Stochastic Volatility vs Deterministic Volatility (随机波动率 vs 确定性波动率)
Definition. 条件波动率模型分两类: 确定性 (GARCH / EWMA / 滚动 RV) 中, \sigma_t^2 是过去可观测量的确定函数 —— 给定历史, 今天的方差没有任何随机性; 随机波动率 (SV) 中, 方差过程有自己独立的创新项 \eta_t, 与收益创新 \varepsilon_t 独立。这个区别不只是技术细节: 它正是"不确定性"区别于"波动率"的理论机制所在。
形式对比
确定性 (GARCH(1,1)):
\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2
给定 \{\varepsilon_s\}_{s<t}, \sigma_t^2 完全确定。EWMA 是 \omega=0、\alpha+\beta=1 的特例; 滚动 RV 是等权窗版本。
随机波动率 (KSC 1998):
y_t = \exp(h_t/2)\,\varepsilon_t, \qquad h_t = \mu + \varphi (h_{t-1} - \mu) + \sigma_\eta \eta_t, \quad \eta_t \sim N(0,1)
\eta_t \perp \varepsilon_t 是关键: 方差本身受到独立冲击。\sigma_\eta 即 volatility-of-volatility, 它是否显著为正决定了这条独立通道在实证上是否有意义。
为什么这个区别对"不确定性"很重要
在 JLN 不确定性测度框架 (Uncertainty as Conditional Volatility of Forecast Errors) 的语境下, "不确定性"要求方差本身可以出人意料地变化。确定性模型按构造做不到这件事 —— 它们只是把过去的平方残差平滑成今天的方差。所以引入 SV 不是为了拟合更好, 而是为了检验"独立方差创新通道"在数据里到底存不存在。
Huovinen (2026) 在 13 个因子主题上给出的答案是: 存在, 且不可忽略。
| 主题 | \varphi (持久性) | \sigma_\eta (vol-of-vol) | \mu |
|---|---|---|---|
| Momentum | 0.901 (最低) | 0.505 (最高) | −9.00 |
| Low Leverage | 0.986 (最高) | 0.205 | −9.24 |
| Seasonality | 0.968 | 0.142 (最低) | −11.78 |
| Short-Term Reversal | 0.926 | 0.329 | −10.67 |
| Value | 0.965 | 0.298 | −9.09 |
| 均值 | 0.949 | 0.265 | — |
平均 \sigma_\eta = 0.265 明显为正 —— 独立方差创新通道在因子收益上是真实的。
Momentum 在两个维度上都是异类: 持久性最低 + vol-of-vol 最高。这与动量崩溃文献 (Daniel-Moskowitz 2016; Barroso-Santa-Clara 2015) 完全吻合 —— 动量的波动会跳变, 而确定性模型只能把这种跳变归因于过去的平方残差, 在结构上无法表达。这也解释了为什么 momentum 是 Volatility-Managed Portfolio (波动率管理组合) 中收益最大的主题 (ΔSR +0.31)。
实证代价: SV 不可实时实现
SV 的估计用 forward-filtering backward-sampling (de Jong-Shephard 1995): 后向采样步骤条件于完整路径 h_{1:T}。因此 SV 估计的波动率序列是样本内、全信息的, 含前视信息, 不能作为实时信号。
Huovinen 的处理是本 wiki 认为值得学习的做法: SV 全程保留但明确标注为理论上界, 所有可落地结论只从 EWMA / GARCH / RV12 三个严格因果的估计器中得出。
一个反直觉的实证结果加强了这个处理的可信度: SV 的样本外表现反而最差 (各期限 R^2_{OS} 均低于 EWMA/RV12, h=1 与 h=12 的 Clark-West 检验不显著)。作者的解释是 SV 的 AR(1) = 0.995 过度持久 —— 贝叶斯收缩把路径磨得太平滑, 对新发作的不确定性反应太慢, 这个时效成本盖过了前视信息带来的好处。作者顺势指出: 如果前视效应是主导力量, SV 本应在样本外碾压因果估计器, 而事实并非如此。
四估计器的一致与分歧
| EWMA | GARCH | RV12 | SV | |
|---|---|---|---|---|
| 全样本相关 (与 EWMA) | 1.000 | 0.943 | 0.982 | 0.930 |
| 60 月滚动相关 <0.90 的窗口占比 | — | 69.0% | 21.8% | 80.3% |
全样本相关 0.84–0.98 看着很和谐, 但滚动窗揭示了实质分歧: GARCH–SV 有 95.1% 的窗口相关低于 0.90, 最低到 0.037。只有 EWMA–RV12 保持稳定 (仅 21.8% 的窗口低于 0.90)。
方法论教训: 报告全样本相关来论证"结果不依赖估计器选择"是不充分的 —— 必须看滚动相关。四个估计器在危机排序上确实一致 (dot-com > GFC > COVID), 但在平静期的相对水平上经常各说各话。
SV 的均值水平也系统性偏低 (0.0087 vs EWMA 的 0.0172), 这来自 MCMC 后验的贝叶斯收缩 (把极端 draw 拉向无条件均值) 以及 \exp(h/2) 与 EWMA 标准差不在同一尺度上。用秩相关比较才有意义 (Spearman: EWMA–SV 0.859)。
选型建议
| 场景 | 推荐 | 理由 |
|---|---|---|
| 实盘信号 | EWMA 或 RV12 | 严格因果, 参数少, 两者滚动相关最稳定 |
| 需要参数化动态 | GARCH(1,1) | 但滚动重估的噪声不小; 本文中它的样本起点也最晚 |
| 检验"方差有无独立创新" | SV | 唯一能回答这个问题的设定 |
| 论文中的上界基准 | SV, 并明确标注不可实时实现 | 否则读者会把上界当作可达业绩 |
EWMA 的 \lambda 选择也值得一记: Huovinen 用 QLIKE 损失 (Patton 2011 的稳健波动率损失函数) 优化得到 \lambda = 0.85, 明显低于 RiskMetrics 的 0.94。原因是月频因子收益的噪声-信号比远高于 RiskMetrics 设计针对的日频资产收益, 需要更快的衰减来跟上。直接照搬 0.94 会得到过度平滑的序列。
See also
- JLN 不确定性测度框架 (Uncertainty as Conditional Volatility of Forecast Errors) — 第二步的方法学位置
- Factor Uncertainty Index (FUI) (因子不确定性指数) — 四估计器并列的实例
- Learning-Based Stochastic Volatility (学习驱动的随机波动率) — SV 的另一种来源: 不是外生过程, 而是投资者学习的内生结果
- Volatility Targeting — 波动率估计的下游用途
- Volatility-Managed Portfolio (波动率管理组合) — momentum 的高 vol-of-vol 与管理收益的对应
Sources
- summaries/202604-measuring-equity-factor-uncertainty/202604-measuring-equity-factor-uncertainty — (2026-08-12) 摘要
- Kim, S., Shephard, N., & Chib, S. (1998). "Stochastic Volatility: Likelihood Inference and Comparison with ARCH Models." Review of Economic Studies 65(3), 361–393.
- de Jong, P. & Shephard, N. (1995). "The Simulation Smoother for Time Series Models." Biometrika 82(2).
- Patton, A. J. (2011). "Volatility Forecast Comparison Using Imperfect Volatility Proxies." Journal of Econometrics 160(1).