📘 本章重点
- 理解低波动率异象的核心逻辑——低风险股票长期跑赢高风险股票，挑战传统金融学“高风险高收益”的直觉
- 掌握低波动率因子的计算方法（历史波动率、特质波动率）及其选股逻辑
- 学会低波动率策略的适用环境识别——熊市和震荡市中表现突出，牛市中相对弱势
- 了解低波动率异象的行为金融学解释——彩票偏好、过度自信、代表性偏差，以及机构约束作为放大机制
- 认识低波动率策略的改进方向——特质波动率、分位数波动率、与红利因子结合
⚠️ 本章难点
- 理解低波动率异象为何“反直觉”——它直接挑战了CAPM模型“高风险高收益”的核心假设
- 区分“历史波动率”与“特质波动率”——前者是总风险，后者是剔除市场影响后的特有风险
- 掌握低波动率策略在不同市场环境中的表现差异——熊市防御性强，牛市弹性不足
- 认识低波动率因子的局限性——在极端牛市中阶段性失效
⏱️ 预估学习时间
- 40～55分钟
一、策略简述与一句话定性
一句话定性：低波动率异象策略是一种基于“低风险反而带来高收益”这一反常现象的因子投资策略——通过持有历史波动率最低的一批股票，利用市场对低波动股票的定价偏差获取超额收益。
在传统金融学中，有一个几乎被当作常识的命题：高风险高收益，低风险低收益。资本资产定价模型（CAPM）告诉我们，资产的预期收益与其风险（Beta）正相关。这个理论听起来非常合理——就像借钱给别人，风险越高利息应该越高。但股票市场偏偏不按这个剧本走。
然而，现实世界的数据却讲了一个完全不同的故事。实证研究发现，历史波动率较低的股票，无论在绝对收益还是风险调整后收益上，往往优于高波动股票。低波动股票的中长期回报率显著高于高波动股票。这就是低波动率异象（Low-Volatility Anomaly） ——一个挑战了经典金融理论几十年的市场谜题。
低波动率异象的真正含义不是“风险消失了”，而是“市场错误地定价了风险”——高波动股票被过度追捧，低波动股票被过度忽视。低波动策略赚的不是“无风险的收益”，而是“市场情绪偏差的修正”。
一个直观的比喻：龟兔赛跑的金融版本
在龟兔赛跑的故事里，稳健的乌龟最终战胜了冒进的兔子。低波动率策略就像是金融市场的“乌龟”——它不追求短期暴利，不追逐热点题材，只是稳稳地持有那些波动最小的股票。而高波动策略就像是“兔子”——它们在牛市中可能跑得飞快，吸引无数追捧者，但长期来看，这些“兔子”往往因为过度投机而跑输了“乌龟”。
这个比喻并非完美——低波动股票并非永远跑赢，但长期统计数据显示，低波动策略的“稳健”恰恰是它最大的优势。
低波动策略与本书第四.10章的小市值策略，代表了两种截然不同的投资哲学——一个追求“稳”，一个追求“弹”。小市值策略赚的是“弹性溢价”——小公司一旦成功，成长空间巨大；低波动策略赚的是“情绪偏差修正溢价”——市场对低波动股票的忽视，本身就是一种定价错误。一个赌“未来可能很好”，一个赌“现在被低估了”——两种完全不同的世界观。
龟兔赛跑比喻的收束：龟兔赛跑的故事告诉我们，乌龟赢得比赛，不是因为跑得快，而是因为没有犯致命错误。低波动策略的收益来源同样不是来自“进攻”，而是来自“不犯大错”——在市场暴跌时少亏，在漫长的时间里慢慢积累优势。这个比喻贯穿全文——稳健，本身就是一种策略。
老陈（统计套利/多因子专家）点评：
低波动率异象是金融学中最著名的“异象”之一。从Black（1972）最早系统性地发现并报告了Beta与收益关系比理论预期更平缓开始，到Baker、Bradley和Wurgler（2011）用21个发达市场的数据验证了低波动异象的全球普遍性，并提出了“基准约束”（Benchmarks as Limits to Arbitrage）的理论解释，低波动率异象已经历了超过50年的实证检验。它不是数据挖掘的偶然产物，而是真实存在的市场规律。 但它挑战了我们对“风险-收益”关系的基本认知——这正是它如此迷人的原因。
老王（趋势跟踪/执行专家）补充：
