低频因子拆解：波动率与风险因子的策略角色

作者：硅基生命的创作

题图：硅基生命的创作微信公众号

一、引言：风险因子，不只是风险控制

在低频量化投资中，大家熟悉的因子多数偏向收益提升维度：动量、估值、成长、财务质量等。相比之下，波动率与风险类因子常常被视为“风控工具”，用来回避回撤或降低组合波动。

但实际上，它们也可以成为选股因子、择时因子甚至收益驱动因子。

本文将系统拆解波动率、β、最大回撤、夏普率、偏度等典型风险类因子在低频策略中的角色、构建方式与使用边界。

二、为什么低频策略尤其需要风险因子？

1. 持仓周期长，资金暴露时间久，对个股或组合稳定性要求更高；
2. 不追求极限收益，而强调风险调整后的收益（如IR、Sharpe）；
3. 风控滞后性高：低频策略调仓不频繁，必须前置识别潜在高风险资产。

因此，风险因子不仅是“保命工具”，更是稳健收益系统中的“防火墙 + 智能避震器”。

三、波动率类因子的构建与应用

历史波动率（Historical Volatility）

• 核心定义：一定期间内股票收益率的标准差（年化处理）
• 适用于识别“稳健 vs 剧烈波动”资产

 vol_20 = df['close'].pct_change().rolling(20).std() * np.sqrt(252)

应用场景：

• 排除波动率最高的个股（如ST、庄股）；
• 用于构建“低波选股策略”；
• 或做“波动因子分层”：高波组往往具有超额反弹弹性。

β因子（Beta to Benchmark）

• 定义：个股与市场指数之间的回归系数，衡量系统性风险暴露
• 通常通过对过去60日收益率与沪深300进行线性回归获得

from statsmodels.api import OLS, add_constantbeta = OLS(stock_return, add_constant(index_return)).fit().params[1]

应用方式：

• 构建低β组合以获得稳健收益；
• 高β组合配合主题轮动策略，实现高弹性博弈；
• 对多因子策略进行风险暴露校正（控制组合β在一定区间内）。

最大回撤（Max Drawdown）

• 定义：历史上从峰值到谷底的最大跌幅（可按20日、60日等窗口）
• 用于识别潜在踩雷股、高杠杆股

 rolling_max = df['close'].rolling(60).max()drawdown = df['close'] / rolling_max - 1max_drawdown = drawdown.rolling(60).min()

策略用途：

• 剔除历史回撤极深未修复股票；
• 或反其道而行之，在“最大回撤+放量止跌”场景中构建反转策略。

夏普率因子（Sharpe-like Score）

• 构建方式：股票平均收益 / 收益标准差（低频窗口如60日、120日）
• 本质是风险调整后收益，用于识别高性价比个股

建议使用方式：

• 可作为打分模型的一部分；
• 或与动量因子联合，筛选“高回报低波动”股票。

偏度与尾部风险（Skewness, Downside Volatility）

• 偏度正：上涨猛、下跌缓；偏度负：上涨慢、下跌猛；
• 下行波动率：仅考虑负收益的标准差，衡量“踩雷风险”

用于特殊风控：

• 医药、成长股、转债等波动结构常常偏负偏度；
• 可加入为组合提供“尾部风险缓冲”逻辑。

四、组合策略中的风险因子用法范式

低波+稳定盈利 组合构建

筛选条件：- 历史波动率排名后30%（低波）- ROE、净利润连续三季改善- 剔除最大回撤>30%个股

风险加权分层策略

• 股票池按波动率、β、回撤等指标分为5组
• 观察各组未来收益与回撤指标
• 若低风险组表现显著优于高风险组 → 构建反向策略或配套筛选模块

与动量因子组合构建“动量-风险”双因子策略

策略逻辑：- 近60日动量排名Top 30%- 历史波动率位于后50%- 夏普率估算值前20%

实测结果表明，这类策略相比纯动量组合，波动更低、夏普更高、资金更友好。

五、在资产配置层级的作用

风险因子不仅用于选股，也用于跨资产配置与组合构建：

六、常见误区与注意事项

七、风险因子 ≠ 被动防御，而是智能结构

在低频量化策略中，风险因子是：

• 过滤不稳定股票的阀门
• 平衡动量与趋势的中介
• 构建“风险收益比”优质组合的核心工具

它们从来不是“怕风险”，而是识别、测量并利用风险结构，最终构建一个收益更稳定、风险更可控的策略系统。