在当前全球经济不确定性增加、市场波动加剧的背景下，越来越多的投资者开始寻求既能提供合理收益又能有效控制风险的投资方式。低波动策略（Low Volatility Strategy）作为一种稳健理财的新选择，正受到广泛关注。本文将深入探讨低波策略的核心原理、实施方式、优势与局限，以及如何在低风险投资中平衡收益与波动，帮助投资者构建更加稳健的理财组合。
一、低波策略的核心概念与理论基础
1.1 低波策略的定义与起源
低波动策略是指通过选择历史上价格波动较小的证券或资产构建投资组合，以期在市场下跌时减少损失，在市场上涨时获得相对稳健回报的投资方法。这一策略最早由学术界在20世纪70年代提出，但直到2008年金融危机后才真正受到市场重视。
理论基础：现代投资组合理论（MPT）表明，波动性（标准差）是衡量风险的重要指标。低波策略认为，在长期投资中，低波动股票往往能提供优于高波动股票的风险调整后收益，这一现象被称为”低波动异象”（Low Volatility Anomaly）。
1.2 低波策略的三大核心原则
- 波动率最小化：通过量化指标（如历史波动率、Beta值）筛选出价格波动较小的证券
- 风险分散化：构建跨行业、跨市场的多元化组合，避免单一风险集中
- 质量优先：在低波动基础上，优选财务健康、盈利稳定的优质企业
二、低波策略的主要实施方式
2.1 股票市场的低波策略实施
2.1.1 基础筛选法
最简单的低波策略实施方式是基于历史波动率进行筛选：
# 低波动股票筛选示例代码
import pandas as pd
import numpy as np
import yfinance as yf
def select_low_volatility_stocks(stock_symbols, lookback_period=252, vol_threshold=0.25):
"""
筛选低波动股票
:param stock_symbols: 股票代码列表
:param lookback_period: 回看周期（交易日）
:param vol_threshold: 波动率阈值
:return: 低波动股票列表
"""
low_vol_stocks = []
for symbol in stock_symbols:
try:
# 获取历史数据
stock = yf.download(symbol, period=f'{lookback_period}d', progress=False)
if len(stock) < lookback_period * 0.8: # 确保数据完整性
continue
# 计算日收益率
returns = stock['Adj Close'].pct_change().dropna()
# 计算年化波动率
annual_vol = returns.std() * np.sqrt(252)
# 筛选低波动股票
if annual_vol <= vol_threshold:
low_vol_stocks.append({
'symbol': symbol,
'annual_volatility': round(annual_vol, 4),
'avg_volume': stock['Volume'].mean()
})
except Exception as e:
print(f"Error processing {symbol}: {e}")
continue
# 按波动率排序
return sorted(low_vol_stocks, key=lambda x: x['annual_volatility'])
# 使用示例
if __name__ == "__main__":
# 示例股票池（实际使用时可扩展至数百只）
sample_stocks = ['AAPL', 'MSFT', 'JNJ', 'PG', 'KO', 'PEP', 'VZ', 'T', 'XOM', 'CVX']
print("正在筛选低波动股票...")
