报告核心观点及理论基础 [page::3][page::4]

• 将股票的波动率分解为“好”波动率（正收益的平方和）与“坏”波动率（负收益的平方和）。

- 通过计算两者之差并标准化，定义相对有符号跳跃方差（RSJ），量化股票的“好坏波动率”。

• RSJ数值在-1至1间变动，有助捕捉跳跃价格波动的非对称效应。

- 该指标基于高频5分钟数据计算，平滑一周的RSJ作为投资组合构建变量。

RSJ及其他已实现变量的统计特征与相关性 [page::6][page::7]

• RSJ分布接近对称，标准差约为0.16，跨公司和时间波动显著。

- RSJ与已实现偏度（RSK）相关性高达0.93，但RSJ能提供更稳健的收益预测。

• RSJ与周收益反转（REV）、最大（MAX）和最小（MIN）收益显著相关，体现其补充信息价值。

RSJ 与未来股票收益的关系及单变量分组投资组合分析 [page::9][page::10]

• 根据RSJ指标分组投资组合，高RSJ股票未来一周收益率显著低于低RSJ组。

- 多空组合（做多最低RSJ组，做空最高RSJ组）年化收益率约15%。

• 该收益差在4因子调整后依然保持显著。

- RSK指标尽管与收益负相关，但可预测性较弱，且控制RSJ后其效果逆转。

具有控制变量的分组与双变量分组投资组合研究 [page::11][page::12][page::13]

• 控制周收益反转后，RSJ仍能显著预测未来收益，显示除反转外提供额外信息。

- 双变量分组表明RSJ的负收益预测能力独立于偏度影响，偏度预测能力依赖于RSJ的影响。

• 该结论通过Fama–MacBeth多变量横截面回归得到进一步确认。

公司层面横截面回归和控制变量影响分析 [page::14][page::15][page::16]

| 控制变量 | 大小分组（最低-最高RSJ）收益差（bps） | 4因子alpha差（bps） | t值 |
|---------|-----------------------------|-----------------|--------|
| 市值（ME） | 32.49 | - | 4.76 |
| 波动率（RVOL） | -44.09 | - | -4.09 |
| 流动性（ILLIQ） | -61.62 | - | -10.03 |
| 收益反转（REV） | 3.93 | - | 0.37 |

• 小市值、高波动率、低流动性股票的RSJ预测能力更强，符合信息不对称和交易限制的假说。

- 收益反转与RSJ预测能力存在一定重叠。

策略收益来源分解与行为金融视角 [page::17][page::18]

| 收益分解部分 | 未调整收益（bps） | FFC4调整收益（bps） | t统计量 |
|-----------------|--------------|----------------|-------|
| 自协方差（Auto） | -30.02 | -28.24 | -10.68|
| 横截面协方差（Cross） | -5.87 | 2.24 | 1.98 |
| 无条件协方差（Mean） | 接近0 | 接近0 | |

• 策略主要来源于股票内部的自协方差，说明投资者对价格跳跃存在过度反应。

- RSJ效应更多是行为偏差而非系统性风险溢价。

RSJ与公司新闻公告的关联分析 [page::18]

• 在未预期盈利公告的前后一周，RSJ指标出现明显跳跃，正向与好消息相关，负向与坏消息相关。

- 反映股价跳跃多与公司重大新闻事件相关联，支持RSJ捕获信息反应过程。

金融研究报告详尽分析 —《波动率如何区分好坏？》

（“学海拾珠”系列之一，2020-07-12）

---

一、元数据与概览（引言与报告概览）

本报告标题为《波动率如何区分好坏？》，为华安证券研究所“学海拾珠”系列中的一篇精选论文解读，由分析师严佳炜与朱定豪联合撰写，发布时间为2020年7月12日。报告聚焦于量化金融领域中波动率的细分、性质及其与股票未来收益间的关系，特别围绕论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》的核心结论展开。报告旨在向国内量化投资者传递海外最新的学术研究精髓，探讨如何通过区分“好”波动率与“坏”波动率，提升股票横截面收益的预测能力。

主要论点是，通过构造并测度相对有符号跳跃方差（RSJ，Relative Signed Jump Variation）—即标准化的上下行波动率差值，能够有效捕捉股票的“好”与“坏”波动率，且该指标具有显著且稳健的未来收益预测能力。报告强调RSJ在控制了传统风险因子（Fama–French–Carhart四因子模型）后依然显著，预测能力强于传统已实现偏度和峰度等指标。整体立场鲜明，指出RSJ为资产定价和选股提供了一个重要的新视角[page::0,3-5]。

---

二、逐章深度解读

1. 引言（第3页）

报告首先阐述了波动率拆分的思路：通过将日内收益率平方和区分为上涨部分（好波动率）与下跌部分（坏波动率），形成上下半方差，进一步聚合成相对指标RSJ。RSJ为上下半方差之差除以总已实现方差，范围介于-1至1。该指标旨在反映股票价格跳跃时带来的波动不对称性。

