波动越大，仓位越小？
量化策略的“自动刹车”到底有没有用
做ETF轮动时，我们常常把大部分精力放在一个问题上：明天应该买哪只ETF？
但还有一个问题，同样影响账户最后的样子：即使买的是同一只ETF，明天应该买多少？
平静行情里，满仓的日常波动可能并不大。等市场突然变得剧烈，同样是满仓，账户承担的风险却已经换了一个量级。代码里的仓位没有变化，实际承受的风险早就变了。
于是就有了一个直觉很强的办法：市场越颠簸，就把仓位降下来；市场平静了，再把仓位恢复。
这叫波动率管理。听上去像给策略加装了一套自动刹车，但它究竟是在改善风险，还是又给回测增加了一个好看的参数？
读完几篇国外论文后，我认为需要把两个问题分开：仓位调整能不能改变风险分布，以及这种改变能不能在真实交易中带来更好的净收益。前者有明确的机制，后者需要证据。
一、固定仓位，不等于固定风险
先看一个非常简化的关系：
账户波动率 ≈ 风险资产仓位 × 风险资产波动率这个近似适用于一个风险组合加现金、仓位在观察期内相对稳定、现金波动可以忽略的情形。
假设你持有的ETF组合，估计年化波动率从15%升到30%。如果仓位一直是100%，账户的估计波动率也会大致翻倍。你没有主动加仓，却相当于接受了更大的风险预算。
若希望账户的估计年化波动率维持在10%左右，一个常见的目标波动率规则是：
风险资产仓位 = min(100%, 10% ÷ 估计年化波动率)| 估计年化波动率 | 风险资产仓位 | 在简化假设下的账户波动率 |
|---|---|---|
| 8% | 100.0% | 8.0% |
| 10% | 100.0% | 10.0% |
| 15% | 66.7% | 约10.0% |
| 20% | 50.0% | 约10.0% |
| 30% | 33.3% | 约10.0% |
这里有两个容易漏看的细节。
第一，10%是用于说明计算的假设目标，不是适合所有人的标准。它更不是年化收益目标，也不是最大亏损上限。
第二，我们给仓位设了100%的上限。市场很平静时，公式不会让我们加到125%或200%。因此，这个版本只是一个不加杠杆的风险缩放示例，并不保证始终达到目标波动率。
二、论文为什么说，少承担风险也可能改善表现？
Moreira和Muir的《Volatility-Managed Portfolios》（中文可译为《波动率管理组合》），2017年发表于《金融学刊》。论文发现，在其研究的多个因子中，高波动时降低风险暴露能够改善风险调整后表现。作者给出的关键解释是：波动上升，并没有伴随预期收益同比例上升。原文及工作论文入口
翻成日常语言就是：行情更危险，不等于市场一定会多付给你足够的报酬。
如果风险变成原来的两倍，而预期收益没有相应增加，那么继续维持同样的仓位，未必划算。这是我对其经济逻辑的理解，不是“高波动之后一定下跌”的预测。
还需要辨认一个技术区别：Moreira和Muir的基准缩放方法使用滞后实现方差的倒数，而前面的教学公式使用估计波动率的倒数。方差是波动率的平方，两者调仓力度不同，不能把文章里的简单规则当作论文原策略的复刻。方法讨论见2024年后续研究
三、后续研究为什么没有给出同一个答案？
一篇论文的好结果，不能直接变成所有量化策略的通用插件。沿着这条研究线往后看，证据其实有层次。
2018年：不同资产，效果不一样。Harvey等人的《The Impact of Volatility Targeting》（《目标波动率的影响》）报告，夏普比率的改善主要出现在股票、信用等风险资产，债券、外汇和商品的改善则不明显；其样本中的尾部风险表现还提供了另一种评价角度。作者上传的论文摘要
2020年：样本内好看，不代表实时交易更好。Cederburg等人研究了103种股票策略，发现波动率管理并没有在直接比较中系统性胜过原策略。把管理版和原策略组合起来时，合理的样本外方案也常逊于简单持有原策略，相关回归关系的结构不稳定是重要原因。期刊原文摘要
2024年：多因子视角，又发现了有条件的正面证据。DeMiguel、Martín-Utrera和Uppal在《A Multifactor Perspective on Volatility-Managed Portfolios》（《波动率管理组合的多因子视角》）中，允许不同因子的相对权重随市场波动变化，并报告其条件多因子组合在样本外、扣除成本后仍优于无条件组合。开放获取原文
这几篇研究并不是简单地互相推翻。它们使用的投资对象、组合方法和检验方式不同。
单一ETF减仓、单因子风险缩放、多因子动态配置，看起来都在“波动大时少买”，实际解决的不是同一个问题。尤其不能因为2024年的多因子组合取得了好结果，就推断自己的ETF轮动加上一条仓位公式也会有同样改善。
我更愿意把这些研究理解成一个提醒：波动率是有研究价值的信息，但把它变成可交易规则，还要经过组合设计、实时估计和交易成本这几道关。
四、自动刹车最怕什么？刚刹完，行情就反弹
下面用一个可以手算的例子，看它的代价。
设初始资金100元，风险资产第一天下跌6%，第二天上涨8%。为了单独看仓位的影响，假设我们在两天开始前都已经确定仓位，忽略手续费，现金收益取零。
| 时点 | 两天始终满仓 | 两天均保持50%仓位 |
|---|---|---|
| 开始 | 100.00 | 100.00 |
| 第一天结束 | 94.00 | 97.00 |
| 第二天结束 | 101.52 | 100.88 |
半仓确实让第一天少亏了3元，但第二天只参与了一半反弹，最终收益也低于满仓。
这不是“半仓策略的回测”，更不是波动率规则在这段行情里一定会这样交易。它只是把一个机制放大给我们看：减少风险暴露，也会减少上涨暴露。
