摘要

本文概述了国内可转债市场现状，并测试了基于隐含波动率的低估值策略

可转债是一种特殊的公司债券，持有者能在一定期限内以转股比例转换成对应的股票，因此其具有期权属性。近年来可转债市场规模持续增长，公募基金有增大可转债投资比例的趋势。本文在合理假设下，基于 B-S 模型建立了可转债估值框架，并由此推算出可转债内含期权的隐含波动率，隐含波动率对辅助判断期权价值有关键作用。为了选出低估值的可转债，本文构建了基于隐含波动率与正股波动率差值的低估值因子，并分不同调仓频率进行分层回测。结果显示因子单调性显著，2016 年以来 TOP 组合年化收益率为25.85%(20 天调仓)。

文献摘要

盈余公告收益及标准化预期外盈利

盈余公告收益（EAR）刻画了市场对于公司业绩公告中包含的预期外信息的反应情况。EAR的多空收益年化能够达到7.55%，比传统度量业绩超预期的标准化预期外盈利（SUE）因子的多空收益高1.37%。并且EAR和SUE的收益贡献是相对独立的，两因子复合后能够达到12.5%的年化多空收益。

波动率模型以及波动率的程式化特征实证

波动率模型能够准确预测波动率是其在金融各领域应用中的核心诉求。本文罗列了波动率模型中应该包含的各种程式化的因素：明显的持续性，均值回归，非对称性以及外生变量的影响。并使用了道琼斯工业指数来对这些因素

摘要

中国商品期货市场近30年来取得历史性突破和跨越式发展。近年来，伴随股票市场多因子选股策略的风靡，越来越多的期货界投资人士，在尝试使用多因子框架构建商品市场的CTA策略。这类策略的核心是找到各类可以影响商品市场价格涨跌的公共因子，如资产动量、波动率、宏观基本面等，构建统一框架来评估资产价格上涨、下跌的潜力，进而构建商品市场的组合投资策略，多因子策略是近年来CTA策略的一个重要分支。本文主要尝试对多因子CTA策略构建中一些常用的因子进行测评，并试图构建一个基本的多因子CTA策略，以深入洞察该类策略的运作，供投资者参考

测试的因子包括技术面因子以及宏观基本面两类因子。技术面因子采用横

研究结论

前言：本篇报告为东吴金工“波动率选股因子”系列研究的第二篇，受到学术界“股价波动与股票信息流”关系理论的启发，从“信息冲击”的角度出发，逐步构建了衡量“股票信息分布均匀度”的选股因子。

波动率与信息冲击：学术研究表明，股票价格的波动，与流入股票的信息流直接相关。借鉴前人研究经验，我们提出如下猜想：若股票信息匀速流入市场，则股价的波动相对较小；但若信息流入市场的速度发生剧烈变化，则会造成股价的波动迅速增大。因此，我们认为股价波动率大小的变化幅度，可以用来衡量信息冲击的剧烈程度。

信息分布均匀度UID因子：利用个股分钟数据，在计算每日高频波动率的基础上，构建信息分布均匀度UID因子

上周波动率因子表现出色，其余价量因子整体表现较好

上周波动率因子表现出色，在沪深300成份股票池的RankIC值超过10%，在中证500、中证1000成份股、全A股票池的RankIC值在20%左右。估值、反转、换手率、beta因子表现接近，在沪深300成份股票池表现平淡，在其余股票池表现较好。成长因子在中证500成份股票池表现较好，在中证1000成份股票池出现回撤。盈利因子在沪深300成份股票池表现较好，在中证1000成份股、全A股票池出现回撤。财务质量、技术因子整体表现尚可。小市值因子在沪深300成份股票池出现回撤，在中证1000成份股、全A股票池表现较好。

主动型量化基金近1个月表现强

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym

摘要

均值方差理论框架的三大假设与真实的投资环境有很大偏差：资产回报为正态分布的假设，忽略了真实分布的尖峰厚尾与非对称性；波动率作为风险度量的假设，忽略了上行与下行风险的不对称性；组合优化目标为单位风险回报最大化的假设，忽略了具体回报目标，而回报目标决定了组合为此需要承担的最小风险，达不到目标也是一种风险。

