波动率风险溢价择时：用 VRP 开关股债配置 • halo 的技术博客

「恐慌」能不能被定价？能。而且它就写在一个简单的差里：

VRP = σ_implied² − σ_realized²

plaintext

左边是期权市场隐含的「未来波动预期」（比如 VIX 背后的方差），右边是用过去实际收益算出来的「已实现波动」。两者之差，就是市场愿意为「波动保险」多付的钱——波动率风险溢价（Volatility Risk Premium, VRP）。

它几乎永远为正：投资者天然厌恶波动，愿意花钱把波动风险转移给卖方（做市商、对冲基金），所以隐含波动系统性高于已实现波动。这个「溢价」不是噪声，而是可被择时的信号。

结论先放这：VRP 与下月股票相对债券超额收益正相关——VRP 越高（恐慌越贵），未来股票越该涨。用 VRP 的 60 分位做开关：高于阈值配股票、低于阈值配债券。模拟里（240 个月）VRP 择时年化 9.0%、夏普 0.66、最大回撤 −33.2%；而买入持有股票年化 6.8%、回撤 −43.4%，60/40 年化 6.9%、回撤 −19.8%。择时没丢掉多少收益，却把股票那段最疼的回撤切掉了一大块。

波动率风险溢价：隐含波动系统性高于已实现波动

图上红色填充区就是 VRP>0 的部分——几乎覆盖整条时间轴。隐含波动（红）常年趴在已实现波动（蓝）上方，这就是「恐慌溢价」的可见形态；而危机窗口（灰色阴影）里两者同时飙升，溢价被拉到最宽。

一、VRP 为什么是正的，为什么能择时#

要理解 VRP 为什么能择时，先想清两件事：

1. 为什么 VRP > 0？ 股票投资者怕跌，愿意付溢价买「保险」（买认沽、卖波动率）。卖方接下这个风险，要求补偿。所以隐含方差 = 预期真实方差 + 风险溢价。溢价越高，说明市场越怕。

2. 为什么 VRP 高 → 未来股票涨？ 这是 Bollerslev-Tauchen-Zhou (2009) 的核心结论：VRP 高的时候，往往是市场刚经历/正在经历恐慌抛售，估值被杀到低位、风险补偿积累到高位。从「风险补偿」的角度，此刻持有股票的预期超额收益反而更高——你收的「保险溢价」变多了。所以 VRP 对下期股票超额收益是正预测。

import numpy as np

def simulate_vrp_data(T=240, seed=20260715):
    """模拟 VRP 数据：隐含/已实现方差 + 权益/债券收益。"""
    rng = np.random.default_rng(seed)
    # 1) 已实现方差路径（波动率聚集 + 危机尖峰）
    state_vol = 0.04
    realized_var = np.zeros(T)
    for t in range(T):
        state_vol += 0.85 * (0.04 - state_vol) + rng.normal(0, 0.004)
        state_vol = max(state_vol, 0.02)
        realized_var[t] = state_vol ** 2
    crises = [(48, 56), (120, 128), (200, 208)]
    for a, b in crises:
        realized_var[a:b] *= 5.0                      # 危机：波动飙升
    # 2) 隐含方差 + VRP（恐慌时 VRP 系统性为正）
    vrp = (0.0006 + 0.8 * np.maximum(realized_var - 0.04**2, 0)
           + rng.normal(0, 0.0002, T))
    implied_var = realized_var + vrp
    implied_vol   = np.sqrt(implied_var) * np.sqrt(12) * 100   # 年化隐含波动 %
    realized_vol  = np.sqrt(realized_var) * np.sqrt(12) * 100  # 年化已实现波动 %
    VRP = implied_var - realized_var                        # 方差差
    VRP_volpts = implied_vol - realized_vol                 # 波动率点（用于解读/择时）
    # 3) 权益收益：条件预期溢价由「上月 VRP(波动率点)」正向驱动（BTZ 机制）
    zvrp_lag = (VRP_volpts - VRP_volpts.mean()) / VRP_volpts.std()
    e_ret = np.zeros(T)
    e_ret[0] = 0.009 + rng.normal(0, 0.045)
    for t in range(1, T):
        prem = 0.009 + 0.006 * zvrp_lag[t - 1]             # 上月 VRP 越高 → 本月条件溢价越高
        crash = -0.11 if any(a <= t < b for a, b in crises) and (t - a) == 0 else 0.0
        e_ret[t] = prem + crash + rng.normal(0, 0.042)
    # 4) 债券收益：温和票息 + 危机避险
    b_ret = 0.004 + 0.3 * (-(e_ret - 0.009)) + rng.normal(0, 0.008, T)
    for a, b in crises:
        b_ret[a] += 0.014
    return dict(implied_vol=implied_vol, realized_vol=realized_vol, VRP=VRP,
                VRP_volpts=VRP_volpts, e_ret=e_ret, b_ret=b_ret, crises=crises)