我早年做交易的时候，也是“高风险高收益”的信徒——总觉得波动大的股票才有大机会。后来吃了不少亏才明白：高波动不等于高收益，很多时候高波动只是高噪音。 低波动策略在熊市里那种“跌得少”的体验，真的能救命。2023年就是最好的例子——国证低波指数（399658）涨了6.15%，国证高波指数（399659）跌了30.75%。你说哪个策略更让人睡得着觉？低波动策略不是让你暴富的，是让你活下来的。在投资这条路上，活得久比赚得快重要得多。
二、策略的使用范围与条件
| 维度 | 适用范围与条件 | 说明 |
|---|---|---|
| 适用市场 | 股票市场（A股、美股、全球主要市场） | 低波动异象在全球市场普遍存在 |
| 品种要求 | 流动性好、历史数据充足 | 需要足够的历史数据计算波动率 |
| 交易机制 | 单向做多为主（也可构建多空组合） | A股低波动策略以做多为主 |
| 适用周期 | 月频或季频调仓 | 波动率是相对稳定的特征，无需高频调仓 |
| 资金门槛 | 低至中等（持有20-50只股票） | 持有足够数量的低波动股票以分散风险 |
| 最佳市场环境 | 熊市、震荡市、衰退/复苏/过热周期 | 防御性突出 |
| 弱势市场环境 | 牛市、滞胀周期 | 弹性不足，相对表现弱势 |
适用品种举例：
- 宽基指数低波动版本：沪深300行业中性低波动指数（300SNLV）、中证500行业中性低波动指数（500SNLV）
- 红利低波组合：中证红利低波动指数、红利低波100指数
- 主动筛选：全市场按波动率排序，选取最低的N只股票
不适用品种：
- 上市时间过短的次新股（历史数据不足）
- 流动性极差的小盘股（无法有效交易）
A股市场的特殊性：
A股市场散户占比高、投机氛围浓，低波动策略的效果往往比成熟市场更显著——因为“非理性”的程度更高。但需要注意的是，A股的低波动股票中有一部分是“僵尸股”——缺乏流动性和机构关注，单纯的低波动选股可能需要额外的基本面过滤。如何识别“僵尸股” ：日均成交额低于1000万元、过去一年无券商研报覆盖、ROE连续三年为负——满足任意两条即可视为“僵尸股”，在选股时剔除。
失效案例：2019-2020年的A股牛市中，低波动策略表现相对弱势，跑输了高弹性品种。在牛市中，投资者风险偏好上升，更倾向于追逐高波动、高成长的股票，低波动策略的防御性优势无法发挥。低波动策略不是“全天候”策略——在牛市中，它可能让你“跑输”。 准确地说，是“跑输”——低波动策略在牛市中通常仍然是正收益的，只是跑输高波动策略。真正的代价不是亏钱，而是看着别人赚得更多时的那份焦虑。
三、因子拆解与原理
3.1 低波动率异象——核心收益因子
低波动率异象策略的核心收益来源是：低波动股票长期跑赢高波动股票。
波动率的计算：
最常用的波动率指标是历史波动率（Historical Volatility） ——过去一段时间（通常20个交易日或60个交易日）日收益率的标准差：
历史波动率 = Std(日收益率) × √252（年化）低波动因子的方向：波动率越低，得分越高（反向因子）。
两种主要的波动率度量：
| 波动率类型 | 定义 | 特点 |
|---|---|---|
| 历史波动率（总波动率） | 过去一段时间的日收益率标准差 | 最常用，简单直观 |
| 特质波动率（Idiosyncratic Volatility） | 剔除市场因素后的个股特有波动 | 更纯净，但计算更复杂 |
低波动率策略的典型选股方法：
- 计算全市场股票的过去20日（或60日）历史波动率
- 按波动率从小到大排序
- 选取波动率最低的N只股票（如30只或50只）
- 等权重或波动率倒数加权构建组合
- 定期（月度或季度）调仓
3.2 低波动率异象的理论解释
低波动率异象为何存在？学术界主要从两个角度解释：
角度一：行为金融学解释（主流观点）
低波动异象本质上由行为偏差驱动，绝大部分溢价来源于投资者的非理性行为。
| 行为偏差 | 表现 | 对价格的影响 |
|---|---|---|
| 彩票偏好（Lottery Preference） | 投资者偏好高波动、类似彩票的资产，希望获得“一夜暴富”的机会 | 高波动股票被过度追捧，价格高估 |
| 代表性偏差 | 投资者过度关注高波动股票的“高成长故事” | 高波动股票被赋予不切实际的增长预期 |
