volatility-managementmoreira-muirspanning-alphafactor-timingposition-sizingsharpe

Volatility-Managed Portfolio (波动率管理组合)

Definition. Moreira & Muir (2017, JF) 提出的做法: 按上期条件方差的倒数缩放组合敞口, 并把缩放常数校准到与原组合同等的无条件方差。若管理后组合对原组合回归的截距 (spanning alpha) 显著为正, 说明波动率择时提供了原组合张不出的收益 —— 而且这是在同等风险预算下取得的。

公式与校准

R_{i,t}^{m} = \frac{c_t}{\hat\sigma_{i,t-1}^{2}} \cdot R_{i,t}

两处细节决定了它是不是一个诚实的结果:

  1. 倒数是方差不是标准差。除以 \hat\sigma^2 比除以 \hat\sigma 更激进, 在低波动期会显著加杠杆 —— 所以必须检查结果是否由极端杠杆驱动。
  2. c_t 必须递归估计。用截至 t-1 的扩展窗估 c_t, 使管理组合与原组合的无条件方差相等。如果用全样本常数, 就引入了前视偏差, alpha 会虚高。

评价指标是 spanning regression:

R_t^{m} = \alpha + \beta R_t + \varepsilon_t

\alpha > 0 且显著 = 管理组合不被原组合张成。因为方差已被校准到相同, \alpha 可以直接读作"同风险下的超额收益"。

FUI 版本: 从单资产缩放到整个因子空间

Huovinen (2026) 把这一套用在因子空间的总敞口上, 权重按 Factor Uncertainty Index (FUI) (因子不确定性指数) 的平方倒数:

w_t = \frac{c_t}{\mathrm{FUI}_{t-1}^{2}}

\mathrm{FUI}_{t-1} 是 13 个主题 EWMA 条件波动率的截面均值, 月初计时。

聚合层的结果

策略 年化 Sharpe \DeltaSR α (bps/月) α t
未管理等权基准 1.245 — — —
无上限 1.525 +0.280 7.33 5.18***
权重截断 [5, 95] 1.548 +0.303 5.74 6.11***
权重截断 [10, 90] 1.528 +0.283 4.84 6.25***
二元 regime (超过扩展中位数则减半) 1.461 +0.216 2.48 6.06***

截断稳健性是这张表最重要的一行。若 alpha 主要来自低不确定期的极端杠杆, 收紧到 [10, 90] 应该把它抹掉; 实际上 alpha 从 7.33 降到 4.84 但 t 值反而升到 6.25。二元 regime 版本更极端 —— 只有"减半 / 不减半"两档、完全不加杠杆, 仍有 2.48 bps (t=6.06)。这说明收益来自方向正确的择时, 不是杠杆工程。

个体因子层: 一半有效, 一半有害

Panel A 的分散度比聚合结果更有信息量 —— 13 个主题里只有 6 个 Sharpe 改善:

主题 未管理 SR 管理后 SR ΔSR α (bps/月)
Momentum 0.427 0.735 +0.309 30.97 (t=4.60)
Low Leverage −0.005 0.194 +0.199 4.28
Low Risk 0.156 0.287 +0.131 14.01
…
Value 0.367 0.134 −0.233 −0.01
Investment 0.452 0.182 −0.270 −3.73
Size 0.157 −0.100 −0.258 −0.25 (t=-2.72)
  • Momentum 收益最大不意外: 动量崩溃 (Daniel-Moskowitz 2016; Barroso-Santa-Clara 2015) 正是"高波动期集中亏损"的典型, 波动率管理是对症的。这也与 SV 估计给 momentum 的最高 volatility-of-vol (\sigma_\eta = 0.505) 相互印证。
  • Size 被明确损害 (α 显著为负, t=-2.72): 规模溢价恰恰在高波动期赚取, 减仓等于系统性错过。

教训: 波动率管理不是普适增益, 它假定"高波动期的收益不足以补偿风险"。这个假定在崩溃型因子上成立, 在危机补偿型因子上不成立。聚合层的净收益是分散化的产物, 不能直接下推到单因子。

为什么聚合层能赚: 波动涨得比收益快

论文 6.6 节的分位数表给出了机制:

FUI 分位 月均收益 月标准差 年化 Sharpe
Q1 (低) 0.173% 0.234% 2.56
Q4 (高) 0.264% 0.839% 1.09

Q4 期望收益确实更高 (+53%), 但波动是 Q1 的 3.6 倍 —— 风险调整后收益反而被压缩。这正是反向缩放有价值的前提: 在 Sharpe 最差的时段减仓, 在 Sharpe 最好的时段加仓。

注意这条机制与论文结论段的"风险补偿"叙事存在张力 (见 Factor Uncertainty Index (FUI) (因子不确定性指数) 中的讨论)。但对实盘而言, 波动率管理的有效性只依赖前者: 只要"波动涨得比收益快"成立, 反向缩放就有价值, 不需要先解决"这是风险溢价还是错误定价"。

实盘落地要问的问题

论文没有覆盖、但决定这套东西能否上线的:

  • 换手与成本: 权重每月按 1/\mathrm{FUI}^2 变动, 换手率未报告。二元 regime 版本 (只有两档) 换手最低而 alpha 仍显著, 从成本角度可能是实际最优。
  • 杠杆可得性: 无上限版本在低 FUI 期的名义敞口未披露。截断版本更接近真实约束。
  • 信号延迟: \mathrm{FUI}_{t-1} 是月初值, 但 Layer 1 的滚动 AR(1) + Layer 2 的 EWMA 都有内在滞后。regime 切换点上的实际滑移需要单独测。
  • 与个股层 vol targeting 的叠加: 若组合内部已经在做 Volatility Targeting, 再叠一层总敞口缩放是否重复计算了同一部分风险?

与动量崩盘的关系：动态调仓不只缩波动率（2026-10-20 补记）

Daniel & Moskowitz 提供了一个与 Moreira-Muir 不同的实施路径，两者常被混为一谈：

Moreira-Muir 式波动率管理 Daniel-Moskowitz 动态动量
缩放依据 只有波动率 均值与方差两个预测值
缩放目标 降低总敞口 最大化无条件 Sharpe
缩放比例 大致 1/\sigma^2 条件波动率与条件 Sharpe 成比例
是否需要预测收益 否 是——这是关键差别

论文明确指出，动态策略相对 Barroso-Santa-Clara 的恒定波动策略有显著正 alpha，且在 spanning test 中涵盖对方的收益。换言之：只按波动率缩放会丢掉动量崩盘带来的那部分收益，因为崩盘的驱动力是均值（事前收益骤降），不是波动率。

这一点对本 wiki的实践含义：如果目标是降低动量崩盘的尾部风险，只做波动率管理是不完整的——需要同时预测动量溢价的条件均值。

See also

Sources