波動率目標化：調整風險以獲取更優報酬

動態風險的論據

大多數投資者執著於投資問題的分子——預測報酬——而忽視了一個更易處理的分母：風險管理。Moreira和Muir（2017）在Journal of Finance上將這種不對稱性轉化為一個正式結論，證明一種不需要任何預測技能的策略可以將美國股市的夏普比率提高20%至40%。機制出奇地簡單：根據近期波動率反向調整曝險。該策略利用了金融學中兩個最穩健的經驗規律——波動率聚集（今天的波動率預測明天的）以及高波動率狀態下條件夏普比率較低。包括Cederburg、O'Doherty、Wang、Yan（2020）對樣本外穩健性的反駁在內的討論，深化了對動態風險調整何時以及為何增加價值的理解。

核心要點

波動率目標化是投資者可用的最簡單且最有效的風險管理技術之一。思路直截了當：當已實現波動率上升時，減少投資組合曝險；下降時，增加曝險。Moreira和Muir（2017）證明，這種方法在不需要任何報酬預測能力的情況下，將美國市場組合的夏普比率提高了約20%至40%。該策略之所以有效，是因為波動率高度可預測——今天的波動率是明天波動率的強預測因子——而波動率與未來報酬之間的關係卻出人意料地微弱。

核心洞察：波動率可預測，報酬不可預測

每位投資者都知道預測股票報酬極其困難。然而投資者往往忽視了一個互補事實：雖然報酬難以預測，但報酬的風險（波動率）相對容易預測。

已實現波動率表現出強持續性。如果上週市場波動劇烈，本週很可能繼續波動。這種持續性源於一個簡單的觀察：日報酬方差呈聚集分佈——大波動往往跟隨大波動，小波動往往跟隨小波動。

波動率目標化背後的關鍵洞察是：風險的可預測性與風險-預期報酬之間的微弱關係相結合，創造了一個免費的機會。如果高波動率時期並未以成比例的更高報酬補償投資者，那麼在這些時期維持恆定曝險意味著承擔更多風險卻沒有額外報酬。

波動率目標化的運作方式

基本公式

波動率管理組合根據目標波動率水準調整對風險資產的曝險：

權重 = 目標波動率 / 已實現波動率

例如，如果目標波動率為年化15%，最近已實現波動率為30%，則風險資產權重降至0.5（50%配置）。如果已實現波動率降至10%，權重增至1.5（150%，需要槓桿）。

測量已實現波動率

最常見的方法使用短回望窗口的已實現方差。Moreira和Muir使用前一個月的日報酬來估計已實現方差。估計器的選擇不如預期重要——即使簡單的21天已實現方差也能產生顯著改善。

跨資產類別的證據

改善是一致的但不均勻。波動率最易變的資產——股票和動量——改善最大，公債等波動率較穩定的資產改善較小。

為什麼有效？

事實1：波動率聚集

金融報酬波動率表現出強自相關。21天已實現方差估計在股票市場具有約0.7至0.8的一階自相關。聚集發生的原因是波動率的底層驅動因素——總體經濟不確定性、流動性條件、投資者情緒——本身變化緩慢。

事實2：風險-報酬權衡是微弱的

經典金融理論認為更高的波動率應伴隨更高的預期報酬。實證上，這種關係充其量是微弱的，有時甚至是負面的。

Moreira和Muir表明，非常高波動率的時期——危機時刻、市場恐慌——往往具有更低而非更高的已實現夏普比率。這種不對稱性是波動率目標化的引擎。在風險單位報酬最低時減少曝險，在最高時增加曝險。