| 过度自信 | 投资者相信自己能捕捉到高波动股票的上涨机会 | 高波动股票交易过度活跃 |
彩票偏好：投资者天生喜欢“以小博大”的机会——高波动股票就像一张彩票，虽然中奖概率很低，但一旦押中，短期收益可能极为惊人。这种对“尾部收益”的过度偏好，推高了高波动股票的价格。
过度自信：投资者往往高估自己的选股能力，认为自己能在高波动股票中“挑出赢家”。这种过度自信导致他们忽视了高波动股票的整体风险，愿意为这些股票支付过高的价格。
两个偏差共同作用的结果是：高波动股票被过度高估，低波动股票被相对低估——这正是低波动异象的收益来源。
这些非理性行为导致高波动股票被阶段性地超买，价格被推高至合理价值以上，从而拖累了其长期回报率。
需要区分的是，低波动异象的驱动因素分为两个层面：行为偏差是“因” （彩票偏好、过度自信、代表性偏差导致高波动股票被高估），机构约束是“放大机制” ——机构投资者因为必须跟踪基准、不敢偏离太多，反而无法纠正这些定价偏差，甚至可能因为被动买入高波动成分股而进一步加剧偏差。
角度二：风险补偿解释（补充观点）
小部分溢价来源于低波动股票的高质量和低流动性风险补偿。低波动股票通常具有大盘、价值、高质量的特征，这些特征本身也带有一定的风险溢价。
老陈点评：
行为金融学的解释之所以更有说服力，是因为它抓住了市场的本质——市场并非总是理性的。个人投资者的“彩票偏好”——宁愿买一个可能暴涨也可能暴跌的股票，也不愿买一个稳稳上涨的股票——是低波动异象最核心的驱动力。只要人类还有贪婪和恐惧，低波动异象就会继续存在。
3.3 低波动率策略的A股表现
A股市场同样存在显著的低波动异象。
核心发现：
- A股低波动因子的溢价程度，可比拟BP因子和市值因子
- 波动率因子在熊市、震荡市、衰退周期、复苏周期、过热周期中表现强势
- 在牛市及滞胀周期中表现弱势
- 低波动因子在沪深300和中证500股票池中分层表现均较为理想
2023年的典型案例：
- 截至2023年10月末，国证低波指数年内累计收益率6.15%
- 同期国证高波指数年内累计下跌30.75%
- 低波策略在弱势市场中的超额收益相当显著
中证500行业中性低波动指数（500SNLV，代码930782） 的长期表现：
- 于2016年6月24日发布
- 在中证500二级行业内选取低波动证券，保持行业中性
- 长期风险收益比优异，2023年以来取得7.41% 的绝对收益
- 在震荡市中表现更佳，底部反弹强势
3.4 因子的优缺点
| 优点 | 缺点 |
|---|---|
| 全球市场普遍有效，实证支持充分 | 在牛市中表现弱势，弹性不足 |
| 熊市和震荡市中防御性突出 | 因子在极端牛市中阶段性失效，多空组合阶段性回撤大 |
| 逻辑清晰，有行为金融学支撑 | 单独使用可能选到“僵尸股”（低波动但无增长） |
| 可与红利、质量等因子结合，形成“1+1>2”的效果 | 在滞胀周期中表现弱势 |
| 适合中低风险偏好投资者 | 需要长期持有才能体现优势 |
四、仓位、买卖点与风险管理
4.1 入场与调仓信号
低波动率策略的入场信号不是“某一时刻触发”，而是“定期选股、动态调仓”：
| 步骤 | 操作 | 说明 |
|---|---|---|
| Step 1 | 确定股票池 | 全市场A股，剔除ST、停牌、次新股 |
| Step 2 | 计算波动率 | 过去20日或60日日收益率标准差 |
| Step 3 | 排序 | 按波动率从小到大排列 |
| Step 4 | 选择Top N | 选取波动率最低的20-50只股票 |
| Step 5 | 定期调仓 | 月度或季度调仓 |
进阶过滤条件：
| 过滤条件 | 作用 | 说明 |
|---|---|---|
| 流动性过滤 | 避免流动性风险 | 剔除日均成交额过低的股票 |
| 基本面过滤 | 避免“僵尸股” | 剔除ROE过低或持续亏损的公司 |
| 行业中性化 | 避免行业集中 | 在各行业内分别选低波动股票 |
| 质量因子过滤 | 提高质量 | 结合ROE、毛利率等质量指标 |
4.2 仓位管理
低波动率策略的仓位管理相对简单：
- 等权重配置：每个选中的股票分配相同资金
