波动率的波动率因子：一个测不准的风险溢价

问题：一个理论上很硬、实证上很软的因子#

波动率的波动率（vol-of-vol，下文简称 vov）在理论上站得很稳。随机波动率模型里它是一个显式参数——Heston 模型的 ξ、SABR 的 ν——描述的是「波动率本身有多不稳定」。一个 vov 高的资产，你连它未来的风险水平都估不准，这是二阶不确定性。厌恶这种不确定性的投资者应该愿意为规避它付费，于是高 vov 资产应该有更低的预期收益。

实证文献里这个因子的表现比理论弱得多。有的研究找到显著的负溢价，有的找不到，有的换个估计窗口结论就反了。常见的解释是「样本期不同」或者「市场结构变化」。

本文提出一个更朴素的可能：这个因子的实证结果不稳定，可能主要是因为你根本测不准它。

为了把「溢价不存在」和「溢价存在但测不出来」这两件事分开，我做了一个真实 vov 参数完全已知的受控模拟。真实数据里做不到这一点——你只能比较两个估计量，永远不知道谁更接近真相。

模拟设计：溢价是我亲手放进去的#

• 400 只股票，2520 个交易日（10 年）
• 每只股票的对数波动率服从 OU 过程，vol-of-vol 参数 ξ_i 从 U(0.10, 0.75) 抽取，横截面均值 0.409
• 市场层同样有自己的随机波动率
• 预期收益里显式植入 vov 溢价：年化漂移 = −λ·ξ_i，λ = 0.06

def gen_panel(rng, N, T, mkt_r, lam=0.06):
    xi = rng.uniform(0.10, 0.75, N)          # 真实 vol-of-vol，这是要被估计的目标
    beta = rng.uniform(0.6, 1.4, N)
    base_vol = rng.uniform(0.012, 0.028, N)

    logv = np.zeros((T, N)); logv[0] = np.log(base_vol)
    kappa, theta, dt = 0.02, np.log(base_vol), np.sqrt(1/252)
    shocks = rng.normal(0, 1, (T, N))
    for t in range(1, T):
        logv[t] = logv[t-1] + kappa*(theta - logv[t-1]) + xi*dt*shocks[t]
    vol = np.exp(logv)

    drift = -lam * xi / 252.0                # 溢价：高 vov -> 低预期收益
    r = beta[None,:]*mkt_r[:,None] + rng.normal(0,1,(T,N))*vol + drift[None,:]
    return r, vol, xi, beta, base_vol

关键设计是 ξ 和 base_vol 独立抽取，横截面相关只有 0.024。这意味着在这个世界里 vov 和 vol 是两个正交的属性，任何「高 vov 组顺手也是高 vol 组」的现象都只能来自估计误差，不能来自真实结构。

溢价的理论量级：λ×(ξ的Q5−Q1跨度) = 0.06 × 0.50 = 3.00% 年化。这是上限，任何估计量最多抓到这么多。

结果一：常规估计量几乎捂不住真实 vol-of-vol#

最常见的 vov 估计流程是两步：先算滚动已实现波动，再算它的滚动标准差。

def realized_vol(r, w=21):
    c = np.cumsum(np.vstack([np.zeros(r.shape[1]), r**2]), axis=0)
    out = np.full(r.shape, np.nan)
    out[w-1:] = np.sqrt((c[w:] - c[:-w]) / w)
    return out

def rolling_std_of_logvol(rv, w=63):
    """vov 代理：log 已实现波动的一阶差分的滚动标准差，年化"""
    lv = np.log(rv)
    out = np.full(lv.shape, np.nan)
    for t in range(w, len(lv)):
        seg = lv[t-w+1:t+1]
        out[t] = np.std(np.diff(seg, axis=0), axis=0) * np.sqrt(252)
    return out

21 日已实现波动 + 63 日滚动窗口，是文献里的常见配置。结果：

斜率 0.027 这个数字值得停一下。 它的意思是：真实 vov 从 0.10 涨到 0.75（跨度 0.65），估计值平均只涨 0.018。而估计值本身的横截面标准差是 0.024。也就是说，整个真实 ξ 的变化范围投影到估计量上，产生的变异还不如噪声的一个标准差大。

