[Journal of Finance] 波动率是幻觉吗？利用 AMF 模型破解低波动率异常之谜

TL;DR

在学术界，低波动率股票产生高回报的“低波动率异常”一直挑战着高效市场假说。本文通过一种全新的 自适应多因子 (AMF) 模型和 GIBS 算法 指出：所谓的异常其实是现有模型（如 FF5）太“笨”了。当利用机器学习对 300 多个 ETF 因子进行精准聚类和筛选后，你会发现，低波动率组合只是选对了表现优异的行业因子（如债券和基建）。

1. 经典理论的滑铁卢

资本资产定价模型 (CAPM) 告诉我们：风险越高，收益越高。然而，自 70 年代以来的数据却反复“打脸”：低波动率的股票长期回报往往优于高波动率股票。

过去，学者们倾向于将其归因于：

• 杠杆约束：散户没法加杠杆，所以去抢高风险股票。
• 行为偏差：彩票心态，总有人觉得自己能博中暴涨的高波动股。

但本文作者提出了一个更本质的视角：如果我们找错了因子的“坐标系”，那么看什么都是异常。

2. 这里的“新武器”：GIBS 算法

为了从海量的市场数据中找出真相，作者拒绝使用传统的 PCA (主成分分析)。为什么？因为 PCA 出来的东西是各因子的“大杂烩”，根本没法解释。

作者使用了 GIBS (Groupwise Interpretable Basis Selection)：

1. 金融分类：先将 ETF 按债券、商品、货币、行业等进行 10 大类、73 小类的分类。
2. 原型聚类 (Prototype Clustering)：在每一类中，不取平均值，而是取最能代表该类的“核心资产”（原型）。
3. 稀疏选择 (LASSO)：用改进的逻辑回归选出对当前组合最有解释力的少数几个因子。

图 1：GIBS 能从快速增长的 ETF 宇宙中精准提取代表性维度，其维度选择比 PCA 更具动态性。

3. 实验验证：FF5 的失效与 AMF 的胜利

作者对比了传统的 Fama-French 五因子模型 (FF5) 和 AMF 模型 在处理 2008-2018 年间资产表现时的差异。

关键发现：

• 残差消失：在 FF5 模型下，低波动率组合依然能跑赢模型预测（说明有“妖气”）；但在 AMF 模型下，残差几乎降为零。这说明 AMF 已经把那些“异常”解释清楚了。
• 因子对决：
  • 低波动率组合：重仓加载了债券 (Bonds) 和房地产 (Real Estate) 等防守型因子。
  • 高波动率组合：加载了原材料 (Materials) 和医疗卫生等进攻型因子。

图 2：2008 年后，低波动率与高波动率组合的累计净值出现巨大分叉。

4. 深度洞察：波动率不是独立风险

这篇文章的核心思想在于：波动率并不是一个独立的风险维度 (Independent Risk)。

高波动率之所以表现差，可能仅仅是因为它所代表的那几个行业（如材料、贵金属）在特定周期内表现不如债券。当你用 35 个具有代表性的 ETF 原型去重新构建定价模型时，你所看到的“异常收益”就会被这些动态变化的行业因子所吸收。

5. 总结与启示

• 技术价值：GIBS 算法提供了一种在保持金融可解释性的同时，通过高维统计提高预测精度的范式。
• 局限性：虽然对 2008-2018 年解释得很好，但在市场结构发生剧变（如极端黑天鹅）时，3 年的滚动窗口是否响应足够快仍值得商榷。
• 未来方向：这套“聚类+稀疏选择”的逻辑完全可以应用于多模态另类数据（如舆情、卫星数据）的因子挖掘中。

参考文献：Jarrow, R. A., et al. (2020). The Low-volatility Anomaly and the Adaptive Multi-Factor Model.