低波动异象：波动小的反而回报不低

金融学的基本直觉是：承担更高的风险，应该拿到更高的回报。但把股票按历史波动率分组后，历史上低波动组的长期回报并不比高波动组差，有些时段甚至更好。这个与常识相悖的现象，叫低波动异象。

它为什么会出现

解释有几类，彼此并不互斥。

杠杆偏好：想博高收益的投资者，往往不愿意（或者不能）用杠杆，于是干脆去买高波动的股票，希望一把赚到。大家都在这么做，就把高波动股票的价格推高了，预期回报反而被压低；低波动股票没人抢，价格便宜，预期回报反而更高。

彩票偏好：人天生偏好小概率的大奖，高波动股票带有彩票属性（可能翻倍），投资者愿意为这种可能性付出溢价。结果是买入并持有高波动股票的长期回报被摊薄。

约束与代理问题：不少机构受限于跟踪误差、排名压力，倾向于买入波动大、弹性高的标的来博取短期业绩，这类行为同样会推高高波动股票的价格。

它不是"没有代价的高收益"

这一点必须说清楚。低波动异象不是说低波动股票风险更低、收益更高——那就真成了免费午餐。

准确地说：低波动股票的波动确实更低（这个没有争议），而它的绝对收益未必更低。从风险调整后的角度看（比如用夏普比率衡量），低波动组往往表现更好。它的超额收益，更多来自"风险调整后"的效率，而不是绝对收益上的碾压。

另外，低波动因子也有明显的阶段性失效：在单边上涨、投机氛围浓厚的行情里，低波动组会大幅跑输，因为涨得猛的都是高波动股票。

构造时要注意的三件事

行业分布会偏。低波动股票天然集中在公用事业、银行、消费这类稳定行业。如果不做行业中性，低波动因子可能变成一次行业押注——它赚的是行业贝塔，而不是低波动本身。

波动率的计算窗口。用多长的历史算波动，结果差别不小。窗口太短噪声大，窗口太长反应迟钝。要做稳健性检验，确认结果不是某个窗口调出来的。

波动率与 beta 的区分。波动率衡量的是自身价格的波动幅度，beta 衡量的是相对市场的敏感度。两者相关但不相同，构造时要知道自己用的是哪一个。

和其他因子的关系

低波动与价值、质量都有一定相关性。所以放进多因子模型之前，先做正交化处理，去掉重叠部分，才能知道它到底贡献了多少独立信息。

一句人话：低波动异象不是说"只赚不赔"，而是说市场系统性地高估了"刺激"，低估了"稳当"。它赚的是定价偏差的钱，而不是违背风险收益规律的钱。

写在最后

讲完几类主要因子，接下来要解决一个绕不开的技术问题：这些因子常常带着明显的行业和市值偏向。下一篇讲中性化——为什么要控制变量，以及怎么做。