方差分解更直白：估计量总方差里只有 4.49% 来自真实信号，95.5% 是噪声。

这不是「因子弱」，这是「你手上这个变量和你想测的东西基本无关」。任何用它做的排序，五分之四以上的分组决策是掷骰子。

结果二：噪声来自哪里，以及怎么砍掉一大半#

好消息是这个噪声不神秘，它有解析形式。

已实现波动本身是个估计量。在对数尺度下，用 w 个观测算出的 log(RV_w) 的估计误差方差约为 1/(2w)。当你对 log(RV) 做一阶差分再求标准差时，两期的估计误差都进去了：

var(Δ log RV) ≈ var(真实波动率变动) + 2 × 1/(2w)

21 日窗口下噪声项是 2×(1/42) = 0.0476。而真实的日频对数波动率变动方差是 ξ²/252 ≈ 0.409²/252 = 0.00066。噪声比信号大 72 倍。

这解释了 +92% 的水平高估——你测的几乎全是 RV 自身的抖动，不是波动率真的在抖。

两个改动可以大幅改善：

改动一：用无重叠窗口。 滚动窗口里相邻两天的 RV 共享 20 天数据，人为制造了平滑，同时让差分序列带上虚假的自相关结构。

def vov_nonoverlap(r_mat, w_rv=21):
    """无重叠分块：每 w_rv 天算一个 RV，再对块间差分求标准差"""
    T, N = r_mat.shape
    nb = T // w_rv
    rv = np.sqrt((r_mat[:nb*w_rv]**2).reshape(nb, w_rv, N).mean(axis=1))
    lv = np.log(rv)
    return np.std(np.diff(lv, axis=0), axis=0) * np.sqrt(252/w_rv)

改动二：把 RV 窗口拉长。 噪声项 1/(2w) 随窗口线性衰减。

两点结论：

1. 仅仅换成无重叠窗口，相关系数就从 0.212 跳到 0.449。 重叠窗口不只是「效率略低」，它主动损害了横截面区分能力。
2. RV 窗口 21→63 日，相关系数再从 0.449 提到 0.676。 但 126 日不再改善（0.670）——此时块数只剩 20 个，差分序列只有 19 个点，采样误差接管。

最优配置在 63 日无重叠，相关系数 0.676。 这比常规做法的 0.212 好了三倍多，代价是 10 年数据只能给出 40 个观测块。

那个「扣噪声」的修正（从方差里减去 1/(2w) 再开方）能把水平偏误压下去——21 日从 0.809 修到 0.259，但真实值是 0.409，从高估 98% 变成低估 37%。它对横截面相关几乎没有改善（0.449→0.450），因为它扣的是一个对所有股票相同的常数，不改变排序。这是一个容易踩的坑：水平校准和横截面区分度是两件事，修好前者不代表后者变好。

结果三：溢价是真的，但只抓得到 40.8%#

现在把估计量放进因子测试。因为真实 ξ 和 base_vol 正交，我用波动率中性分组（先按 RV 分 5 组，组内再按 vov 分 5 组）来排除任何残余的波动率污染。

上帝视角的 3.22% 与理论值 3.00% 吻合（t=1.99），说明溢价确实被正确植入了，引擎没问题。 注意即便在上帝视角下 t 值也只是勉强够 2——400 只股票、10 年，一个 3% 的年化横截面价差本来就在统计功效的边缘。

可观测估计量只抓到 40.8%（1.31%/3.22%），t 值 0.77，不显著。

为什么损失这么大？看各组捕获的真实 ξ 跨度：

常规估计量的排序只拉开了真实 ξ 跨度的五分之一——你以为在比较「vov 最高的 20%」和「vov 最低的 20%」，实际比较的是两组 vov 相差不到四分之一个理论跨度的股票。 收益价差自然被稀释。

有意思的是最优估计量捕获了 67.6% 的 ξ 跨度，却只换回 40.8% 的收益价差。差额来自分组内部：单只股票的实现收益方差远大于 3% 的预期收益差，80 只股票一组的标准误就有约 1.0-1.3 个百分点（见下节误差棒）。信号衰减和噪声放大是乘在一起的。

对照检验#

纯净对照：没有溢价的世界#

同一套代码，把 λ 设成 0（不植入任何 vov 溢价），重跑：

Q1−Q5 价差 −1.51%（t=−0.92），方向甚至反了，但完全不显著。

这张图里我特意加了误差棒，因为柱子看上去有个从 Q1 到 Q4 的上升趋势，容易被误读成「有效应」。误差棒全部重叠——任何两组之间的差异都在噪声范围内。 这正是一个纯净对照该有的样子：引擎不会凭空造出显著信号。

