很多策略的「收益」和「风险」是绑定的：涨得猛的时候波动也大，跌得狠的时候波动也大。于是你以为自己在赚 alpha，其实大部分额外收益只是承担了额外风险——一旦用波动率目标（volatility targeting）把风险拉平，那些「超额收益」就消失了一大半。但有一类策略不一样：它的预期收益（μ）大致恒定，可波动率（σ）剧烈时变。对这类策略，Moreira & Muir (2017) 提了一个极简却有力的做法——波动率管理组合（Volatility-Managed Portfolio, VM）：不预测方向，只根据「当前波动有多大」来缩放敞口。
核心直觉一句话：如果一个策略的收益不随自身方差放大，那在高波动期主动降杠杆，砍掉的主要是噪声而非 alpha，组合 Sharpe 不会塌、风险却大幅降。这就是 VM 的全部武器——一个公式 w_t = c / σ̂_t²。
我们用 30 年月度合成数据验证：基础策略月度 μ=0.4%、波动率由随机波动率 AR(1) 驱动（高波动聚集、且难以被完美预测）。原始满仓组合年化波动 16.1%、最大回撤 −49%；波动率管理组合（用过去 36 个月已实现方差估计 σ̂_t²、w_t=c/σ̂_t²、c 取使平均敞口≈1）把年化波动压到 5.6%（降 65%）、最大回撤砍到 −18.6%（降 62%），而 Sharpe 几乎不变（0.320→0.285，比值 0.89）。
一、为什么「收益不随方差放大」是 VM 成立的前提#
VM 不是凭空降风险的魔法。它的威力有明确前提——基础策略的预期超额收益 μ 恒定，不随自身方差 σ² 放大。
# 基础策略月度收益：恒定 μ + 时变波动 σ_t 乘标准正态
h[t] = PHI * h[t-1] + N(0, SIG_H) # 随机波动率（对数尺度），高波动聚集
sig_t = SIG0 * exp(h[t]) # 真实时变月度波动率
r_t = MU + sig_t * z_t , z_t ~ N(0,1) # 注意：μ 是常数，不乘 σ_t关键点：收益里的 MU 是常数，而 sig_t * z_t 那部分才是随 σ_t 放大的噪声。如果一个策略是 r_t = a·σ_t + sig_t·z_t（收益随方差放大），那 VM 去杠杆会把 alpha 也砍掉——VM 对它无效甚至有害。VM 只对「收益端不随波动放大、风险端却时变」的策略有效，这正是许多横截面异常（size、value、momentum）的实证特征：异常溢价不随自身波动上升。
二、波动率怎么估计：trailing realized variance#
VM 不预测未来的 σ，只用过去已实现收益估计当前波动（一个因果可得的代理）：
def realized_var(r, t, w=36):
"""用过去 w 个月收益的平方和估计当期方差（trailing realized variance）。"""
if t < w:
return np.var(r[: max(t, 1)]) + 1e-12
return np.mean(r[t - w: t] ** 2) + 1e-12 # 月度尺度，已含方差定义再算 VM 敞口：
def build_vm(r):
"""波动率管理组合(Moreira-Muir)：w_t = c / σ̂_t²。
c = 1 / E[1/σ̂²] 使平均敞口≈1（不靠杠杆放大，纯做风险变换）。"""
sig2_hat = np.array([realized_var(r, t) for t in range(MONTHS)])
c = 1.0 / (1.0 / sig2_hat).mean()
w = c / sig2_hat # 敞口（杠杆）
w = np.clip(w, 0.3, 2.5) # 实操杠杆上下限
r_vm = w * r
return r_vm, w, sig2_hatw_t = c/σ̂_t² 的经济含义：把每期风险预算钉在固定值。σ̂_t 大 → 少买（去杠杆），σ̂_t 小 → 多买（加杠杆）。它从不判断「下个月涨还是跌」，只回答「现在波动太大，少冒点险」。
三、真实波动飙升时，VM 自动去杠杆#
下图是一条代表性路径（30 年）的真实年化波动率（橙）与 VM 敞口（蓝）：
每当真实波动率冲高（橙色峰），VM 敞口（蓝线）立刻被压到 1 以下——2008 式的高波动段里它几乎半仓甚至更低。这不是预测，是「波动高了就缩」的机械反应。
敞口和估计波动率的散点关系更直白：
w_t = c/σ̂_t² 画出一条完美的双曲线——估计波动越高，敞口越低。两段红色虚线是实操约束：极端低波动时最多加到 2.5 倍杠杆，极端高波动时至少去到 0.3 仓。