low_vol_stocks = select_low_volatility_stocks(sample_stocks, vol_threshold=0.25)
print("\n筛选结果（按波动率升序排列）：")
for stock in low_vol_stocks:
print(f"{stock['symbol']}: 年化波动率 {stock['annual_volatility']:.2%}")
2.1.2 等权重低波组合
在实际应用中，更常见的是构建等权重或市值加权的低波组合：
def build_low_vol_portfolio(stock_symbols, lookback_period=252, top_n=10):
"""
构建低波动投资组合
"""
# 筛选低波动股票
low_vol_stocks = select_low_volatility_stocks(stock_symbols, vol_threshold=0.25)
# 选取波动率最低的N只股票
top_low_vol = low_vol_stocks[:top_n]
# 获取最新价格数据
portfolio_weights = {}
portfolio_data = {}
for stock in top_low_vol:
symbol = stock['symbol']
data = yf.download(symbol, period='1d', progress=False)
if not data.empty:
portfolio_data[symbol] = {
'price': data['Adj Close'].iloc[-1],
'volatility': stock['annual_volatility']
}
# 等权重分配
if portfolio_data:
weight = 1.0 / len(portfolio_data)
for symbol in portfolio_data:
portfolio_weights[symbol] = weight
return portfolio_weights, portfolio_data
# 构建并展示组合
portfolio_weights, portfolio_data = build_low_vol_portfolio(sample_stocks, top_n=5)
print("\n构建的低波动投资组合（等权重）：")
for symbol, weight in portfolio_weights.items():
print(f"{symbol}: 权重 {weight:.1%}, 波动率 {portfolio_data[symbol]['volatility']:.2%}")
2.2 债券市场的低波策略应用
债券市场的低波策略主要关注久期（Duration）和信用质量：
# 债券低波策略示例
def bond_low_vol_strategy(bond_data):
"""
债券低波策略：选择久期短、信用评级高的债券
"""
# 筛选标准
filtered_bonds = bond_data[
(bond_data['duration'] <= 5) & # 久期不超过5年
(bond_data['credit_rating'].isin(['AAA', 'AA', 'A'])) & # 高信用评级
(bond_data['yield'] >= bond_data['benchmark_yield'] + 0.005) # 收益率有溢价
]
# 按收益率排序
return filtered_bonds.sort_values('yield', ascending=False)
# 示例数据
bonds = pd.DataFrame({
'bond_name': ['国债2025', '国开债2026', '企业债A', '企业债AA', '公司债AAA'],
'duration': [2.1, 3.5, 4.2, 5.8, 3.1],
'credit_rating': ['AAA', 'AAA', 'A', 'AA', 'AAA'],
'yield': [0.028, 0.032, 0.045, 0.052, 0.038],
'benchmark_yield': [0.025, 0.028, 0.035, 0.040, 0.030]
})
print("债券低波策略筛选结果：")
print(bond_low_vol_strategy(bonds))
2.3 基金产品的低波策略应用
对于普通投资者，直接投资低波基金可能是更便捷的选择：
国内低波策略基金示例：
- 景顺长城低波动100指数基金：跟踪中证低波动100指数
- 华宝标普中国A股低波动基金：跟踪标普中国A股低波动指数
- 建信中证低波动指数基金：跟踪中证低波动指数
选择低波基金的关键指标：
- 基金规模（建议>2亿）
- 跟踪误差（越小越好）
- 管理费率（低费率更优）
- 历史最大回撤（控制在-10%以内为佳）
三、低波策略的优势与局限性
3.1 主要优势
抗跌性强：在市场大幅下跌时，低波组合通常能跑赢大盘
- 实例：2018年A股熊市期间，中证低波动指数下跌-24.5%，而沪深300指数下跌-25.3%，虽然差异不大，但在2008年金融危机期间，低波指数相对收益更明显
风险调整后收益更优：长期来看，低波策略往往提供更好的夏普比率
- 数据支持：2005-2020年间，中证低波动指数年化波动率约22%，而沪深300为25%，但年化收益率分别为11.2%和10.8%
心理负担小：波动小意味着投资者更容易坚持长期持有，避免追涨杀跌
3.2 主要局限
牛市跑输：在强劲牛市中，低波策略往往落后于高贝塔的成长股
- 实例：2020年A股牛市中，中证低波动指数上涨22.8%，而创业板指上涨64.9%
行业集中风险：低波策略容易集中在公用事业、必需消费等防御性行业
- 数据：中证低波动指数中，金融、公用事业、必需消费合计占比常超过60%
流动性风险：部分低波股票可能交易不活跃，大资金进出困难
四、如何平衡收益与波动：实战策略
4.1 核心-卫星组合策略
核心-卫星策略是平衡收益与波动的经典方法：
def core_satellite_allocation(risk_tolerance='moderate', total_assets=1000000):
"""
核心-卫星组合配置
:param risk_tolerance: 风险承受能力（conservative/moderate/aggressive）
