报告行业投资评级 未提及 报告的核心观点 - 对个股波动率分层并实行不同个股偏离约束是兼顾超额收益和最大回撤的推荐方案，低流动性因子有类似低波效果，成长、动量等分域偏离约束效果不佳 [4] - 动量与波动率可实现 2X2 分组个股偏离约束，能比单个波动或动量分组约束效果更好 [4] - 波动率分组约束细分为五组，提升不同组的放松和收紧约束，能进一步提升效果 [4] - 动量更合适的处理方式是高动量组中性，只对动量得分前 10%的股票进行中性效果显著 [4] - 波动 X 动量的综合方案是较优选择，能实现长期改善回撤同时提升收益，对 2026 年以来中证 500 的超额有有效提升 [4] 根据相关目录分别进行总结 1. 波动率分组进行个股偏离约束的后续测算 - 2026 年以来传统量化策略遇困难，如常规量价因子和机器学习策略失效，此前推荐从个股偏离约束和增加动量逻辑因子两方面解决问题，本文进一步探索提升波动率约束效果 [6] - 构建四个以中证 500 指数为基准的多因子组合，分别为 P1（八因子等权）、P2（成长、动量、低波、红利四因子等权）、P3（成长、动量、分析师三因子等权）、P4（低波、反转、低流动性三因子等权），以行业约束最大偏离不超过 2%，个股最大偏离不超过 0.5%为优化约束方案，测算区间为 2017 - 2025 年 [6][7][8][9] 1.1 其他因子分域的效果 - 仿照波动率对动量、成长等因子进行两组分别约束测算，低流动性因子处理方式与低波相似，其他因子顺着因子方向处理 [11] - 低流动性呈现和低波相似效果，能提升超额收益并改善最大回撤，动量、成长等因子表现不稳定，波动率和流动性是分域约束较优方式 [11] 1.2 波动率和动量的 2X2 约束 - 构建波动率和动量的 2X2 分域约束，将股票池分成四个象限，高波、高动量交集个股偏离约束放松到 0.7%，低波、低动量交集收紧到 0.3%，其他两组维持 0.5%不变 [15] - 四个组合除 P3 外都得到全面提升，P3 最大回撤放大，相比单独的波动率和动量分组，2X2 提升了综合表现，但提升幅度有限，动量单独分组效果不稳定 [19][21][23] 1.3 波动率分层约束的进化：分五组约束 - 考虑将波动率分五组，第一组放大到 0.7%，第二组放大到 0.6%，第三组维持 0.5%，第四组收紧到 0.4%，第五组收紧到 0.3% [25] - 分五组方式超额收益除 P3 外都有提升，四个组合最大回撤都有改进，整体在 3 个组合上实现全面提升，是波动率分组约束更佳方式 [25][26] 2. 高动量组中性：动量偏离约束的合适方式 - 动量不适用于分组偏离约束，需考虑其他方向增加对高动量股票约束维度 [27] 2.1 高动量中性：解决波动率分布偏离的初始手段 - 回顾解决量化组合波动率分布有偏问题的手段，考虑将动量分布对齐，先尝试全面对齐，P2、P3、P4 超额回撤改善但除 P3 外收益下降，后尝试只对指数里动量得分前 10%的股票中性，4 个组合超额收益提升且最大回撤改善，部分超过波动率分五组偏离约束 [29] 2.2 高动量组中性：对分年度的影响 - 高动量 10%中性在 2017 - 2025 年对收益和最大回撤有提升，但时间序列稳定性不清楚 [31] - 收益改进年份占比各组合有差异，P1、P2、P3 三年变差，P4 五年变差；回撤改进效果也不同，P3 七年改进，P1 四年改进偏少 [31][34] - 高动量前 10%中性和波动率分组偏离约束对组合时间序列的影响受模型本身影响，效果长期体现短期有波动 [36] 2.3 动量与波动率的结合 - 波动率分组偏离约束和高动量股票中性方案在年度上有互补性，可叠加使用 [37] - 动量 + 波动综合方案比单一方案年化超额收益和最大回撤改进更明显，2026 年截至 5 月底综合方案四个组合超额都有改进，三个组合有正超额收益 [39][40] 3. 在其他指数上的测算效果 - 测算高动量组中性和动量 X 波动在沪深 300、中证 1000 指数上的效果 [41] - 沪深 300 指数上超额和回撤不显著，较多组合收益下降；中证 1000 指数整体接近中证 500，有超额收益提升和最大回撤下降特点，除 P2 外其他三个组合超额提升幅度微弱，主要贡献在最大回撤改善 [41]