡献占比:——组合风险几乎完全由 Tesla 决定。
应用 Vol-Scale(目标波动率 15%):
| 资产 | 原始仓位 | 波动率 | Vol-Scaled 仓位 | 风险贡献 |
|---|---|---|---|---|
| Apple | 1.0x | 34% | 0.44x | 50% |
| Tesla | -1.0x | 71% | -0.21x | 50% |
Vol-Scaled 后,两者的风险贡献相等。
趋势跟踪策略(如 CTA 基金)天然具有波动率聚集特性——市场暴涨暴跌时趋势信号最强,仓位最大,导致策略波动率急剧上升。
| 市场状态 | 原始信号仓位 | 波动率 | Vol-Scale 系数 | 实际仓位 |
|---|---|---|---|---|
| 平静期 | 2.0x | 8% | 1.0x | 2.0x |
| 温和波动 | 3.0x | 15% | 0.53x | 1.6x |
| 剧烈波动 | 5.0x | 40% | 0.20x | 1.0x |
Vol-Scale 后,策略在剧烈波动期间自动降低暴露,避免了"趋势跟踪的末日"——2020 年 3 月 COVID 危机中,许多未使用 Vol-Scale 的趋势跟踪基金单周回撤超过 30%。
风险平价(Risk Parity)是 Vol-Scale 在多资产组合层面的应用。一个经典 60/40 组合(60% 股票, 40% 债券)的风险分布极不均衡:
| 资产 | 权重 | 波动率 | 风险贡献占比 |
|---|---|---|---|
| 标普 500 | 60% | 18% | 96% |
| 国债 | 40% | 5% | 4% |
风险平价组合通过 Vol-Scale 重新分配:
| 资产 | 风险预算 | 波动率 | 隐含权重 | 名义权重 |
|---|---|---|---|---|
| 标普 500 | 50% | 18% | 0.50/0.18 = 2.78 | 15% |
| 国债 | 50% | 5% | 0.50/0.05 = 10.0 | 54% |
| 杠杆 | — | — | — | 1.86x |
最终组合:15% 股票,54% 国债,86% 现金/杠杆。相比 60/40,股票敞口大幅降低,但整体的风险贡献均衡。
根据 Bridgewater 的研究,风险平价组合在 1996-2020 年间取得了与 60/40 相当的收益率(年化约 8-9%),但最大回撤从 30% 降低到 15%——夏普比率几乎翻倍。
| 数据频率 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 日频 | 数据易得,计算稳定 | 滞后 1 天 | 中低频策略(持有期 > 1 天) |
| 5 分钟 | 响应迅速 | 微观结构噪声 | 日内高频策略 |
| 周频 | 长期趋势捕捉 | 响应极慢 | 风险平价配置 |
| 已实现 | 精确度高 | 需要完整 tick 数据 | 专业量化基金 |
原则:估计频率应为策略交易频率的 5-10 倍。如果每日交易,使用日频估计;如果每月调整,使用周频。
Vol-Scale 需要定期调整——但调整是有成本的:
其中 是单边交易成本比例, 是仓位变化, 是名义本金。
经验法则:
| 策略类型 | 建议调整频率 | 说明 |
|---|---|---|
| 日频策略 | 每日 | 仓位变化通常不大,交易成本可控 |
| 周频策略 | 每周 | 平衡响应速度与成本 |
| 月频策略 | 每月 | 再平衡日设定为固定日期 |
| 长期配置 | 每季度 | 过大频率没有意义 |
渐进调整:为了避免每次调整产生大幅交易,可以使用平滑调整:
其中 是调整速度。 表示立即调整, 表示每次调整一半差距。
def smooth_vol_scale(returns, target_vol=0.15, alpha=0.3, max_lev=3.0):
"""平滑调整的 Vol-Scale"""
daily_target = target_vol / np.sqrt(252)
raw_vol = ewma_volatility(returns)
target_w = np.minimum(daily_target / raw_vol, max_lev)
smooth_w = np.zeros_like(target_w)
smooth_w[0] = target_w[0]
for t in range(1, len(target_w)):
smooth_w[t] = smooth_w[t-1] + alpha * (target_w[t] - smooth_w[t-1])
return smooth_w
当波动率突然降至接近 0 时, 会趋向无穷大。需要设置:
有时我们既想控制风险,又不想完全压制高波动时段的信号强度。可以使用混合模式:
