量化模型与构建方式 1. 模型名称：单因子波动率管理组合 * **模型构建思路**：针对单个因子，通过其历史波动率的倒数对因子收益进行缩放，构建一个波动率管理版本的因子，然后将原始因子与其管理版本进行均值-方差优化，形成最终组合[30][31]。 * **模型具体构建过程**： 1. 对于第k个因子，计算其在t月的已实现方差 $\sigma_{k,t}^{2}$，通过该月内因子日度收益的样本方差估算得到[30]。 2. 构建第k个因子的波动率管理版本收益 $r_{k,t+1}^{\sigma}$，公式为： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是第k个未管理因子在t+1月的收益，$c$ 是缩放参数，目的是使管理后因子的波动率与未管理因子保持一致[30][31]。 3. 将未管理因子 $r_{k,t+1}$ 与其波动率管理版本 $r_{k,t+1}^{\sigma}$ 进行组合，通过最大化均值-方差效用（假设投资者风险厌恶系数 $\gamma = 5$）来确定两者的最优权重，从而得到单因子波动率管理组合[49]。 2. 模型名称：条件固定权重多因子投资组合 (CFW) * **模型构建思路**：先构建一个无条件均值-方差多因子组合，然后根据该组合上月收益方差的倒数进行整体缩放，得到一个波动率管理版本，最后将无条件组合与其管理版本进行均值-方差优化[32]。 * **模型具体构建过程**： 1. 首先，使用所有K个因子，通过最大化扣费前的均值-方差效用，构建一个无条件多因子投资组合（UMV）[32]。 2. 将该无条件组合的整体权重按其上月收益方差的倒数进行缩放，得到该组合的波动率管理版本[32]。 3. 将原始的无条件多因子组合与其波动率管理版本进行均值-方差优化，形成最终的条件固定权重组合。该组合对所有因子的相对权重与原始无条件组合完全一致[32]。 3. 模型名称：条件均值-方差多因子投资组合 (CMV) * **模型构建思路**：构建一个多因子组合，其中每个因子的权重是市场波动率倒数的仿射函数，允许不同因子的权重随市场波动率进行差异化调整。组合权重通过最大化扣减交易成本后的均值-方差效用来优化[4][32][33]。 * **模型具体构建过程**： 1. **定义因子权重**：设第k个因子在t期的权重为 $\theta_{k,t}$，将其参数化为市场波动率倒数的仿射函数： $$\theta_{k,t}=a_{k}+b_{k}\frac{1}{\sigma_{t}}$$ 其中，$\sigma_{t}$ 是t月的已实现市场波动率（由该月市场日度收益的样本波动率估算），$a_k$ 和 $b_k$ 为待估参数。$b_k > 0$ 意味着当市场波动率升高时，组合会降低对第k个因子的暴露[33][38]。 2. **定义组合收益**：条件多因子组合在t+1期的收益 $r_{p,t+1}(\theta_{t})$ 为各因子收益与其权重的加权和： $$r_{p,t+1}(\theta_{t})=\sum_{k=1}^{K}r_{k,t+1}\theta_{k,t}=\sum_{k=1}^{K}r_{k,t+1}\left(a_{k}+b_{k}\,\frac{1}{\sigma_{t}}\right)$$ 其中，$r_{k,t+1}$ 是第k个因子在t+1期的收益[34]。 3. **构建优化问题**：通过定义扩展因子收益向量和权重向量，将组合构建转化为一个优化问题。目标是找到扩展因子权重向量 $\eta$（包含所有 $a_k$ 和 $b_k$ 参数），以最大化扣减交易成本后的样本均值-方差效用[37]： $$\max_{\eta\geq0}\widehat{\mu_{\rm ext}}\eta-{\rm TC}(\eta)-\frac{\gamma}{2}\eta^{\prime}\widehat{\Sigma_{\rm ext}}\eta$$ 其中，$\widehat{\mu_{\rm ext}}$ 和 $\widehat{\Sigma_{\rm ext}}$ 分别是扩展因子收益向量的样本均值和样本协方差矩阵，${\rm TC}(\eta)$ 是该组合的样本交易成本，$\gamma$ 是风险厌恶系数[37]。优化施加约束 $a_k \geq 0$ 和 $b_k \geq 0$，确保对未管理因子的暴露为正，且在波动率高时降低暴露[38]。 4. 模型名称：无条件均值-方差多因子投资组合 (UMV) * **模型构建思路**：在条件均值-方差多因子组合（CMV）的优化框架下，施加额外约束 $b_k = 0$（即因子权重不随市场波动率变化），从而得到一个静态权重的多因子最优组合[56]。 * **模型具体构建过程**：与CMV组合的构建过程相同，但在求解优化问题(6)时，对所有因子k施加约束 $b_k = 0$，这意味着因子权重 $\theta_{k,t} = a_k$ 为常数，不随时间变化[56]。 5. 因子名称：九大基础因子 * **因子构建思路**：采用文献中常用的多空组合构建方法，代表不同的风险溢价来源[28]。 * **因子具体构建过程**：从相关作者网站获取九个因子的超额收益数据。除市场因子（MKT）和押注低贝塔因子（BAB）外，每个因子都是一个多空股票投资组合的收益，多头和空头头寸各为一美元。MKT和BAB因子也是零成本投资组合[28]。具体因子包括： * 市场因子（MKT） * 小市值减大市值因子（SMB） * 高账面市值比减低账面市值比因子（HML） * 稳健型减激进型因子（RMW） * 保守型减激进型因子（CMA） * 动量因子（UMD） * 盈利性因子（ROE） * 投资因子（IA） * 押注低贝塔因子（BAB）[28] 6. 因子名称：波动率管理因子 * **因子构建思路**：对每个基础因子，根据其自身历史波动率进行缩放，以生成一个波动率管理版本的因子收益序列[30]。 * **因子具体构建过程**：对于第k个基础因子，其波动率管理版本的收益 $r_{k,t+1}^{\sigma}$ 按以下公式计算： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是基础因子收益，$\sigma_{k,t}^{2}$ 是该因子在t月的已实现方差，$c$ 为缩放常数[30]。 7. 模型/因子评价 * **单因子波动率管理组合**：在样本内且不考虑交易成本时能提升夏普比率，但样本外表现受估计误差和交易成本严重侵蚀，考虑交易分散化仅能部分缓解，通常无法显著跑赢未管理因子[50][51][53][55]。 * **条件均值-方差多因子组合 (CMV)**：表现优异，其优势源于三个驱动因素：1) 跨因子交易轧差带来的交易分散化效应显著降低了高成本的管理型因子交易损耗；2) 在优化中直接纳入了交易成本模型；3) 允许因子权重随市场波动率差异化调整，能够积极择时并盘活某些低效因子[5][18][71][80][86]。 * **因子风险-收益权衡**：研究发现，所有九个因子的风险-收益权衡关系均随市场波动率上升而减弱，这与传统理论预期相悖，挑战了“风险-收益对应”的基本前提[3][19][92][103]。 模型的回测效果 （以下结果均基于样本外区间：1977年1月至2020年12月，且为扣除交易成本后的表现，除非特别说明） 1. 单因子波动率管理组合 * **测试场景**：样本外，扣除交易成本，并考虑交易分散化（对应图表4面板E）[52][54] * **MKT因子**：夏普比率(SR) 0.433[54] * **SMB因子**：夏普比率(SR) 0.035[54] * **HML因子**：夏普比率(SR) 0.089[54] * **RMW因子**：夏普比率(SR) 0.226[54] * **CMA因子**：夏普比率(SR) 0.153[54] * **UMD因子**：夏普比率(SR) 0.209[54] * **ROE因子**：夏普比率(SR) 0.324[54] * **IA因子**：夏普比率(SR) 0.193[54] * **BAB因子**：夏普比率(SR) 0.746[54] 2. 条件均值-方差多因子投资组合 (CMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(6)列）[61][73] * **年化收益率均值**：0.477[61] * **年化标准差**：0.449[61] * **夏普比率(SR)**：1.062[61] * **年化阿尔法(α)**：0.066[61] * **阿尔法t统计量**：3.637[61] * **年化交易成本(TC)**：0.213[61] 3. 无条件均值-方差多因子投资组合 (UMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(4)列）[61][73] * **年化收益率均值**：0.430[61] * **年化标准差**：0.458[61] * **夏普比率(SR)**：0.940[61] * **年化交易成本(TC)**：0.163[61] 4. 条件固定权重多因子投资组合 (CFW) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表8面板D第(5)列）[73] * **夏普比率(SR)**：1.026[73] * **年化阿尔法(α)**：0.046[73] * **阿尔法t统计量**：3.407[73] * **年化交易成本(TC)**：0.169[73]