本报告的目的即修正这三大假设，我们认为投资者真正关心的风险是：本金安全风险和投资目标不达风险，由此提出了一种全新的风险度量方式。同时通过核密度估计和多元正态分布变换我们拟合了资产真实分布的偏态、峰态和相关性，由此产生的随机数能帮助我们采用蒙特卡洛的方法计算风险度量，形成有效的风险

摘要

华夏创蓝筹ETF（159966）和创成长ETF（159967）分别跟踪创业板低波蓝筹指数与创业板动量成长指数。创业板低波蓝筹指数通过质量因子和低波动因子筛选出盈利能力良好、财务质量稳健、波动率较低的股票，创业板动量成长指数通过成长因子和动量因子筛选出成长能力良好、动量效应显著的股票

从业绩表现看，创业板低波蓝筹指数与创业板动量成长指数均显著地跑赢了创业板指同期表现；从行业分布看，创业蓝筹和创成长均集中配置医药、计算机、电子等高科技行业；从研发投入看，创业蓝筹指数和创成长指数当前的所有成分股全部有研发费用，加权研发费用占比较高

当前市场环境更推荐创业板：根据兴业金工的沪深300

摘要

已实现波动率分解介绍了CBOE波动率指数的发展历史，计算方法。并结合50ETF期权给出了波动率指数的详细计算步骤。与中国波指（iVIX）比较发现，计算误差较小，走势基本一致。

已实现波动率的预测通过将该计算方法推广到商品期权上，结合商品期权的特点，提出了以主力、次主力合约对应期权为基础的120日波动率作为商品的波动率指数的计算方法。

波动率变化率的择时效果比较了波动率指数与对应标的的价格走势的关系，波动率指数对于风险有较好的指示作用。 对比50波指与商品波指比较发现：（1）50ETF的波指明显高于商品；（2） 两个商品波指相关性最高、50波指与豆粕波指的相关性次之；（3）5

报告摘要

海外市场分析师盈利预测与特质波动率异象的关系

特质波动率之谜，即特质波动率与股票未来收益率之间的负相关关系，一直以来是学界争论的焦点。Ang 等(2006) 首先在美国市场发现了特质波动率(IVOL，idiosyncratic volatility)异象，即具有较高的特质波动率的股票往往具有较低的未来收益。过往的学术研究表明，金融分析师对市场效率具有重大影响。例如，Barth 和 Hutton（2020）发现，分析师追踪度高的股票价格，能更快地在股价中反应应计信息和现金流信息。Chan 和Hameed（2006）表明，分析师的覆盖范围减少了公司特定的噪音数量

摘要

市场如同一片汪洋大海，弄潮儿善于发现潮起潮落的规律，迎头赶上，越过千层浪。同样地，聪明的投资者善于发现市场的变动规律，拨开表 层土壤，挖掘潜在的黄金投资机会。波动率是可转债期权价值的体现， 如何利用波动率寻找可转债的价值洼地？

正股波动率反应了正股价格的波动情况，而隐含波动率是可转债期权 价值的一种体现，因此可以根据正股波动率与隐含波动率的关系来判 断可转债的估值情况：（1）当隐含波动率相对正股波动率较低时，可转 债期权价值被低估；（2）当隐含波动率相对正股波动率较高时，可转债 期权价值被高估。东吴金工构建估值指标IV⁄HV来判断隐含波动率是 否被高估或者低估。

