--- title: '波动率的「动量-反转」切换策略及A股应用' source: 'https://www.youtube.com/watch?v=vY8hp-2lELU' video_id: 'vY8hp-2lELU' date: 2026-09-14 duration_sec: 574 channel: '数分魔 🌍: DataAnalysisModel' --- # 波动率的「动量-反转」切换策略及A股应用 > Source: [波动率的「动量-反转」切换策略及A股应用](https://www.youtube.com/watch?v=vY8hp-2lELU) ## Summary This video reviews a paper from the Journal of Asset Management that proposes a volatility-based regime-switching strategy to control drawdowns in momentum investing. The strategy switches between momentum and reversal based on market volatility, and backtesting shows it can turn momentum crashes into profits. ### Key Points - **Momentum Crash Problem** [00:50] — Momentum strategies are prone to rare but severe crashes, with the worst 10 months averaging 26% losses and the worst month losing 77%. - **Volatility-Based Regime Switching** [02:30] — The paper divides months into four volatility quartiles and finds that momentum works in low volatility, while reversal works in high volatility. - **Simple Switching Rule** [03:48] — The strategy switches to reversal when volatility is above the 75th percentile of the past five years. - **Turning Crashes into Profits** [05:51] — During 15 severe momentum crashes, traditional momentum lost 36.3% per month, while the switching strategy gained 2.3%. - **Adaptation for A-Share Markets** [06:33] — For A-shares, the reversal leg is converted to long-only due to short-selling restrictions. ## Transcript 还在研究动量策略的控回撤问题 今天我们来看一篇论文 是这篇 General of Asset Management 这个刊板是学界和业界都看了一看 它的标题是市场波动率 动量和反转 以及一切的切换策略 其实这几个年写的名字太长了 不见了 这篇论文想解决的问题 跟我们自己的策略有直接关系 就是怎么在空回车这件事情上做得更好 我们先看一下问题的本身 动量策略 做多过去赢家 做空过去的输家 当然在A股的环境下 我们做空比较困难 它是金融学最早的意向之一 但这时候比特币在1993年就发现了 现在过去三十年了 这个问题依然是有效的 那这个策略有个正面的缺陷 我们上个视频也谈到 它虽然不经常发生 但是一旦发生就是混连性的 或者有人称之为 动量崩盘 丹利尔马克·伊茨在2016年 在DSE上有一篇精简的论文 专门研究这件事 他们发现在 接近90年的美国数据里头 动量策略最差的10个月 平均亏损26% 最惨的一个亏了77% 而且这个崩盘 有一个规律 总是发生在市场大跌之后 波动率飙升市场开始反弹的时候 那这个策略的问题就在于说 你做多赢家做空输家 但是反弹的时候 原来接的很得股票 涨的比以前涨的好的股票还猛 学术学界这个问题的解法最有名的 就是我们上一个视频说的那个 Also standard climate的波动率缩放的策略 高波动率的时候降降感 低波动率的时候加降感 我们上个视频里头 