- 波动率倒数加权：波动率越低的股票分配更多资金（进一步强化低波动暴露）
- 定期再平衡：每月或每季度调仓时恢复权重
4.3 止损设计
低波动率策略的止损主要通过组合层面的风险控制实现：
| 风控方式 | 触发条件 | 说明 |
|---|---|---|
| 个股止损 | 单只股票波动率突然放大超过阈值 | 波动率突增可能意味着基本面变化 |
| 行业中性 | 控制行业偏离度 | 避免某一行业集中度过高 |
| 最大回撤止损 | 策略总回撤超过阈值（如-15%） | 降低仓位或暂停策略 |
4.4 低波动率策略的改进方向
方向一：特质波动率
传统的低波动策略使用总波动率（历史收益率标准差）。但总波动率包含了市场整体波动的影响。特质波动率（Idiosyncratic Volatility） 剔除了市场因素，只保留个股特有的波动成分。有研究表明，特质波动率异象比总波动率异象更显著。
方向二：分位数波动率
传统的低波动策略使用全部历史数据计算标准差，容易受到极端值的影响。分位数波动率使用波动率分布的分位数（如75%分位数与25%分位数之差）来衡量波动率，对极端值更稳健。
方向三：预测波动率
使用GARCH等模型预测未来波动率，而非使用历史波动率。预测波动率比历史波动率更具前瞻性。
方向四：低波动 + 红利（“红利低波”组合）
低波动和高股息股票具备相似的财务特征——估值较低、ROE较高、市值较大，存在天然契合。“红利低波”策略先用红利因子选股，再用低波动因子剔除高波动股票，形成“1+1>2”的效果。
五、策略的来历、设计者与趣闻
低波动率异象的发现可以追溯到1972年。经济学家Fischer Black（布莱克-舒尔斯模型的共同创立者）在一篇题为《Capital Market Equilibrium with Restricted Borrowing》的论文中最早系统性地发现并报告了：Beta与股票实际收益之间的关系远比理论预测的要平缓。高Beta的股票并没有像CAPM预测的那样带来更高的收益。
这一发现并没有立即引起广泛关注。直到1990年代，随着更多实证研究的积累，低波动率异象才开始进入主流学术视野。Baker， Bradley和Wurgler在2011年发表了一篇具有里程碑意义的研究《Benchmarks as Limits to Arbitrage: Understanding the Low-Volatility Anomaly》，他们使用21个发达市场的股票数据，验证了低波动异象的全球普遍性。
在国内市场，低波动策略随着Smart Beta产品的推出而逐渐普及。中证500行业中性低波动指数（500SNLV，代码930782） 于2016年6月24日发布，成为A股市场最早的低波动策略指数之一。此后，沪深300行业中性低波动指数（300SNLV）、红利低波100指数等相继推出。
策略拥挤的警示：随着越来越多的Smart Beta产品跟踪低波动指数，低波动异象的超额收益是否会被“套利”掉？如何监测策略拥挤：观察低波动股票的估值分位数是否处于历史高位。如果低波动股票的PE/PB估值已经显著高于历史均值，说明“避风港”已经被太多人发现了——此时继续买入低波动策略的性价比可能下降。历史经验表明，只要人类的“彩票偏好”和“过度自信”还在，低波动异象就很难完全消失——因为这些行为偏差是根深蒂固的。但超额收益的幅度可能会随着策略拥挤而缩小。
趣闻：低波动率异象最有趣的地方在于——它让“高风险高收益”这个金融学最基本的“常识”变成了一个需要被解释的“异象” 。在物理学中，如果你发现一个物体不受重力影响，你会认为这是一个重大发现。在金融学中，低波动率异象就是这样一个“反重力”现象——它违背了我们对风险-收益关系最基本的直觉。
另一个有趣的现象：低波动策略在2023年的表现堪称“教科书级别” 。在A股市场整体弱势的情况下，国证低波指数涨了6.15%，而国证高波指数跌了30.75%。这种极端的表现分化，让越来越多的投资者开始认真审视低波动策略的价值。
老陈点评：
Fischer Black在1972年的发现，是金融学中“偶然发现重大规律”的经典案例。他当时研究的是借贷约束对资本市场的影响，却意外发现了Beta与收益关系的“异常”。这个发现的意义在于：它提醒我们，不要盲目相信理论模型——数据才是最终的裁判。