理论基础假设价格服从含跳跃的扩散过程，且布朗运动下上下行半方差相等，实际中不对称则来自跳跃。RSJ消除连续波动贡献，纯粹反映跳跃方向及幅度。实证中，RSJ构建的市值加权五分类投资组合间年化收益差高达15%，t值远超Harvey等提出的新标准，说明统计及经济显著性[page::3-4]。

2. 已实现的方差：理论与经验分布（第4-7页）

报告系统介绍了已实现方差、上行半方差RV\(^+\)、下行半方差RV\(^-\)的定义与极限性质。指出RSJ剔除连续成分聚焦跳跃效应，计算中采用5分钟高频数据，平衡市场微结构噪音与采样频率。

通过无条件分布（图表1）和描述性统计（图表2），RSJ分布处于-0.5至0.5范围且大致对称，平均标准差0.16，说明不同股票间存在显著差异。RSJ与实现偏度RSK高度相关（相关系数0.93），且与反转REV、最大收益MAX及最小收益MIN也呈显著相关。

时间序列分析（图表3）显示RSJ分布稳定且随时间变化较小，不像RVOL与峰度RKT在重大市场事件（如互联网泡沫、金融危机）期间波动明显，表明RSJ作为跳跃偏差指标的可靠性及相对稳定性[page::5-7]。

3. 投资组合特征分组（第8页）

进一步，报告展示了基于RSJ、RVOL、RSK、RKT四个指标进行5分位数分组的公司特征差异（图表4）。结果显示高RSJ组通常与高RSK、高反转REV、高最大收益MAX和低最小收益MIN对应，且明显不同于RVOL和RKT所分组的流动性较差小公司特征。此结论预示RSJ捕获非对称波动的特殊信息，与公司基本面和典型的波动率指标不同[page::8]。

4. 股票收益率预测能力分析（第9-14页）

4.1 单变量分组投资组合（第9-10页）

根据RSJ指标构造的价值加权和等权重投资组合中，RSJ位于最低组的股票在未来一周表现显著优于最高组，表现为29.35bps的收益差，t值5.83，FFC4因子校正后依旧显著。相比之下，RVOL、RKT对未来收益预测能力不明显，偏度RSK存在负相关但效应较弱且不稳定（图表5-6）[page::9-10]。

4.2 具有控制变量的单变量分组（第10-11页）

剔除反转因子影响后，RSJ残差仍对未来收益产生强负预测，FFC4高低差约为-17.67bps，说明RSJ含有独立于周反转之外的信息。相较之下，RSK的控制后效应削弱甚至消失，且样本外基于RSJ残差的投资组合收益预测能力更强，更稳定（图表7）[page::10-11]。

4.3 双变量分组投资组合（第12-13页）

双重分组策略进一步证实RSJ负相关影响不受RSK解释。基于RSK分组内交叉RSJ分组的投资组合收益差显著，反向不成立；基于RSJ分组后控制RSK则显示RSK与未来收益正相关，充分强调RSJ指标的核心作用及RSK预测性的脆弱性（图表8）[page::12-13]。

4.4 公司层面横截面回归（第14-15页）

采用Fama–MacBeth回归分析，控制多种变量（规模、市值、账面市值比、动量、反转等），RSJ持续对未来收益产生负预测，回归系数显著，经济意义强（2个横截面标准差变化对应约26%年化收益）；与此同时，RSK在考虑RSJ后正向预测未来收益，与前述双变量分组相一致，体现两者的内在信息构成及经济解释存在分歧（图表9）[page::14-15]。

5. RSJ策略进一步剖析（第15-18页）

5.1 RSJ收益性与控制变量（第15-16页）

通过对规模、波动率、流动性、反转等四个关键控制变量进行分组，RSJ策略展现出显著异质性：

• 小市值股票RSJ策略收益更高，说明信息不对称和交易摩擦加剧投资者的过度反应；

- 高波动率股票表现更优，支持波动性带来套利风险解释；

• 流动性差股票有更显著RSJ收益，凸显交易成本对异常收益的影响；

- 反转效应对RSJ策略收益影响有限，RSJ解释收益预测信息超出短期反转（图表10）[page::15-16]。

5.2 自协方差与RSJ收益分解（第17-18页）

依据Lo和MacKinlay方法，RSJ策略收益拆分为单股票自协方差、横截面协方差、横截面均值协方差三部分，结果表明获利主要来自单股票的自协方差，反映价格本身的时间相关性，其他项贡献甚微。此发现强化了RSJ指标背后是投资者对股票价格突然跳跃的过度反应和价格调整过程[page::17-18]。

5.3 RSJ与新闻公告关联（第18页）

通过业绩公告前后期的RSJ指标动态分析（图表12），正收益惊喜前后RSJ呈现正跳跃，负收益惊喜前后呈负跳跃，反映RSJ有效捕捉公司基本面新闻的市场冲击。且该效应不仅限于公告，还有宏观经济与公司特定新闻共同驱动RSJ，支持其作为重要信息信号的地位[page::18]。