由于隐含波

\

/wiki/static/upload/b2/b2ee2101-bb57-4a2b-92e6-a192c81aa6be.pdf

\

摘要

本周市值、反转、波动率、换手率、技术等价量相关因子表现较好本周价量相关因子表现较好，基本面相关因子表现一般。市值、反转、波动率、换手率、技术因子的表现整体相差不多，其中反转、波动率、换手率因子在全A股票池中表现比较突出；beta因子在沪深300成份股票池表现较好，在其余股票池表现一般；估值、成长、盈利、财务质量因子表现较弱，其中盈利和财务质量因子在全A股票池发生较大幅度回撤。从本月初至今的表现来看，主要是市值、反转、技术因子表现优秀，beta因子回撤，其余因子整体表现一般。 主动型量化基金本周表现与非量化基金持平我们基于Wind量化基金分类，通过自主筛选，构建量化公募基金池，定期

摘要

本周价量型因子均表现较好，beta因子效果突出，基本面型因子表现一般本周价量型因子均表现较好，其中beta因子效果最突出，在各种类别的股票池内IC值都很高且稳定；价量型因子中的反转、波动率、换手率、技术因子表现也不错，在各类股票池效果稳定，其中换手率、波动率因子在全A股票池中效果比较突出；市值因子主要是在沪深300和中证500成份股票池内效果较好，在中证1000成份股票池内略回撤；估值、成长、盈利、财务质量这四个基本面型因子整体表现一般，其中成长因子在沪深300成份股票池略回撤，以及财务质量因子在中证1000成份股票池、全A股票池中略回撤。 年以来波动率、换手率、估值因子相对表现

摘要

CTA产品新发行数量骤减，大类指数走势分化本篇报告对今年一季度阳光私募CTA产品进行了产品发行和业绩表现方面的统计分析；随后从基本面和数据层面，分别对股指、国债和大宗商品三大类指数，以及相关策略进行了回顾分析。

股指期货二季度可重点关注低频策略股指期货波动率一季度逐渐上升，未来二季度仍有上行空间。并且由于市场成交量上扬，在一定程度上改善了市场流动性，短线投资可以继续重点关注隔夜类的趋势跟踪、模式匹配和期权预测等交易策略。 另一方面，从中长线角度来看，目前市场的波动率上升，期指中长线趋势跟踪也是可以考虑的配置思路。

国债期货波动率上升，关注趋势策略和跨品种策略一季度债市走牛，国

投资要点

情绪偏谨慎

10 月 12 日 50ETF 收于 2.464，本周上涨 6.21%。 交易额 PCR 由9 月 28 日的 0.446 上升到 10 月 12 日的 1.032，市场情绪 转为偏谨慎。 10 月 12 日平值认购与认沽期权合约隐含波动率分别为 29.13%与 28.23%，认购期权有一定波动率溢价。

波动率应企稳

10 月 12 日 IVIX 指数收于 26.24，较上周的 21.20 有大幅下降。 上证 50 指数交易额与上周基本持平。 而 RV 明显上升，本周最后三日 RV 分别为 20.73,24.40 和 22.20。 综合来看

摘要

高阶矩的存在与影响

在马科维茨的资产定价理论中，通过期望（实际上是一阶原点矩）来描绘资产的收益，方差（二阶中心矩）来刻画资产的风险。这样做的基础是假设资产价格服从正态分布。但在实际中，这一点很难保证，特别是在市场大跌遭遇危机之时，资产价格迅速下降，震幅明显上升，波动率迅速升高，资产价格会是非平稳的高斯分布，这样仅仅用一阶和二阶矩来刻画资产价格的时间序列就会是不恰当的。此时高阶矩会异常发散，迅速增大，我们不可以忽略高阶矩的存在以及影响。

高阶矩对于市场指数具有领先效果

通过观察我们发现，实际市场中二阶矩并不恒定。如果我们用采用正态分布的假设，仅仅用趋势项与波动

摘要

上周多数风格因子表现良好，财务质量、beta因子表现欠佳

上周多数风格因子表现良好，估值、盈利、小市值、反转、波动率、换手率与技术因子均呈现普遍的正收益。成长因子在中证500成分股票池中呈现一定的正收益，但在其余股票池中表现平庸。财务质量因子仅在中证500成分股票池中呈现小幅正收益，在其余股票池回撤；beta因子在全A股股票池呈现微弱的正收益，在其余股票池中回撤。