老王补充：
我见过太多人在牛市中嘲笑低波动策略——“涨得这么慢，还不如买热门股”。然后在熊市中哭着回来——“早知道买低波动就好了”。低波动策略不是让你暴富的，是让你活下来的。在投资这条路上，活得久比赚得快重要得多。
六、Python回测示例
以下代码演示低波动率策略在A股市场的回测。采用月频调仓、等权重配置、Top 30选股。
import pandas as pd
import numpy as np
import yfinance as yf
from datetime import datetime, timedelta
# 注意：
# 1. 本代码为低波动率策略框架，需要获取全市场股票的日频价格数据
# 2. 实际运行需要接入专业数据源（聚宽、优矿、Tushare等）
# 3. 以下代码展示策略逻辑，数据部分用模拟数据演示
def low_volatility_strategy(
stock_prices, # 股票价格DataFrame（每列一只股票）
lookback_days=20, # 波动率计算回看天数
top_n=30, # 选择波动率最低的N只股票
rebalance_freq='M', # 调仓频率：'W'周频，'M'月频
min_volume=None, # 最小日均成交额（流动性过滤，预留扩展）
exclude_st=True # 是否剔除ST股
):
"""
低波动率策略
参数：
stock_prices: DataFrame，每列一只股票的日频收盘价
lookback_days: 波动率计算回看天数（建议20或60）
top_n: 选股数量
rebalance_freq: 调仓频率
min_volume: 最小日均成交额（预留扩展，暂未实现）
exclude_st: 是否剔除ST股
返回：策略净值
注：min_volume参数为预留扩展，当前版本暂未实现流动性过滤。
实际应用中，建议在数据预处理阶段自行剔除流动性不足的股票。
"""
# 1. 计算每日收益率
returns = stock_prices.pct_change()
# 2. 计算历史波动率（日收益率标准差，年化）
volatility = returns.rolling(lookback_days).std() * np.sqrt(252)
# 3. 生成调仓信号
dates = stock_prices.index
if rebalance_freq == 'W':
rebalance_dates = dates[dates.weekday == 4] # 每周五
else: # 'M' 月频
rebalance_dates = dates[dates.is_month_end]
# 4. 模拟持仓
positions = {} # 每个调仓日的持仓列表
current_holdings = []
for date in dates:
if date in rebalance_dates:
# 获取当日波动率数据
vol_data = volatility.loc[date]
# 剔除NaN
vol_data = vol_data.dropna()
# 按波动率升序排序
sorted_vol = vol_data.sort_values()
# 选择Top N
selected = sorted_vol.head(top_n).index.tolist()
current_holdings = selected
positions[date] = current_holdings.copy()
# 5. 计算策略净值（等权重）
# 此处为框架示意，完整实现需要逐日计算持仓收益率
# 实际回测中，建议使用专业量化平台（聚宽、优矿等）获取精确数据
print(f"策略框架构建完成，调仓频率：{rebalance_freq}，持仓数量：{top_n}")
print(f"波动率回看天数：{lookback_days}")
print(f"共 {len(rebalance_dates)} 个调仓日")
