探讨波动率与风险的关系

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

波动率是风险，但波动率并不完全等同于风险。在量化投资中，向上的剧烈波动带来的是收益而非亏损。如何准确区分“坏波动（下行风险）”与“好波动（上行 Alpha）”，并在波动率周期切换中实施风险预算，是高阶量化交易的核心课题。

💡 核心导读

• 波动率与真实风险的三大认知跃迁：
  • 波动率对称性假设的破灭：传统金融理论假设收益率服从正态分布，实际市场收益常呈现厚尾性（Fat Tails）与不对称性（方向因市况而异，须实测）；
  • 好波动 vs 坏波动（Upside vs Downside Volatility）：将总方差分解为上行半方差与下行半方差，仅对下行风险进行资本保护；
  • 波动率状态切换与风险预算（Volatility Regimes）：低波动阶段杠杆加满，高波动阶段主动降杠杆以平滑风险暴露。

┌─────────────────────────────────────────────────────────────┐
│                    波动率分解与风险预算模型拓扑图           │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┴─────────────────────────────┐
 ▼                                                           ▼
┌─────────────────────────┐                                 ┌─────────────────────────┐
│ 上行好波动 (Upside Vol) │                                 │下行坏波动 (Downside Vol)│
├─────────────────────────┤                                 ├─────────────────────────┤
│ • 收益率 > 0 的正向扩散 │                                 │ • 收益率 < 0 的负向亏损 │
│ • 带来净值爆发性增长    │                                 │ • 引发爆仓与回撤黑天鹅  │
│ ✅ 鼓励暴露，让利润奔跑 │                                 │ ❌ 严格限制，施加硬熔断 │
└─────────────────────────┘                                 └─────────────────────────┘

一、半方差（Semi-Variance）与偏度分解数学模型

总方差 $\sigma^2$ 可以精确分解为上行半方差 $\sigma_+^2$ 与下行半方差 $\sigma_-^2$：

$$\sigma_+^2 = \frac{1}{T} \sum_{t=1}^T \max(0, R_t - \mu)^2, \quad \sigma_-^2 = \frac{1}{T} \sum_{t=1}^T \min(0, R_t - \mu)^2$$

在追求正偏度（Positive Skewness）的趋势策略中，$\sigma_+^2 > \sigma_-^2$，传统标准差会严重高估其风险。

import pandas as pd
import numpy as np

def decompose_volatility_components(returns: pd.Series) -> dict:
    """
    分解上行好波动与下行坏波动（合成样例，历史波动率分解不代表未来风险结构）
    """
    mu = returns.mean()
    upside_diff = np.maximum(0, returns - mu)
    downside_diff = np.minimum(0, returns - mu)
    
    # 半方差用 1/T 总体口径(.mean()); 总波动统一取 ddof=0, 使 σ² = σ²_+ + σ²_- 分解恒等式严格成立
    vol_up = np.sqrt((upside_diff ** 2).mean()) * np.sqrt(252.0)
    vol_down = np.sqrt((downside_diff ** 2).mean()) * np.sqrt(252.0)
    vol_total = returns.std(ddof=0) * np.sqrt(252.0)
    
    return {
        'Total_Vol': float(vol_total),
        'Upside_Vol': float(vol_up),
        'Downside_Vol': float(vol_down),
        'Asymmetry_Ratio': float(vol_up / (vol_down + 1e-8))
    }

# 合成数据：模拟200个交易日收益率，包含正负收益（历史数据不代表未来）
rng = np.random.default_rng(42)
rets = pd.Series(rng.normal(0.0005, 0.015, 200))
rets.iloc[50:100] = rets.iloc[50:100] * 1.5  # 中间一段波动放大
rets.iloc[150:] = rets.iloc[150:] * 0.7      # 末尾一段波动减小

result = decompose_volatility_components(rets)
print("===== 波动率成分分解（年化） =====")
print(f"总波动率      : {result['Total_Vol']*100:.2f}%")
print(f"上行波动 (好) : {result['Upside_Vol']*100:.2f}%")
print(f"下行波动 (坏) : {result['Downside_Vol']*100:.2f}%")
print(f"不对称比率   : {result['Asymmetry_Ratio']:.3f}")
print(f"下行波动占比 : {result['Downside_Vol']/(result['Total_Vol']+1e-8)*100:.1f}%")