实际的波动率估计还存在时间上的滞后。一次大跌进入观察窗口以后，估计风险可能升高，规则才开始减仓；若紧接着快速反弹，账户就可能以较小仓位参与恢复。反过来，一段平静期也无法预告下一次突然跳跌。
因此，目标波动率并不是止损价，也不能保证把最大回撤锁在某个数字以内。
五、放进ETF轮动和微盘策略，分别要注意什么？
下面是从研究框架出发的应用推演，并没有对你的实盘组合做收益验证。
ETF轮动：先决定买什么，再决定买多少
动量排序负责选择标的，仓位模块负责调整暴露，两者可以分开检验。
例如，基础轮动规则先选出目标ETF或组合，再根据当时可获得的波动估计决定投入比例。这样才看得清：新增模块是在改善风险，还是碰巧改变了持仓路径。
特别要注意，轮动会更换标的。如果昨天还持有债券ETF，今天准备换成高波动股票ETF，只使用昨天账户的低波动来给新标的定仓，可能低估下一段风险。需要明确估计对象究竟是原策略收益、拟持有ETF的收益，还是拟持有组合的收益，并保持研究和交易口径一致。
组合里有多只ETF时，也不能把各自波动率简单平均。它们一起上涨、一起下跌的程度，也会改变组合风险。
微盘策略：波动指标不能代替成交能力
对微盘组合，我会把“希望减到多少仓位”和“当时能否减下来”分开记录。
即使模型给出减仓指令，真实订单仍可能面临成交量不足、停牌或价格限制等约束。若回测默认所有卖单即时成交，得到的风险控制效果就可能过于理想。
还有一个口径问题：若风险估计使用已经减过仓的账户收益，账户波动下降可能又触发加仓，随后波动上升再减仓。这个反馈并非一定不可用，但必须刻意设计，不能把账户波动和未缩放策略波动混着用。
六、我会怎样判断，这套刹车是否值得保留？
我会先做一组尽量简单的对照，而不是直接搜索“最赚钱的波动窗口”。
| 版本 | 用途 |
|---|---|
| 原策略，原仓位规则 | 保留基础结果 |
| 原策略，固定较低仓位 | 检查改善是否只是少买了 |
| 原策略，动态波动率仓位 | 检查择时缩放是否有额外价值 |
如果动态版本和固定较低仓位的版本相比，没有更好的收益风险取舍，却明显增加换手，那么新增模块的价值就需要重新考虑。对照时也要报告平均仓位和实现波动率；风险差异太大的两个版本，不能只比谁的年化收益更高。
数据顺序则必须写清楚：用截至昨天收盘可获得的数据产生今天的仓位，在今天实际允许的时点成交。不能先看到今天完整的波动，再假装早盘已经按这个结果交易。若在收盘后计算，就对应下一个可成交时点。
之后我会重点看四件事：
- 扣除成本后怎样。把换手、滑点、未成交和资金闲置一起计入；若剩余资金配置了其他资产，也把它的真实收益与风险纳入。
- 快速反弹时怎样。单独拆出急跌后恢复的阶段，观察减仓后错过多少反弹，回本时间是否反而延长。
- 相邻设置是否稳定。波动估计窗口、目标水平和调仓频率稍作变化后，结论是否仍成立，而不是只挑一个冠军。
- 冻结规则后怎样。在后续未参与调参的数据上继续观察，并记录每次修改，避免把看过的“样本外”反复拿来选规则。
这些是我会采用的验证步骤，不是本文已经完成的实证结果。
七、我的理解：刹车应该减少失控，而不是承诺最快
做量化很容易产生一种期待：只要加上一条风险规则，就应该同时提高收益、降低回撤、缩短回本时间。
可仓位管理通常需要付出代价。减少损失暴露的同时，也可能减少反弹收益；更及时地跟随风险，又可能增加交易成本。
这条研究线给我的启发是，选股或选ETF之外，仓位本身值得认真研究。但判断它好不好，不能停在“波动大就少买”这个直觉上，也不能只看一条更平滑的历史净值。
真正值得保留的规则，应当能解释它降低了哪一种风险、在什么行情里会吃亏，以及扣除现实摩擦后，是否仍然改善了你关心的目标。
给策略装自动刹车，可以是合理的研究方向；先把刹车的代价算明白，才是把论文变成交易规则的开始。
本文为四篇英文论文的中文解读与原创方法讨论，非逐字全文翻译。研究发表于2017—2024年，本文不将其称为2026年最新论文。图表中的仓位与净值均为明确假设下的教学计算，未使用你的账户数据，也未复现论文收益。本文用于研究交流，不构成投资建议。
参考论文
- Moreira, A., & Muir, T. (2017). Volatility-Managed Portfolios. The Journal of Finance, 72(4), 1611–1644. NBER工作论文与正式发表信息。
- Harvey, C. R., Hoyle, E., Korgaonkar, R., Rattray, S., Sargaison, M., & Van Hemert, O. (2018). The Impact of Volatility Targeting. The Journal of Portfolio Management, 45(1), 14–33. 作者论文入口 · DOI。
- Cederburg, S., O’Doherty, M. S., Wang, F., & Yan, X. S. (2020). On the Performance of Volatility-Managed Portfolios. Journal of Financial Economics, 138(1), 95–117. DOI。
- DeMiguel, V., Martín-Utrera, A., & Uppal, R. (2024). A Multifactor Perspective on Volatility-Managed Portfolios. The Journal of Finance, 79(6), 3859–3891. 开放获取原文。