python

二、VRP 与下月收益：择时的统计基础#

直接把「当月 VRP」对「下月股票−债券超额收益」做散点回归，看斜率正负：

def vrp_forward_regression(d):
    fwd_ex = d["e_ret"][1:] - d["b_ret"][1:]       # 下月权益−债券超额
    vrp_lag = d["VRP_volpts"][:-1]                  # 当月 VRP（波动率点）
    b1, b0 = np.polyfit(vrp_lag, fwd_ex, 1)
    corr = np.corrcoef(vrp_lag, fwd_ex)[0, 1]
    return b1, b0, corr

python

VRP 越高，下月权益相对债券越赚：择时的统计基础

模拟里 VRP 月度均值 3.50 个波动率点（且 100% 的月份为正——典型的「恐慌溢价常态为正」），VRP 对下月权益超额收益的 OLS 斜率为正、相关性 +0.15 左右。斜率是正的，就是择时能够盈利的根本前提：信号方向对，剩下的只是阈值工程。

注：相关 +0.15 看着不大，但择时不需要高相关，只需要「高 VRP 月平均比低 VRP 月好」这个单调性成立。0.15 的相关性在 240 个样本上已经足够把开关策略的夏普从买入持有的 0.38 拉到 0.66。

三、择时规则：一个分位阈值开关#

规则朴素到不好意思：

若 VRP_t > percentile(VRP, 60):   w_eq = 1.0, w_bond = 0.0
否则:                              w_eq = 0.0, w_bond = 1.0

plaintext

也就是「VRP 在高 40% 分位时满仓股票，其余时间满仓债券」。为什么用 60 分位而不是 50？因为股票长期有正 drift，阈值设低（更常配股票）能多赚一点 beta；设太高则太常空仓踏空。60 分位是个「股票配置月份占比约 40%」的折中——大部分时间让债券扛着，只在恐慌溢价高时出击。

def vrp_timing(d, q=60):
    """VRP 分位开关：高配股票、低配债券。"""
    VRP = d["VRP_volpts"]
    threshold = np.percentile(VRP, q)
    alloc_eq = (VRP > threshold).astype(float)        # 1=股票, 0=债券
    timing_ret = alloc_eq * d["e_ret"] + (1 - alloc_eq) * d["b_ret"]
    return timing_ret, alloc_eq, threshold

def perf(r):
    r = np.array(r)
    cum = np.cumprod(1 + r)
    ann = cum[-1] ** (12 / len(r)) - 1
    vol = r.std() * np.sqrt(12)
    sharpe = (r.mean() * 12 - 0.02) / vol
    peak = np.maximum.accumulate(cum)
    mdd = (cum / peak - 1).min()
    return dict(ann=ann, vol=vol, sharpe=sharpe, mdd=mdd)

python

跑出来（240 个月）：

策略	年化收益	夏普	最大回撤
买入持有股票	6.8%	0.38	−43.4%
60/40 静态	6.9%	0.66	−19.8%
VRP 择时	9.0%	0.66	−33.2%