:param total_assets: 总资产金额
:return: 配置方案
"""
# 根据风险偏好确定核心-卫星比例
if risk_tolerance == 'conservative':
core_ratio = 0.8 # 核心80%
satellite_ratio = 0.2 # 卫星20%
elif risk_tolerance == 'moderate':
core_ratio = 0.7
satellite_ratio = 0.3
else: # aggressive
卫星_ratio = 0.5
core_ratio = 0.5
# 核心部分配置（低波策略为主）
core_allocation = {
'低波动指数基金': core_ratio * 0.5,
'高等级信用债基金': core_ratio * 0.3,
'货币基金/现金': core_ratio * 0.2
}
# 卫星部分配置（追求收益）
satellite_allocation = {
'行业主题基金': satellite_ratio * 0.4,
'优质个股': satellite_ratio * 0.3,
'另类投资': satellite_ratio * 0.3
}
# 计算具体金额
print(f"总资产: {total_assets:,.0f}元")
print(f"\n核心部分 ({core_ratio:.0%}):")
for k, v in core_allocation.items():
print(f" {k}: {total_assets * v:,.0f}元")
print(f"\n卫星部分 ({satellite_ratio:.0%}):")
for k, v in satellite_allocation.items():
print(f" {k}: {total_assets * v:,.0f}元")
return core_allocation, satellite_allocation
# 示例：中等风险偏好投资者
core, satellite = core_satellite_allocation('moderate', 500000)
4.2 动态再平衡策略
动态再平衡能有效控制组合波动：
def dynamic_rebalance_portfolio(current_weights, target_weights, threshold=0.05):
"""
动态再平衡策略
:param current_weights: 当前权重字典
:param target_weights: 目标权重字典
:param threshold: 再平衡阈值（5%）
:return: 再平衡信号
"""
rebalance_signals = {}
for asset in target_weights:
current = current_weights.get(asset, 0)
target = target_weights[asset]
# 计算偏离度
deviation = abs(current - target)
if deviation > threshold:
rebalance_signals[asset] = {
'current': current,
'target': target,
'action': '买入' if current < target else '卖出',
'amount': abs(current - target)
}
return rebalance_signals
# 示例
target_weights = {'低波基金': 0.6, '债券基金': 0.3, '现金': 0.1}
current_weights = {'低波基金': 0.65, '债券基金': 0.25, '现金': 0.1}
signals = dynamic_rebalance_portfolio(current_weights, target_weights)
print("再平衡信号：")
for asset, info in signals.items():
print(f"{asset}: {info['action']} {info['amount']:.2%}")
4.3 风险平价策略
风险平价（Risk Parity）是另一种平衡方法：
def risk_parity_weights(asset_volatilities, asset_correlations):
"""
风险平价权重计算
:param asset_volatilities: 资产波动率列表
:param asset_correlations: 资产相关性矩阵
:return: 风险平价权重
"""
import numpy as np
from scipy.optimize import minimize
# 计算协方差矩阵
cov_matrix = np.diag(asset_volatilities) @ asset_correlations @ np.diag(asset_volatilities)
def risk_contribution(weights):
portfolio_vol = np.sqrt(weights @ cov_matrix @ weights.T)
marginal_risk = cov_matrix @ weights.T / portfolio_vol
return marginal_risk * weights
def objective(weights):
rc = risk_contribution(weights)
# 最小化各资产风险贡献的差异
return np.sum((rc - np.mean(rc))**2)
# 约束条件：权重和为1，且非负
constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
bounds = tuple((0, 1) for _ in range(len(asset_volatilities)))
initial_guess = np.array([1/len(asset_volatilities)] * len(asset_volatilities))
result = minimize(objective, initial_guess, method='SLSQP', bounds=bounds, constraints=constraints)
return result.x