谈到了我们自己的强势骨策略 也用了这个方法 效果是不错的 但是波动力缩胖有几个问题 杠杆不是横定的 有时候要加三倍五倍的杠杆 有时候要缩到零点二倍 这篇论文提供了一个完全不同的思路 它不调杠杆了 直接换策略那怎么换呢在高波动的时候不做重量策略了做反转作者先做了一件事把美国127年的2020年 所有月份按市场波动率 分为四等份 最低波动率的是Q1 最高波动率的是Q4 注意这个Q1和Q4 不是我们吸的基础 然后在每个分位 看重量策略和反转策略 各自的表现 结果我们看到这一行 最高的25%波动率区间 情况是这样的 动量的收益降到了0.53 T值只有0.69 已经不显著了 也就是说在高波动力的时候 动量就没用了 反转策略在这个时候发挥作用了 反转策略在前面的几个里边表现平行 但是在高波动力里头 预计收益跳到了1.81 所以我们看这个数据就发现前三档动量强反转弱 最高档反转强动量弱 这就是在不同波动率下切换策略的理由基础 作者给出了一个行为经营学的解释 他们说高波动意味着市场恐慌反移过度 前期接的多的银行股票被超卖了 自然要好谈 低波动意味着趋势明确 信息慢慢扩散 属于强者从强 那具体怎么做呢 也非常简单啊 每月一册分三步走 第一步算当前市场的波动率 用当月日收益率的标准差 进行年化处理 第二步算这个波动率 在过去五年月度波动率序列里的分约数 第三步判断 如果分约数超过75% 也就是说当前波动率比过去五年里75%的月份都高 下个月做反转 否则做动量 就这么简单 就跟我们之前那个解读的诺门 它的策略都很简单 很容易理解也很容易做 动量策略定义是 做多过去11个月涨幅前10%的股票 做空跌幅前10% 那反转的策略是怎么定义的呢 就是说做多过去一个月跌幅前10%的股票 做空涨幅前15%转期反转注意在这个策略里头一个关键点策略始终是一比一跟我们上次解读那个波动率缩放的那个不一样 那个是需要动态调放感的 而且这个策略呢 所有的事都可以事前可以做 就是当前波动率 历史波动率 分微数 全是在交易之前用的算出来的 75分位的预值 在50到80这个范围内 都比较稳健 比如说我们在幅度里头 都一一错过了 这一页是作者 提早的1930年1月到2020年4月的 88年1056个月的策略的情况 切换策略 最后按他这个论文里就提到这个策略 切换策略 他的月薪收益是1.46 是所有可执行策略领域高的 下付比率是22.64 比它的最初提高了5% 最能体现切换策略价值的是风弹保护 作者举了丹尼尔和马格尼茨识别的 15次最严重的动向风弹 传统动量在这15个月里 平均每月亏36.3% 最惨的1932年的8月 单月亏了77% 但是用了这个切换策略之后 15次风弹 每月平均赚2.3% 它不是少亏啊 是赚钱 所以它从根本上解决了 动量崩盘的问题 因为在高波动域的时候 这个策略做的根本不是动量 而是用了反转策略 当崩盘之后的反弹 恰恰是这个反转策略 最赚钱的时候 这个论文还举了一些 世界上各个国家的一个例子 我们就不细说了 我们看一看在A股的做法 对于A股可以进行一个改革 因为A股波动率是选出高于A股的 而且我们A股的反复占比高 过渡反应更明显 反转效率可能更强 而且我们在A股里头做空是数线的 所以诺文的反转策略是做多 以前跌的多的 加上做空以前涨的多的 叫long short策略 A股只能做多 所以反转端必须改成long only就是只做多超节股放弃做空赢家的那一部分的收益那这每个步骤呢跟原来论文那个 基本上是一样的 唯一的区别就是 我们做多做空的这个部分 我们从机制层面 来对比一下 切换策略和现有的方案 在昨天的强势股策略上 我们用的是 突兴作坊的这个方案 就是上一线路的方案 那么用现在的这个论文呢 其实得到结果并不好 原因是我们这个 不是纯粹的动量策略 因为我们这个主要是强势股 强势股在波动率高的时候 有的时候它也挺强势的 所以这条论文 对我们这个策略界点也不大 但是对于动量策略意义是挺大的 好 到这里论文本身就讲完了 虽然说对我们原来这个策略意义没那么大 但是我觉得对于动量这个方面的 我们我既然把这个论文读了 我还是希望说把它给大家介绍一下 因为论文的这个动量反转 跟我们现在强势部这个反转不是一回事 论文的反转是做多全市场跌幅最大的 里面有好票的 也有错杀的 那我们的反转呢 是做多评分最低的 所以论文的思路是 在里面上是门级的 那在我们的 已经精选过的 这个强势股框架里头 不太成立 所以这不意味着说 这个论文都没有用完 它其实对于 动量策略 控回撤这个方面 其实是很有指导意义的 所以这篇论文对我们最大的贡献是说 欧东利本身写下了关于市场状态的丰富信息 如果你把这个考虑到考虑进你的策略 那就从纯粹的动量策略进化到已经状态感知的情况 这个论文做的还是很细致 他用了88年的数据加上十个国家交发验证 这结论是比较稳健的 在一片落的蜜桃做这么丰富的还是挺少见的 今天非常多谢大家