===== 波动率成分分解（年化） =====
总波动率      : 21.89%
上行波动 (好) : 15.32%
下行波动 (坏) : 15.63%
不对称比率   : 0.980
下行波动占比 : 71.4%

二、基于波动率目标（Volatility Targeting）的风险平价控制

波动率目标机制根据当前市场实时预估波动率 $\sigma_t$ 动态调整投资杠杆，使组合的风险暴露始终稳定在目标年化波动率 $\sigma_{\text{target}}$（如 $12\%$）：

$$w_t = \max\left( w_{\min},\ \min\left( w_{\max}, \frac{\sigma_{\text{target}}}{\sigma_t} \right) \right), \quad w_{\min} = 0.1$$

其中上限 $w_{\max}$ 即代码中的 max_leverage：通用风险预算与期货/保证金框架允许杠杆，可取 1.5；A 股现货无杠杆，调用时应传 max_leverage=1.0，保证仓位永不超过 100%。下限 $w_{\min}=0.1$ 防止低波动期仓位过小而失去配置意义。

import pandas as pd
import numpy as np

def apply_volatility_targeting(df: pd.DataFrame, target_vol: float = 0.12, max_leverage: float = 1.5) -> pd.Series:
    """
    动态波动率目标仓位调配算法（历史波动率预测未来存在偏差，杠杆交易有强制平仓风险）
    """
    # 20日滚动历史年化波动率
    realized_vol = df['close'].pct_change().rolling(20).std() * np.sqrt(252.0)
    weights = target_vol / (realized_vol + 1e-8)
    # 下限 0.1 防止低波期仓位过小; 上限 max_leverage: 期货/保证金场景可 >1(默认 1.5),
    # A股现货无杠杆, 调用时应传 max_leverage=1.0(仓位永不超过 100%)
    weights = weights.clip(lower=0.1, upper=max_leverage)
    return weights

# 合成价格序列：包含平稳期、高波动期、低波动期（合成数据，不构成投资建议）
rng = np.random.default_rng(2024)
days = 250
# 三段不同波动率 regime
rets1 = rng.normal(0.0003, 0.01, 80)
rets2 = rng.normal(-0.0005, 0.025, 100)
rets3 = rng.normal(0.0008, 0.008, 70)
rets = np.concatenate([rets1, rets2, rets3])
prices = 100.0 * np.cumprod(1.0 + rets)
df = pd.DataFrame({'close': prices})

weights = apply_volatility_targeting(df, target_vol=0.15, max_leverage=2.0)
print("===== 波动率目标仓位动态调整 =====")
print(f"价格序列长度 : {len(df)} 天")
print(f"目标年化波动率 : {0.15*100:.1f}%")
print(f"最大允许杠杆 : {2.0}x")
print(f"初始仓位 (第21天) : {weights.iloc[20]*100:.1f}%")
print(f"高波期仓位 (第150天): {weights.iloc[149]*100:.1f}%")
print(f"低波期仓位 (最后一天): {weights.iloc[-1]*100:.1f}%")
print(f"仓位调整次数 (权重变化>5%): {(weights.diff().abs() > 0.05).sum()}")

===== 波动率目标仓位动态调整 =====
价格序列长度 : 250 天
目标年化波动率 : 15.0%
最大允许杠杆 : 2.0x
初始仓位 (第21天) : 88.6%
高波期仓位 (第150天): 32.3%
低波期仓位 (最后一天): 124.7%
仓位调整次数 (权重变化>5%): 39