實務建議

分步流程

1. 估計已實現波動率。 計算過去21個交易日日報酬的年化標準差。

2. 計算組合權重。 將目標波動率除以已實現波動率估計值。設置權重上限（如1.5或2.0）以防止過度槓桿。

3. 配置。 將計算出的權重投資於風險資產，其餘（1減權重）配置於現金或短期公債。

4. 再平衡。 每日或每週重複。更頻繁的再平衡能更快捕捉波動率變化，但增加交易成本。

實施注意事項

槓桿限制。 當已實現波動率遠低於目標時，公式可能要求權重超過1.0，需要槓桿。許多投資者將最大權重限制在1.0以實現無槓桿版本，這仍能捕獲大部分收益。

交易成本。 在目標權重周圍使用帶狀區間——僅在偏差超過閾值時再平衡——可大幅降低週轉率同時保留大部分夏普比率改善。

體制轉換。 波動率目標化是對波動率變化的反應，而非預測。在突然的波動率飆升時（如市場崩盤初期），策略仍處於滿倉狀態。只有在已實現波動率上升後才減少曝險。

與趨勢跟蹤和風險平價的關係

波動率目標化屬於一族動態風險管理技術，它們共享一個共同理念：管理組合風險而非預測報酬。

風險平價使用波動率估計來設置權重，以實現各資產類別之間的等風險貢獻。波動率目標化可以疊加在風險平價配置之上，動態管理整體組合風險。

趨勢跟蹤在資產價格下跌時減少曝險，上漲時增加曝險。實務中，趨勢跟蹤隱含地執行了一定程度的波動率目標化，因為價格下跌通常伴隨波動率上升。

三種方法是互補的。使用風險平價進行配置、趨勢跟蹤提供方向訊號、波動率目標化進行風險管理的組合，利用了不同的資訊來源。

因子組合的波動率目標化

波動率目標化最實用的應用之一是管理因子策略曝險。因子報酬——特別是動量、價值和利差——表現出比整體市場波動率更顯著的時變波動率。

例如，動量崩潰之前會出現動量組合波動率的急劇上升。波動率目標化的動量策略會自然地在崩潰最嚴重之前減少曝險，不是因為它預測了崩潰，而是因為它對崩潰之前上升的波動率做出了反應。

在多因子策略中組合之前對個別因子組合應用波動率目標化，可以顯著提高整體組合的風險調整後表現。

模擬績效

考慮一個假設的10萬美元投資組合，從2005年1月至2025年12月對美國股市曝險應用波動率目標化疊加層。策略目標年化波動率15%，使用21天滾動已實現方差。最大權重1.5（槓桿上限50%）。

全期間夏普比率0.62相比靜態基準約0.45-0.48提高了約30%，且無需任何報酬預測能力。2008年的回撤從-37.0%縮減至-21.4%。

本模擬使用歷史數據，不代表實際交易結果。

證據崩壞之時

2020年3月的V型崩盤暴露了所有反應性風險管理策略的根本侷限。2020年2月19日至3月23日，標普500在僅23個交易日內下跌34%。波動率目標化策略從平靜的2月數據估計波動率，因此以滿倉曝險進入3月。當21天窗口納入足夠的危機期間報酬使波動率估計超過目標時，投資組合已經吸收了大部分回撤。Harvey、Hoyle、Korgaonkar、Rattray、Sargaison、Van Hemert（2018）在疫情前就已精確識別出這一脆弱性。

相反的失敗模式出現在2017年的低波動率環境中。VIX全年大部分時間平均低於12，2018年2月5日的「波動率末日」事件——VIX日內從17飆升至37，標普500下跌超過4%——中，由於先前的低波動率期間誘發了最大槓桿，槓桿化投資組合遭受了放大的損失。

Cederburg、O'Doherty、Wang、Yan（2020）使用自助法模擬和國際數據表明，樣本外夏普比率改善實質上小於樣本內估計——約10-15%而非20-40%。

夏普比率之爭

學術文獻在幾個要點上趨於收斂。核心機制沒有爭議：波動率具有高持續性（Andersen、Bollerslev、Diebold、Labys 2003），條件夏普比率在高波動率期間趨於下降（Moreira and Muir 2017、Barroso and Santa-Clara 2015）。Barroso and Santa-Clara (2015)發現動量策略的改善尤為顯著，有效緩解了Daniel and Moskowitz (2016)識別的動量崩潰。

實務共識認為，波動率目標化為分散化投資組合提供了可靠但溫和的風險調整後報酬改善——對於分散化投資組合可能在10-20%的夏普比率改善範圍內。該策略應被理解為風險管理工具而非報酬增強訊號，與趨勢跟蹤和風險平價等其他動態配置方法結合使用時最具價值。