VRP 股债择时：守住回撤又不丢太多收益

VRP 择时（红）在绝大多数时间压在买入持有股票（蓝）上方，且在危机窗口的回撤明显更浅。它没跑赢 60/40 的回撤（−19.8%），但收益高了 2 个百分点还多——相当于用比 60/40 深的回撤，换来了比两者都高的收益和同样好的夏普。

四、回撤：择时切掉了最疼的一段#

把回撤叠在一起看更直观：

回撤对比：VRP 择时最大回撤 −33.2% vs 股票 −43.4%

VRP 择时在三次危机（图中三段深坑）里都提前把仓位从股票切到了债券，把股票的 −43.4% 回撤压到了 −33.2%——少跌了 10 个百分点。代价是债券那段平坦收益拉低了平时涨幅，但择时的逻辑本就不是「每时每刻都赢」，而是「在系统性风险释放时不在场」。

五、为什么是 VRP 而不是 VIX 本身#

很多人直接用 VIX 水平做择时（VIX>30 就跑）。VRP 比 VIX 好在两个地方：

1. VRP 是「相对值」不是「绝对值」。 VIX=20 在 2017 年算高，在 2020 年算低。VRP 把「隐含 vs 当前已实现」的差单独拎出来，自动做了 regime 归一化——它衡量的不是「波动绝对值」，而是「市场为保险多付了多少」，这才是定价信号。

2. VRP 直接对应「风险补偿」。 VIX 高可能只是波动大，不代表补偿高；VRP 高才是「你卖波动能收到的溢价高」。做多 VRP（卖波动率）赚的是这个差，择时股债配置用的也是这个差的相对高低。

六、六类真实陷阱（别拿模拟当实盘）#

陷阱 1：VRP 的实现依赖「隐含−已实现」口径一致。 用 VIX（30 天前向、方差互换口径）减 30 天滚动已实现方差，才对得上。拿 VIX 减日收益年化方差，口径错配会让 VRP 符号乱跳。本文用同一个 realized_var 构造两边，口径严格对齐。

陷阱 2：模拟里 VRP 与收益的正相关是我「埋」进去的。 真实数据里 BTZ 的结论成立，但样本外相关会衰减、在 2020 年 3 月那种「VRP 飙升但股票继续跌」的急跌里会短暂失效。实盘必须用滚动窗口重估阈值，不能写死 60 分位。

陷阱 3：满仓开关的换手成本没算。 本文 timing_ret 是无摩擦的。真实里 VRP 在阈值附近反复穿越会触发频繁切换，债券端也有买卖价差和税负。实务上要加「滞后带」（hysteresis）：突破 60 进、跌破 40 才出，避免来回鞭打。

陷阱 4：债券不一定是安全垫。 本文债券与股票弱负相关、危机走强，是美债假设。若你配的是高收益债（与股票正相关），VRP 切到债券反而没避险。择时的「另一端」必须真负相关资产。

陷阱 5：VRP 择时会错过慢牛。 低波动慢涨期 VRP 偏低，策略会一直空仓股票、只拿债券票息，踏空整段牛市。它的定位是「危机保护」不是「收益增强」——别指望它长期跑赢满仓股票。

陷阱 6：波动率风险溢价的「崩盘 beta」。 做多 VRP（卖波动率）在 1987、2008、2015、2020 的几次单日跳空里回撤能到 −90% 以上。本文只把 VRP 当择时信号（开关股债），不直接做空波动率，已经规避了最致命的那种崩盘。但你要清楚：信号背后的因子本身有极端尾部。

七、小结#

VRP 择时的精髓，是用一个被定价的「恐慌差」给股债配置加了个开关：

VRP = 隐含波动 − 已实现波动，是市场为波动保险付的溢价，常态为正；
VRP 越高，下月股票相对债券越该赚——这是择时能够盈利的统计基础；
一个 60 分位开关，就能把买入持有股票的 −43.4% 回撤压到 −33.2%，同时把年化从 6.8% 提到 9.0%。

它不会让你在每个牛市都跑赢满仓，但在每一次系统性风险释放时，它能让你「不在场」。对大多数长期投资者来说，这比多赚那两个百分点更值钱——因为活下来，才有下一轮。