四、VM 把波动熨平，Sharpe 几乎不变#
累计净值对比（代表性路径，月度）：
代表性路径里，原始组合 Sharpe 0.256、VM 组合 0.251——几乎一样，但 VM 的曲线明显「更平滑、回撤更浅」。200 次蒙特卡洛平均：原始 Sharpe 0.320、VM 0.285（比值 0.89）。
24 个月滚动年化波动率对比：
VM（蓝）的滚动波动被整体压平到一条低得多的带，而原始组合（红）的波动随市场 regime 大幅起伏。这正是 VM 的本职：风险预算恒定化，把「时变波动」这个风险来源从组合里抠掉。
| 指标 | 原始组合(满仓) | 波动率管理 VM | 变化 |
|---|---|---|---|
| 年化收益 | +5.1% | +1.6% | 因降杠杆而降 |
| 年化波动 | 16.1% | 5.6% | 降 65% |
| Sharpe | 0.320 | 0.285 | 比值 0.89（几乎未塌） |
| 最大回撤 | −49.0% | −18.6% | 降 62% |
结论：VM 用「少赚一点（收益被降杠杆摊薄）」换来了「波动砍六成、回撤砍六成」。Sharpe 几乎不变说明——省下来的不是 alpha，是纯粹的冗余风险。对需要控回撤、上杠杆、或做风险预算配置的机构，这比「多赚 2 个点」值钱得多。
五、六类真实陷阱#
- 前提错，VM 反噬：VM 的全部收益在于「μ 不随 σ² 放大」。若你的策略收益本身随波动放大（如某些趋势跟踪、带方向押注的筹码），VM 去杠杆会把真 alpha 也砍掉，Sharpe 反而下降。落地前先用回归检验
r_t 对 σ_t²的斜率是否≈0，斜率显著为正就别用 VM。 - 波动率估计是滞后的：我们用过去 36 个月 realized variance，它是已实现的、因果可得，但本质是「慢信号」。波动率有聚集也有突变（如 COVID 闪崩），36 个月窗口的反应会慢半拍——极端行情里 VM 降杠杆降得太晚，保护不够。窗口越短反应越快但噪声越大，要权衡。
- Jensen 杠杆陷阱（理论 vs 实操差异）：理论上，若用
c=mean(σ̂²)（MM 论文常数）且 σ̂ 完美=σ，Sharpe 会因E[1/σ²]·E[σ²]≥1的 Jensen 效应而上升。但实盘 σ̂ 有估计误差，这个「免费 Sharpe 提升」会消失甚至反转——本文用c=1/E[1/σ̂²]锁定平均敞口=1，结果 Sharpe 基本持平（比值 0.89），这反而是更诚实的实操预期：VM 主要价值是降波动/降回撤，而非提 Sharpe。 - 杠杆约束吃掉尾部保护：我们设
[0.3, 2.5]的杠杆上下限。若去掉上限，低波动期 VM 会加到 5~8 倍，一旦紧接着波动回升，高杠杆+回升波动=巨大回撤。下限 0.3 也意味着高波动期你几乎空仓、错过反弹。约束是工程必需，但也意味着 VM 不是「无损」。 - 频率错配：VM 在月度频率、用月度收益估计、月度调仓最干净。若搬到日频、用日 realized variance，估计噪声剧增、交易磨损上升，且日频 VM 容易在「波动假高峰」过度去杠杆。降频（月/双周）通常比高频更稳。
- 合成数据局限：本面板是「恒定 μ + 随机波动率 AR(1)」的自洽合成，横截面异常的真实波动结构更复杂（相关性、regime 切换、波动与收益的杠杆效应）。真实 VM 还要处理：估计窗口选择、不同资产波动的联动、以及——VM 把单策略波动压平后，往往要和别的策略做风险预算组合才释放完整价值（单独看收益被摊薄了）。
六、结语#
波动率管理组合是「少即是多」的典范：
- 它不预测方向，只用一个公式
w_t = c/σ̂_t²把风险预算钉死； - 前提是「收益不随方差放大」——对这类策略，高波动期降杠杆砍的是噪声不是 alpha；
- 在我们的合成里，它把年化波动从 16.1% 压到 5.6%（−65%）、最大回撤从 −49% 砍到 −18.6%（−62%），而 Sharpe 几乎不变——省下的是冗余风险，不是 alpha。
和之前聊的风险平价、CPPI、波动率目标放一起看：CPPI 用 cushion 做仓位的「底线保护」、风险平价做跨资产的「风险均摊」、VM 做单策略的「波动归一」——它们都不是靠预测赚钱，而是靠「把不可控的风险拨回可控」赚钱。VM 尤其适合作为多策略风险预算组合的底漆层：先把每个子策略的波动拉平，再做上层配置，才不会让「恰好最近波动大的那个」喧宾夺主。
注：本文收益面板为自洽合成数据（恒定 μ + 随机波动率 AR(1)、trailing realized variance 估计），用于演示 VM 的波动归一与回撤削减；真实落地需先检验「收益不随方差放大」前提、权衡估计窗口、并对杠杆设上下限。