📝 动手练一练

编写 Python 仿真测试，对比固定仓位与基于波动率目标调仓策略在剧烈震荡市中的最大回撤差异：

import pandas as pd
import numpy as np

def decompose_volatility_components(returns: pd.Series) -> dict:
    """
    分解上行好波动与下行坏波动（合成样例，历史波动率分解不代表未来风险结构）
    """
    mu = returns.mean()
    upside_diff = np.maximum(0, returns - mu)
    downside_diff = np.minimum(0, returns - mu)
    
    vol_up = np.sqrt((upside_diff ** 2).mean()) * np.sqrt(252.0)
    vol_down = np.sqrt((downside_diff ** 2).mean()) * np.sqrt(252.0)
    vol_total = returns.std(ddof=0) * np.sqrt(252.0)
    
    return {
        'Total_Vol': float(vol_total),
        'Upside_Vol': float(vol_up),
        'Downside_Vol': float(vol_down),
        'Asymmetry_Ratio': float(vol_up / (vol_down + 1e-8))
    }

def apply_volatility_targeting(df: pd.DataFrame, target_vol: float = 0.12, max_leverage: float = 1.5) -> pd.Series:
    """
    动态波动率目标仓位调配算法（历史波动率预测未来存在偏差，杠杆交易有强制平仓风险）
    """
    realized_vol = df['close'].pct_change().rolling(20).std() * np.sqrt(252.0)
    weights = target_vol / (realized_vol + 1e-8)
    weights = weights.clip(lower=0.1, upper=max_leverage)
    return weights

# 模拟 200 天由平稳转向高波动的行情（合成教学数据，参数过拟合风险）
rng = np.random.default_rng(42)
rets = np.concatenate([rng.normal(0.0005, 0.01, 100), rng.normal(-0.001, 0.03, 100)])
prices = 100.0 * np.cumprod(1.0 + rets)
df = pd.DataFrame({'close': prices})

decomp = decompose_volatility_components(pd.Series(rets))
weights = apply_volatility_targeting(df, target_vol=0.15, max_leverage=1.0)

print("================ 波动率与风险关系深度解析 ================")
print(f"总年化波动率   : {decomp['Total_Vol']*100:.2f}%")
print(f"上行好波动 (Up): {decomp['Upside_Vol']*100:.2f}%")
print(f"下行坏波动 (Dn): {decomp['Downside_Vol']*100:.2f}%")
print(f"波动不对称比率 : {decomp['Asymmetry_Ratio']:.2f}")
print(f"高波阶段仓位降至: {weights.iloc[-1]*100:.2f}% (对比平稳期 {weights.iloc[50]*100:.2f}%)")
# 验证性断言：高波动阶段仓位应低于平稳阶段（基于合成数据的确定性设计）
assert weights.iloc[-1] < weights.iloc[50], "波动率目标仓位未能在高波阶段主动降低！"
print("✅ 波动率分解与动态风险预算验证 PASS")
print("========================================================")

运行结果输出：

================ 波动率与风险关系深度解析 ================
总年化波动率   : 33.96%
上行好波动 (Up): 25.09%
下行坏波动 (Dn): 22.89%
波动不对称比率 : 1.10
高波阶段仓位降至: 31.60% (对比平稳期 100.00%)
✅ 波动率分解与动态风险预算验证 PASS
========================================================

⚠️ 数据方向教学点：本样本的不对称比率为 1.10（> 1），即上行波动大于下行波动——但期末价格仅为期初的 0.84 倍（整体亏损）。这恰恰打破了一个常见误判：「上行波动占比高 ≠ 趋势向上」。本样本前半段平稳、后半段高波动且带负漂移，少数大涨日的波动贡献虽超过回撤日，价格路径仍被持续压低。不对称比率必须实测，且半方差分解不能替代价格路径分析。 它的价值正在于如实揭示波动来自哪里，为「该不该怕波动」提供依据。

本章小结

1. 客观区分好波动与坏波动：上行波动是利润增长的来源，下行波动才是必须设防的真实风险。
2. 实施波动率目标平价管理：在市场波动放大时主动降杠杆，在波动收缩时适度提升仓位，平滑净值曲线。
3. 打破对称性正态分布假设：针对金融资产收益的厚尾与不对称特征（不对称方向因市况而异，须实测），以半方差和 CVaR 作为核心风控边界。

📋 行动清单 (Action Checklist)

• 运行波动率分解测试代码，分析手头策略的历史收益是不对称正偏还是负偏；
• 尝试实现波动率目标（Vol Targeting）自动调节函数并嵌入回测系统；
• 全面总结第五章风险控制思想，准备进入第六章资金管理模型。

—— 小象教研组