研究核心观点 - 基于22年中国股市数据的测试表明，波动率管理组合策略在中国市场有效且符合其投资逻辑 [1] - 该策略通过动态调整风险敞口，在剧烈波动的市场中实现更优的风险调整后收益 [4][7] - 策略的有效性根植于中国股市独特的市场结构，如散户主导、涨跌停板制度及套利受限等 [3][4] 策略有效性测试结果 - 测试的71个因子策略中，55个在波动率管理后获得正超额收益，其中33个统计显著 [2] - 47个因子组合的夏普比率得到提升，其中15个提升显著 [2] - 样本外检验显示，策略夏普比率平均高出0.5个单位，超额收益提升超过4% [2] 策略优势领域 - 超额收益主要集中在价值、盈利能力和交易摩擦三类因子上 [2] - 在12个价值因子中，有9个经过波动率管理后出现显著正超额收益，4个夏普比率提升明显 [6] - 策略通过降低组合波动性，使投资者更容易长期持有，提升了策略的实际可执行性 [6][7] 中国市场适用性原因 - 中国股市散户比例高，情绪化交易导致追涨杀跌，波动率管理通过逆情绪操作获利 [4] - 涨跌停板制度中断价格连续修复，放大恐慌，无形中增加了市场波动，为波动率管理创造条件 [3] - 套利受限使得市场错误定价不会迅速消失，为波动率管理策略提供了捕捉收益的空间 [3] 策略核心机制 - 策略本质是情绪管理，在市场最热闹时收敛仓位，在最冷清时增加敞口 [4][5] - 策略并非依赖高频换手，经交易成本调整后依然能跑赢原始组合 [4] - 策略起到"情绪保险"作用，帮助投资者在市场情绪崩溃时保持稳定，避免非理性割肉 [6][7] 企业管理启示 - 波动率管理思维可应用于企业管理，根据不确定性程度灵活调整经营节奏，而非硬抗风险 [9][10] - 企业可借鉴其核心：不做预测的奴隶，而做调节的高手，根据风险信号决定风险暴露程度 [10][11] - 长期胜利的关键在于存活率，通过收放自如的管理熬过危机，等待下一轮机会 [10][11]

市场环境与产品发行 - A股市场下半年以来持续上涨 沪指站上3800点 成交额突破3万亿元 权益资产配置价值显现 [1] - 招商均衡优选混合型证券投资基金（基金代码：024027）于9月2日起正式发行 拟由吴潇担任基金经理 [1] 基金经理投资策略 - 基金经理吴潇拥有近12年投研经验及超8年产品投资管理经验 现任招商基金多元资产投资管理总监 [2] - 投资风格强调均衡配置与波动率管理 通过把握市场、行业、风格、个股四个维度的波动实现风险调整后收益优化 [2] - 采用组合定价与动态再平衡框架 以3-5年维度评估企业定价与预期回报率 当资产定价偏离长期价值时进行调整 [3] - 个股选择关注经营趋势与产品周期 目标年化复合回报率为15%-20% 基于预期回报率评估买卖决策 [3] - 历史业绩显示招商品质发现A近一年收益率达23.69% 超额收益率10.86%（基准12.83%）截至2025年6月30日 [3] 宏观经济与市场估值 - 2024年9月以来经济政策密集出台 2025年上半年GDP超预期 经济景气度回升 出口保持韧性 [4] - 截至2025年7月31日 10年期国债收益率1.73% 万得全A股债性价比3.12% 处于近十年69.06%分位数 显示权益资产配置机会 [4] 行业投资机会 - 红利策略长期胜率较优 在增速放缓与利率下行背景下受益于居民财富及保险资金配置需求 [4] - 科技方向关注算力增长、AI应用落地及智能驾驶发展 受科技自立自强政策推动 [5] - 消费板块估值处于历史低位 新消费领域受国潮崛起、消费品出海及政策支持驱动 [5] - 医药板块受益于医保政策加码与创新药出海 重点关注生物制品、医疗器械及医疗服务等低估细分领域 [5] 基金历史业绩 - 招商品质发现混合A自2021年成立以来完整年度回报分别为-17.93%(2022)、-16.50%(2023)、16.12%(2024) 总回报-15.17%（基准-7.68%）[6] - 招商优质成长混合LOF最近五年年度回报分别为89.08%(2020)、-12.07%(2021)、-12.42%(2022)、-0.90%(2023)、33.81%(2024) 自成立总回报1290.02%（基准338.29%）[7]

钢铁行业转型与高质量发展 - 行业正从低效同质化竞争转向高质量发展，经营哲学发生深刻转变，期货、期权等衍生品成为核心业务流程中的"战略基础设施" [1] - 本轮下行周期主要由需求下滑引发，产能过剩程度较2015年改善明显：2015年粗钢产能利用率66.99%，2025年上半年维持在80%附近 [1] - 供给侧改革推动环保和能耗标准提升，落后产能占比显著下降，使得本轮"反内卷"（去产能）难度高于上一轮 [1] - 竞争焦点转向技术制高点，特种钢材研发竞赛白热化，例如氢冶金技术可将吨钢碳排放从2吨降至0.5吨 [1] - 钢厂通过自律控产（如陕晋川甘区域共识）、技术升级、产品差异化（布局新能源、钢结构建筑市场）三方面协同发力 [1] 黑色产业链生存革命 - 行业基因重构，企业需将"波动率管理"融入组织DNA，金融工具与技术创新成为穿透周期的关键 [2] - 华北某钢厂将期货价格曲线与生产调度实时联动，套保算法动态优化风险敞口，从关注高炉温度转向波动率指标 [2] - 贸易商转型为"现代供应链服务商"，从价格竞争转向服务竞争（如定制加工、配送），2024年6-7月螺纹钢盘面升水150元/吨时通过期货套保锁定利润 [2] - 累计期权等场外衍生品广泛应用，平衡短期利润与长期竞争力 [2] 金融衍生品的战略地位 - 衍生品从辅助工具升维为企业抵御周期波动的"战略基础设施"，结合"服务之矛"与"风控之盾"的企业将成为破局者 [3]