对照组还给出另一个数字：即便在无溢价世界，估计量与真实 ξ 的相关也有 0.157（用常规配置），这个相关是真实存在的（估计量确实弱相关于真实值），只是不带任何收益含义。

窗口敏感性：结论随窗口漂移#

42/126 配置跑出 t=1.97，几乎就是「显著」。 而 10/42 配置跑出 0.08%，等于什么都没有。同一份数据、同一个真实溢价，换个窗口结论从「强证据」变成「零证据」。

这一行是本文对实证文献的主要怀疑来源。如果一个因子的显著性对估计窗口这么敏感，那么文献里那些显著结果里，有多少是试了几个窗口之后留下的那个？ 注意 42/126 的相关系数（0.388）还不如 63/252（0.509），但 t 值高得多——估计质量最好的配置不是 t 值最高的配置，这几乎是过拟合的定义。

多种子稳健性#

15 个独立种子重跑（常规配置）：

在一个确定植入了 3% 溢价的世界里，用常规估计量做实证，15 次里有 6 次会得到符号相反的结果。价差标准差 2.19% 是均值 0.69% 的 3 倍多。

这就是文献结论不一致的一个完全充分的解释——不需要假设市场变了、样本期特殊或者因子失效。 估计噪声本身就足以产生这种散布。

结果四：换手率与载荷稳定性#

月度重构的多空组合（多低 vov、空高 vov，波动率中性）：

年化单边换手 20.9 倍。 零成本 Sharpe 只有 0.11，5bp 就转负。

换手率为什么这么高？答案在右图：

在一个 ξ 被设定为恒定不变的世界里，vov 排名的前后半期相关只有 0.115。 真实值一动不动，估计值几乎完全洗牌——这是 95.5% 噪声占比的直接后果。高 vov 组的留存率 27.5%，只比随机的 20% 高一点。

对比普通波动率：同样是 5 年间隔，相关 0.958、留存 73.8%。同一批数据、同一个估计框架，一个稳如磐石，一个几乎是白噪声。

这条对比是本文最有诊断价值的一处。它给出一个不需要知道真实值就能在实盘上做的检查：把因子载荷做前后期分割，看排名持续性。 如果一个理论上应该缓变的属性，它的估计值持续性很低，那么问题几乎肯定在估计量而不在市场。

顺带解释了 20.9 倍换手：不是策略设计激进，是排序变量本身每个月都在重新洗牌。

实盘落地的估计量#

import numpy as np

def vov_estimate(returns, w_rv=63, denoise=True):
    """
    推荐配置：63 日无重叠块 + 噪声修正
    returns: (T, N) 日频收益
    """
    T, N = returns.shape
    nb = T // w_rv
    if nb < 8:
        raise ValueError(f"数据不足：只有 {nb} 个块，至少需要 8 个")

    rv = np.sqrt((returns[:nb*w_rv]**2).reshape(nb, w_rv, N).mean(axis=1))
    lv = np.log(rv)
    raw_var = np.var(np.diff(lv, axis=0), axis=0)        # 块间对数波动变动方差

    if denoise:
        raw_var = np.maximum(raw_var - 2*(1/(2*w_rv)), 1e-9)   # 扣掉 RV 估计误差
    return np.sqrt(raw_var * 252 / w_rv), nb

def diagnose(score_early, score_late, label="vov"):
    """上线前必做：载荷持续性检查"""
    n = len(score_early)
    top_e = set(np.argsort(score_early)[-n//5:])
    top_l = set(np.argsort(score_late)[-n//5:])
    return dict(
        corr=float(np.corrcoef(score_early, score_late)[0, 1]),
        top_retention=len(top_e & top_l) / (n//5) * 100,
        verdict="可用" if np.corrcoef(score_early, score_late)[0,1] > 0.5 else "估计量噪声过大",
    )

diagnose 比 vov_estimate 更重要。任何因子上线前都应该跑一遍持续性检查，成本极低，能识破的问题很多。留存率接近 20%（随机水平）就说明你的载荷是噪声，后面所有回测都不用看了。