return positions
# ==================== 改进版：特质波动率 ====================
def calculate_idiosyncratic_volatility(returns, market_returns, lookback_days=20):
"""
计算特质波动率（剔除市场影响后的个股特有波动）
参数：
returns: 个股日收益率序列
market_returns: 市场指数日收益率序列（如沪深300）
lookback_days: 回看天数
返回：特质波动率（年化）
注：本函数使用循环逐日滚动回归，对于大规模股票池计算效率较低。
建议在回测前对数据进行预处理，或使用专业量化平台的内置函数。
"""
import statsmodels.api as sm
# 滚动回归，计算残差波动率
ivol = pd.Series(index=returns.index, dtype=float)
for i in range(lookback_days, len(returns)):
# 取窗口数据
y = returns.iloc[i-lookback_days:i]
X = sm.add_constant(market_returns.iloc[i-lookback_days:i])
try:
model = sm.OLS(y, X).fit()
residuals = model.resid
ivol.iloc[i] = residuals.std() * np.sqrt(252)
except:
ivol.iloc[i] = np.nan
return ivol
# 使用示例（伪代码）：
#
# from jqdatasdk import *
# auth('username', 'password')
#
# # 获取全市场股票数据
# stocks = get_index_stocks('000300.XSHG')
# price_df = get_price(stocks, start_date='2015-01-01', end_date='2024-12-31',
# frequency='daily', fields=['close'])
#
# # 运行策略
# result = low_volatility_strategy(price_df, lookback_days=20, top_n=30)
回测结果参考（基于公开数据，不同时间段和股票池结果存在显著差异）：
| 指标 | 参考值 |
|---|---|
| 年化收益率 | 8%-15% |
| 最大回撤 | 10%-20% |
| 夏普比率 | 0.6-1.2 |
| 熊市相对表现 | 显著优于市场 |
| 牛市相对表现 | 可能跑输市场 |
注：以上数据为不同低波动策略的历史回测参考值，不同时间段、不同选股范围的结果可能存在显著差异。实际表现取决于选股范围、调仓频率和市场环境。低波动策略在熊市和震荡市中表现突出，在牛市中相对弱势。
代码说明：
本代码为低波动率策略框架，展示了从波动率计算到选股的核心逻辑。完整回测需要接入专业数据源（聚宽、优矿、Tushare等），并实现完整的净值计算。改进版代码展示了特质波动率的计算方法，可作为进阶参考。
老陈点评：
回测时要注意：低波动率策略的回测结果对波动率计算窗口长度敏感。20天的短期波动率和60天的中期波动率选出的股票可能差异很大。短期波动率更能捕捉近期变化，但噪音也更大；中期波动率更稳定，但反应较慢。建议同时测试多个窗口长度，选择表现最稳健的那个。
老王补充：
实盘中最大的问题是低波动策略在牛市中的“跑输”焦虑。当市场大涨时，看着别人的股票天天涨停，自己的低波动组合纹丝不动——这种感觉非常煎熬。低波动策略需要耐心，更需要对自己的风险偏好有清醒的认识。 如果你无法忍受“跑输”的焦虑，就不要重仓低波动策略。
七、本章小结与思考题
小结
| 项目 | 核心要点 |
|---|---|
| 策略类型 | 单因子选股，基于低波动异象 |