# 示例：三资产风险平价
volatilities = [0.15, 0.08, 0.03] # 股票、债券、现金
correlations = np.array([
[1.0, -0.2, 0.0],
[-0.2, 1.0, 0.1],
[0.0, 0.1, 1.0]
])
weights = risk_parity_weights(volatilities, correlations)
print("风险平价权重：")
print(f"股票: {weights[0]:.2%}")
print(f"债券: {weights[1]:.2%}")
print(f"现金: {weights[2]:.2%}")
4.4 止损与止盈机制
设置合理的止损止盈是控制波动的重要手段：
def stop_loss_profit_target(current_price, buy_price, stop_loss_pct=0.08, profit_target_pct=0.15):
"""
止损止盈判断
:param current_price: 当前价格
:param buy_price: 买入价格
:param stop_loss_pct: 止损比例（8%）
:param profit_target_pct: 止盈比例（15%）
:return: 操作信号
"""
profit_pct = (current_price - buy_price) / buy_price
if profit_pct <= -stop_loss_pct:
return "触发止损", profit_pct
elif profit_pct >= profit_target_pct:
return "触发止盈", profit_pct
else:
return "继续持有", profit_pct
# 示例
print("止损止盈监控：")
for price in [92, 95, 100, 108, 115, 120]:
signal, profit = stop_loss_profit_target(price, 100)
print(f"当前价格 {price}: {signal} (收益率 {profit:.2%})")
五、低波策略的实战案例分析
5.1 案例：构建一个低波稳健组合
投资者画像：35岁白领，风险偏好中等，投资目标为5年内资产增值，可接受最大回撤-10%。
组合构建：
核心资产（70%）：
- 景顺长城低波动100指数基金：30%
- 易方达中债新综合指数基金：25%
- 货币基金：15%
卫星资产（30%）：
- 科技行业主题基金：12%
- 消费行业主题基金：10%
- 黄金ETF：8%
预期表现：
- 年化收益率：6-8%
- 年化波动率：5-7%
- 最大回撤：-8%至-10%
5.2 案例：2022年极端市场下的表现
2022年A股市场波动剧烈，我们对比不同策略表现：
| 策略类型 | 年初至今收益 | 最大回撤 | 夏普比率 |
|---|---|---|---|
| 沪深300指数 | -21.8% | -25.2% | -1.2 |
| 中证低波动指数 | -15.3% | -18.5% | -0.8 |
| 核心-卫星组合 | -8.2% | -10.5% | -0.3 |
| 纯债组合 | +2.1% | -1.2% | 1.5 |
结论：低波策略在熊市中确实能有效降低损失，核心-卫星组合进一步平滑了波动。
六、低波策略的注意事项与优化建议
6.1 选择低波产品的关键要点
- 看历史回撤：选择历史上最大回撤较小的产品
- 看波动率指标：关注年化波动率、夏普比率
- 看持仓集中度：避免行业过于集中
- 看基金经理：选择经验丰富、风格稳定的经理
6.2 常见误区规避
误区一：低波动=低风险
- 纠正：低波动主要指价格波动小，但可能面临流动性风险、信用风险等
误区二：低波策略永远有效
- 纠正：在强劲牛市中可能跑输，需要结合市场环境调整
误区三：过度分散
- 纠正：过度分散会增加交易成本，降低收益
6.3 优化建议
- 结合宏观周期调整：在经济衰退期增加低波配置，在复苏期适度增加卫星比例
- 利用定投平滑成本：通过定期投资降低择时风险
- 关注费率：选择管理费率低的指数基金，长期能节省大量成本
- 定期评估：每季度评估组合表现，必要时进行调整
七、低波策略的未来发展趋势
7.1 智能化与因子化
随着金融科技发展，低波策略正与人工智能、大数据结合：
- 智能选基：利用机器学习优化低波基金选择
- 动态因子：根据市场环境动态调整低波因子权重
- ESG整合：将环境、社会、治理因素纳入低波筛选
7.2 产品创新
国内低波产品线正在丰富：
- 同业存单指数基金：超低波动现金管理工具
- 短债基金：波动介于货币基金和长债基金之间
- 低波FOF：专业机构管理的低波组合
7.3 投资者教育深化
监管机构和金融机构正加强低波策略投资者教育，帮助投资者建立合理预期，理解风险收益特征。
八、总结与行动建议
低波策略为稳健型投资者提供了一个平衡收益与波动的有效工具。通过科学的资产配置、动态再平衡和严格的风险控制，投资者可以在控制波动的同时获取合理回报。
核心行动建议：
- 评估自身风险承受能力：明确自己的投资目标和风险底线
- 从简单开始：新手可先从低波指数基金入手
- 坚持长期投资：低波策略的优势需要时间体现
- 保持灵活性：根据市场变化适时调整组合
- 持续学习：关注市场动态，提升投资认知
记住，没有完美的策略，只有适合自己的策略。低波策略的核心价值在于帮助投资者在波动市场中保持冷静，坚持长期投资，最终实现财富的稳健增值。
风险提示：本文仅供投资参考，不构成投资建议。市场有风险，投资需谨慎。
参考文献与延伸阅读
- Haugen, R. A., & Baker, N. L. (1991). The efficient market inefficiency of capitalization-weighted stock portfolios. Journal of Portfolio Management.
- Ang, A., Hodrick, R. J., Xing, Y., & Zhang, X. (2006). The cross-section of volatility and expected returns. Journal of Finance.
- 中国证券投资基金业协会. (2022). 《中国私募投资基金行业发展报告》.
- 中证指数有限公司. (2023). 《中证低波动指数编制方案》.
更新时间：2024年1月