波动率目标化

机制

把每个资产的仓位按目标波动率与估计波动率之比缩放：

$$w_t = \mathrm{sign}(s_t) \cdot \frac{\sigma_{\text{target}}}{\hat\sigma_t} \cdot w_{\text{base}},$$

$s_t$ 为信号方向，$\hat\sigma_t$ 为波动率估计（EWMA 或短窗口，见GARCH 族）。波动大的资产仓位小、波动小的仓位大——每个头寸承担近似相同的风险。这是趋势策略提高夏普、降低尾部风险最重要的单一技术：实证上能把夏普提升 0.2–0.4，并显著削平回撤。

三个必须处理的细节

1. 估计窗口：全样本波动率响应太慢；短窗口（20–60 日）EWMA 响应快但抖动大。趋势场景的默认是 30–60 日 EWMA 或 GARCH 预测；
2. 杠杆上限：低波动期（如 2017 年的平静市场）$\hat\sigma_t$ 很小，$\sigma_{\text{target}}/\hat\sigma_t$ 会给出荒谬的大仓位——必须设置杠杆上限（如 2–3 倍名义）；
3. 再平衡频率：仓位缩放本身产生换手与成本，日度缩放要对比成本；通常每日计算、但缩放阈值（如偏离 20% 才调仓）可显著省成本。

vol-target.py

import numpy as np
import pandas as pd

def vol_target_position(signal: pd.Series, returns: pd.Series,
                        target: float = 0.10, lev_cap: float = 2.0,
                        window: int = 60) -> pd.Series:
    """信号 → 波动率目标化仓位。target: 年化目标波动率"""
    vol = returns.ewm(span=window, min_periods=window).std().shift(1) * np.sqrt(252)
    lev = (target / vol).clip(upper=lev_cap)          # 杠杆上限是硬要求
    return (signal * lev).fillna(0)

普适性与局限

• 不只趋势：波动率目标化同样适用于截面动量（截面动量的"动量崩溃"正靠它缓解）与任何基于收益的策略；
• 局限：它假设波动率自相关——对跳空无效；熔断、闪崩日的仓位来不及调整，见危机 alpha 与分散；
• 波动率目标化本身会轻微改变策略收益的自相关（正自相关策略被缩放后夏普改善更明显），评估时要意识别把"缩放红利"误认为信号改进。

注意

一个诚实的问题：$\hat\sigma_t$ 的估计误差会不会伤害策略？会，但方向友好——波动率估计的误差远小于均值估计的误差（见均值与协方差的估计误差），且错估的代价是仓位次优而非方向错误。

量化中的用法

• 波动率估计用短窗口 EWMA 或 GARCH 预测，不用全样本；
• 杠杆上限写进配置，回测与实盘一致；
• 评估"加波动率目标化前后"的差异，确认改进不是来自运气。

本章要点

• 短窗口（20–60 日）EWMA 波动率响应更快
• 必须设置杠杆上限，否则低波动期仓位会过大
• 波动率目标化同样适用于截面动量与任何收益类策略