已知偏差#

1. ξ 被设定为恒定。 真实的 vol-of-vol 自身会随市场状态变化（危机期普遍上升）。这个设定让本文的持续性检验成为一个纯粹的估计噪声度量——真实世界里低持续性会混合「估计噪声」和「真实时变」两个来源，无法用本文方法区分。也就是说，实盘看到的持续性比 0.115 高一些，不等于估计量比这里好。

2. 无跳跃。 真实收益含跳跃，会污染已实现波动，进而放大 vov 估计误差。本文的 95.5% 噪声占比在含跳跃数据上只会更差。用 bipower variation 等抗跳跃估计量可以缓解，本文未测。

3. 没有用期权隐含数据。 实务上 vov 的一个更好代理是 VVIX 类指标或期权隐含波动率曲面的波动，它们不依赖于从收益反推波动率，噪声结构完全不同。本文的结论只适用于「从日频收益估 vov」这一条路径。A 股无个股期权，这条路在国内基本是唯一选择——这恰恰说明国内做个股 vov 因子的难度被系统性低估了。

4. 溢价设为线性且时不变。 真实的 vov 溢价可能在高不确定性时期才显现。本文的检验对这种条件性溢价没有功效。

5. 400 只股票是小样本。 上帝视角的 t 值只有 1.99，说明即便测量完美，这个量级的溢价在 400 只股票上也处于统计功效边缘。扩到 3000 只股票，理论 t 值会到 5 以上——样本量本身可以救回一部分，但救不回估计量的 95.5% 噪声。

结果解读#

先说最重要的结论：这篇文章没有证明 vov 溢价不存在，它证明了在常规估计流程下你无法判断它是否存在。 上帝视角的 3.22%（t=1.99）和可观测估计量的 1.31%（t=0.77）来自同一份数据。前者说有，后者说不知道。差别不在市场，全在测量。

因子研究的失败模式有两种，混淆它们会导致完全错误的下一步。 第一种是「信号不存在」——再好的估计量也测不出东西，正确反应是放弃。第二种是「信号存在但估计量太差」——正确反应是改进估计量。这两种在实证结果上长得一模一样（都是 t 值不显著），而受控模拟是少数能把它们分开的手段。本文的 vov 属于第二种：噪声占 95.5%，改进空间巨大（0.212→0.676 只用了两个简单改动），但即便改到最优也只抓到 40.8%。

「捕获 67.6% 的 ξ 跨度只换回 40.8% 的收益价差」这个损耗比值得记住。 因子载荷的测量误差不是线性传导到收益的——它先稀释排序、再被分组内的收益噪声放大。一个「相关系数 0.68 还不错」的估计量，落到收益上可能只剩四成。评估估计量质量时看相关系数会系统性乐观。

窗口敏感性那张表应该让所有做因子研究的人警觉。 t 值从 0.05 到 1.97，跨度覆盖了「毫无证据」到「几乎显著」的整个区间，而这只是换了估计窗口。更微妙的是估计质量最好的配置（63/252，相关 0.509）不是 t 值最高的配置（42/126，相关 0.388）。如果你按 t 值挑窗口，你会挑中一个估计质量更差的配置——这就是过拟合在因子研究里的具体形态，它不需要任何主观作弊，只需要「试几个参数选效果好的」这个看起来完全合理的做法。

持续性检查应该成为标准动作。 0.115 vs 0.958 这个对比几乎是免费的诊断——不需要知道真实值、不需要模拟、不需要额外数据。任何理论上缓变的因子载荷，如果前后期相关低于 0.5，先怀疑估计量。我不觉得这个检查有多聪明，但它在本文里的判别力比任何统计检验都强。

成本这一关基本封死了这个因子的独立可交易性。 年化换手 20.9 倍、零成本 Sharpe 0.11——即便估计量改到最优，这个换手率也不是「优化一下调仓频率」能救的，因为换手来自载荷本身的不稳定。真正的出路是把 vov 当风险控制变量而不是 alpha 来源：在组合优化里对高 vov 暴露加惩罚项，不产生额外交易，只调整已有持仓的权重。这条路本文没测，但从换手结构看，它是唯一说得通的用法。

最后一个不太舒服的推论。 15 个种子里有 6 个跑出反向符号——这意味着如果 15 个研究团队在 15 个独立样本上做同一个正确的研究，会有 6 篇论文报告反向效应。而按发表偏好，最可能被发表的是那个跑出 +3.36% 的种子。文献里那些不一致的 vov 实证结果，可能压根不需要用「市场结构变化」来解释。