主动型量化基金近1个月表现弱于非量化基金

上周主动型、指数型、对冲三个类别的量化基金收益率中位数分别为0.80%、0.95%、0.26%，所有股票及偏股型公募基金收益率中位数为0.61%；

主要观点

学海拾珠系列，是指从海外量化研究领域的海量文献中选取精华，将最有价值的文章推荐给国内广大的量化投资者们。如系列名称所述，我们团队希望通过不断深耕、探索，力图在茫茫学海中找到闪烁的、凝聚着宝贵知识的珍珠，并在提炼、萃取之后呈现给大家

本文摘选论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》核心结论。收益和波动率之间的关系一直被学者们讨论：特质波动率和未来收益率的强负相关性最早由Ang、Hodrick、Xing和Zhang在2006年提出，同时其他学者认为传统的

林晓明 S0570516010001

​ SFC No. BPY421 研究员

黄晓彬 S0570516070001

​ SFC No. BQW518 研究员

刘依苇 S0570521090002 研究员

源洁莹 S0570521080001

​ SFC No. BRR314 研究员

报告发布时间：2021年11月22日

摘要

股票类基金指数略胜债券类基金指数

上周（2021.11.15-2021.11.19）各类基金总指数中，普通股票型基金指数收益率最高，涨幅为0.42%，股

上周成长、盈利因子延续强势表现，多数风格因子表现不佳

上周成长、盈利因子在各类股票池表现较好，延续2020年初至今的强势表现。其余风格因子整体表现不佳。估值、财务质量、反转、波动率、beta因子在各类股票池出现回撤。小市值、换手率因子在沪深300成份股票池表现较好，在其余股票池出现回撤。技术因子在全A股票池表现平淡，在其余股票池出现回撤。

主动型量化基金近期表现强于非量化基金

我们基于Wind量化基金分类，通过自主筛选，构建量化公募基金池，定期跟踪业绩表现。上周主动型、指数型、对冲三个类别的量化基金收益率中位数分别为8.63%、8.95%、0.54%，所有股票及偏股型公募基金收益率中位数

在系列前期报告中（《选股因子系列研究（十九）——高频因子之股票收益分布特征》），我们基于股票高频收益分布特征对于相关因子的选股效果进行了回测。

研究发现，股票高频偏度具有较好的选股效果，但是高频方差以及高频峰度并无显著的选股能力。考虑到股票日收益的波动率同样选股效果不佳，但将其拆分为系统波动以及特质波动后，两个因子皆具有较好的选股效果。本报告尝试对于股票高频波动率进行拆分，并期望从高频波动中提取出有效的选股因子。

“系统波动+特质波动”的拆分方式在高频维度上无法得到具有优秀选股效果的因子。在1分钟的数据频率下，高频特质波动率因子表现较差，并无明显的选股能力。随着数据间隔的增大，该因子的Ra

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7个日内交易特征，考虑到时间序列自相关性，我们采用Newey-West调整标准差度量日内交易特征的稳定性（SDRVOL，SDRSKEW，SDRKURT，SDVVOL，SDVSKEW，SDVKURT和SDVHHI）。

7个日内交易特征稳定性因子在各个样本空间均展现出日内交易特征稳定性越差的股票未来平均

摘要

波动率与换手率可以构建较好的择时指标

波动率和换手率是常见的市场监测指标。利用波动率和换手率能够构造出与市场长期走势明显负相关的指标，而且指标趋势性较好，可以用来判断股市牛熊。对于股票市场来说，下跌时的波动率往往比上涨时的波动率更高。换手率的上升与下降往往与股票市场本身有强相关性。借助于波动率与换手率能够很好的将市场进行分类，牛市与熊市都有与之对应的明确的组合特征。借助波动率与换手率构造出的牛熊指标与市场走势负相关性明显，借助牛熊指标开发的择时策略普遍优于直接对指数本身的择时策略。

波动率换手率可以对市场状态进行划分，搭建市场状态坐标系

我们借助于波动率与换