| 核心逻辑 | 低波动股票长期跑赢高波动股票 |
| 理论基础 | 行为金融学（彩票偏好、过度自信、代表性偏差） |
| 最佳环境 | 熊市、震荡市、衰退/复苏/过热周期 |
| 弱势环境 | 牛市、滞胀周期 |
| 核心优势 | 防御性强，风险调整后收益优异 |
| 最大风险 | 牛市中弹性不足，可能跑输市场 |
| 资金门槛 | 低至中等（持有20-50只股票） |
| 改进方向 | 特质波动率、分位数波动率、预测波动率、红利低波组合 |
低波动率异象策略是“低风险高收益”这一反常现象的量化实现——它挑战了传统金融学的核心假设，却用超过半个世纪的实证数据证明了自己的有效性。
低波动策略 vs 小市值策略（第四.10） ：
| 维度 | 小市值策略（第四.10） | 低波动率策略（第四.11） |
|---|---|---|
| 核心信念 | 小公司有更高的成长弹性 | 低风险股票长期跑赢高风险 |
| 风险特征 | 波动剧烈，牛市进攻性强 | 波动平缓，熊市防御性强 |
| 最佳环境 | 流动性充裕、小盘风格占优 | 熊市、震荡市、避险情绪升温 |
| 最大风险 | 流动性危机、风格切换 | 牛市中跑输、弹性不足 |
| 资金门槛 | 低至中等 | 低至中等 |
老陈总结：
低波动率异象是量化投资中最“反直觉”的规律之一。它告诉我们：在金融市场中，常识未必是真理。 投资者对高波动股票的过度追捧，恰恰为低波动策略提供了超额收益的来源。只要人类还有贪婪和恐惧，低波动异象就会继续存在。 但低波动策略不是“万能药”——它在牛市中会让你感到“跑输”，这是你必须付出的代价。
老王总结：
低波动策略是我个人账户里的“压舱石”。它不会让我暴富，但它让我的账户在熊市中不会崩盘。投资不是百米冲刺，而是马拉松。 跑得稳，比跑得快更重要。如果你能接受“在牛市中少赚一点，在熊市中少亏一点”的权衡，低波动策略值得你认真考虑。
💡 思考题
- 低波动率异象与传统金融学“高风险高收益”的理论存在根本冲突。你认为这种冲突是否意味着CAPM模型“错了”？请说明理由。
- 行为金融学如何解释低波动率异象？“彩票偏好”和“过度自信”这两个偏差，分别如何导致高波动股票被高估？
- 低波动策略在牛市中表现弱势，在熊市中表现强势。如果你是一个长期投资者，你会如何在不同市场环境中调整低波动策略的配置比例？
- （新增） 低波动策略与红利策略经常被组合使用（“红利低波”）。你认为这两个因子为什么能够形成“1+1>2”的效果？它们之间是否存在逻辑上的协同？
- （展望题） 随着低波动策略的普及（越来越多的Smart Beta产品跟踪低波动指数），低波动异象的超额收益是否会逐渐消失？请从“行为偏差的持续性”和“策略拥挤”两个角度分析。
八、引用/参考出处
网上内容：
- 雪球 《波动率因子在中国A股市场的表现——从波动率异象出发》 : https://xueqiu.com/8287840120/128195642
- 百度百科 低波动因子： https://baike.baidu.com/item/低波动因子
学术论文（元信息）：
- Black, F. (1972). “Capital Market Equilibrium with Restricted Borrowing.” Journal of Business, 45(3), 444-455.（低波动异象的早期发现）
- Baker, M., Bradley, B., & Wurgler, J. (2011). “Benchmarks as Limits to Arbitrage: Understanding the Low-Volatility Anomaly.” Financial Analysts Journal, 67(1), 40-54.（低波动异象全球普遍性的经典研究）
- Blitz, D., Falkenstein, E., & van Vliet, P. (2014). “Explanations for the Low-Volatility Anomaly.” Financial Analysts Journal.（行为金融学视角的解释）
暂无评论内容