其中 是一个在 0 和 1 之间过渡的函数:
控制过渡速度, 是过渡中点。
波动率具有聚集性(volatility clustering)——高波动后往往跟着高波动,低波动后跟着低波动。这意味着:
解决方案:引入波动率预测而非仅使用历史波动率。使用 GARCH 或 Transformer 模型预测 :
def garch11_loglikelihood(params, returns):
"""GARCH(1,1) 的对数似然"""
omega, alpha, beta = params
T = len(returns)
sigma2 = np.zeros(T)
sigma2[0] = np.var(returns)
for t in range(1, T):
sigma2[t] = omega + alpha * returns[t-1]**2 + beta * sigma2[t-1]
ll = -0.5 * np.sum(np.log(2 * np.pi * sigma2) + returns**2 / sigma2)
return -ll # 最小化负对数似然
Vol-Scale 通常假设资产间相关性稳定,但实际上相关性会在危机期间飙升:
| 时期 | 股债相关性 |
|---|---|
| 正常时期(2013-2019) | -0.2 ~ -0.4(负相关) |
| COVID 冲击(2020.03) | +0.5 ~ +0.7(正相关) |
| 加息周期(2022) | +0.3 ~ +0.6(正相关) |
当股债相关性由负转正时,风险平价组合的两大资产从"对冲"变成"共振",组合波动率骤增。2022 年就是典型——股票和债券同时暴跌,风险平价基金平均回撤 15-20%。
解决方案:动态相关系数估计 + 压力测试,或引入第三类资产(如商品、另类投资)作为分散工具。
Vol-Scale 在回测中通常表现亮眼,但实盘效果往往打折扣:
| 阶段 | 夏普比率(无 Vol-Scale) | 夏普比率(有 Vol-Scale) | 提升 |
|---|---|---|---|
| 样本内(回测) | 0.6 | 1.2 | +100% |
| 样本外(实盘) | 0.5 | 0.7 | +40% |
提升幅度会衰减,但仍然是有利的。关键在于不要过度优化 Vol-Scale 参数。
降波时减仓——但如果大家都在减仓,流动性会枯竭。
2008 年 LTCM 危机和 2020 年 3 月,大量使用 Vol-Scale 的 CTA 基金同时减仓,导致市场流动性骤降,进一步放大波动,形成负反馈螺旋。
不同市场状态下 Vol-Scale 的最佳参数不同:
| 市场状态 | 特征 | 建议 EWMA | 建议目标波动率 |
|---|---|---|---|
| 低波动牛市 | 波动率 < 10%,稳定上升 | 0.97(正常) | 15% |
| 高波动震荡 | 波动率 15-30%,方向不明 | 0.94(灵敏) | 10% |
| 危机模式 | 波动率 > 30%,单边下跌 | 0.90(极灵敏) | 5% |
可以使用 HMM(隐马尔可夫模型)或阈值法则进行 regime detection,动态调整 Vol-Scale 参数。
将不同时间尺度的 Vol-Scale 信号叠加:
多时间尺度的组合可以同时兼顾短期响应和长期稳定性。
在因子投资中,Vol-Scale 需要与因子暴露控制结合:
其中 是目标因子暴露, 是当前因子暴露。这样可以同时控制因子风险暴露和总波动率。
| 技术 | 目标 | 核心机制 | 复杂度 | 效果 |
|---|---|---|---|---|
| Vol-Scale | 稳定波动率 | 反向调整仓位 | 低 | ⭐⭐⭐⭐ |
| 风险平价 | 等风险贡献 | 风险预算分配 | 中 | ⭐⭐⭐⭐⭐ |
| 动态对冲 | Delta/Gamma 中性 | 衍生品对冲 | 高 | ⭐⭐⭐ |
| VaR 限制 | 防止超额损失 | 仓位限制 | 低 | ⭐⭐⭐ |
| 尾部风险对冲 | 防范黑天鹅 | 期权保护 | 高 | ⭐⭐⭐ |
| 回撤控制 | 限制最大回撤 | 动态减仓 | 中 | ⭐⭐⭐⭐ |
Vol-Scale 的优势在于简单、透明、低成本——它不需要复杂的衍生品,不依赖期权定价模型,只需要历史价格数据和一个公式。
Vol-Scale 不是一个策略,而是一个基础设施。它不会提升预测能力,但能确保预测能力在合理的风险框架下发挥作用。
核心教训:
实践建议:所有量化策略都应该在 Vol-Scale 的基础上运行。这不是可选项,而是应成为默认配置。如果一个策略在没有 Vol-Scale 的情况下不能盈利,加上 Vol-Scale 也不会让它盈利;但如果一个策略在回测中能盈利,加上 Vol-Scale 通常能让它在实盘中表现得更稳定。