6. 结论及风险提示（第18-19页）

报告总结，基于高频数据的RSJ波动率因子揭示“好”“坏”波动率差异显著影响未来收益率，构建的投资组合经济与统计意义均突出，对传统风险因子稳健。RSJ预测能力在周频显著，但在月频及更长周期失效，质疑纯风险定价解释，更多体现行为偏差和市场过度反应，特别在小公司、高波动、低流动性股票中表现强烈。

未来研究应深入探索市场行为偏差与风险溢价成分的相互作用。报告强调所有结论基于历史数据和海外样本，不构成投资建议[page::18-19]。

---

三、图表深度解读

图表1 无条件分布（第6页）

图表1的四个子图分别显示RSJ、RVOL、RSK和RKT的无条件分布核密度函数。RSJ分布近似对称，集中在[-0.5,0.5]，说明多样化股票间跳跃不对称程度差异明显。RVOL和RKT呈右偏，反映波动率和峰度极端值影响较大，RSK仍近似对称但尾部更重。该分布合理反映了跳跃波动的市场实际分布，为后续实证提供基础[page::6]。

图表2 描述性统计与相关系数（第6页）

表中提供四个主要指标及控变量的均值、标准差与横截面相关性矩阵。RSJ和RSK相关系数高达0.93，均体现波动非对称性，但相关性不足以完全替代预测能力。RSJ与REV（1周滞后收益）相关0.37，MAX（最大收益）和MIN（最小收益）也显著，揭示跳跃波动与短期收益动态关联。用于控制变量分析充分体现指标间逻辑关系[page::6]。

图表3 百分位数时间序列（第7页）

此图展示RSJ、RVOL、RSK、RKT的10th、50th、90th百分位数的十周移动均值时间序列。RSJ相对平稳，波动小，保持中性趋势，RVOL和RKT在危机期间（2000年、2008年）峰值明显，反映宏观风险冲击。RSK也较稳定但波动较RSJ略大。该图揭示RSJ作为跳跃波动指标的内生稳定性，为实证预测提供稳固基础[page::7]。

图表4 投资组合特征分组（第8页）

针对RSJ、RVOL、RSK、RKT进行5分位分组后，不同面板展示各分组对应股票的市值、账面市值比、动量、反转等基本面特征时间序列均值。高RSJ组股票表现出高RSK、高REV和高最大收益，低最小收益，且与规模、流动性无明显相关，说明RSJ捕获的风险特质与传统波动率量度不同[page::8]。

图表5 单变量分组收益（第9页）

RSJ分组所构建的投资组合收益呈单调递减趋势，市值加权和等权重均显示最高五分组未来收益最低。Fama–French–Carhart调整后，收益差依旧显著，最大约-29bps。相比之下，RVOL和RKT缺乏统计显著性，RSK虽表现负相关但不稳健。清晰显示RSJ优于常见指标的预测实力[page::9]。

图表6 投资组合累积收益（第10页）

展现RSJ、RSK、REV策略的累积收益曲线。RSJ策略稳定增长，显著优于RSK，RSK超额收益集中在早期互联网泡沫破裂期后趋于平稳。REV表现最好，但RSJ与REV相关系数仅0.37，说明两者捕获不同来源的预期收益。此图直观展示RSJ的长期稳健超额收益潜力[page::10]。

图表7 具有控制的单变量分组（第11页）

剔除反转等因素后，RSJ残差分组仍然负相关且显著，FFC4调整后收益差约-17bps，显示独立的信息含量增强。RSK参数在控制RSJ因素后，预测能力转为正相关，强调两者内在共性与个别差异的关键性（表格大量具体数据统计显著）[page::11]。

图表8 双变量分组（第12-13页）

交叉分组进一步剖析RSJ与RSK相互作用。RSJ控制下，RSK正相关收益，RSK控制下RSJ负相关效应依旧。特别是RSJ五分位数内部的预测效应均为负，展示RSJ的稳健性。等权重收益更显著，提示制度投资者面临更高参数稳定性[page::12-13]。

图表9 公司层面Fama–MacBeth回归（第14页）

多因素复合回归验证单变量组分结果。RSJ系数持续强负，且经济意义突出（2倍横截面标准差带来26%年化收益率差）。相较之下，RSK加入RSJ控制后效用逆转，峰度RKT弱负相关，强化RSJ指标实用价值[page::14]。

图表10 控制变量分组RSJ收益（第15-16页）

细分规模、波动、流动性及反转影响下RSJ表现：

• 小市值股票RSJ策略alpha显著高出大市值；

- 高波动率组超额收益显著高于低波动率组；

• 流动性差公司RSJ效应更强；

- 反转控制差异不显著，表明RSJ非单一反转效应[page::15-16]。

图表11 RSJ收益来源分解（第17-18页）

基于Lo-MacKinlay方法，自协方差部分贡献主导，这表明策略收益源自股票自身价格的时间相关性（显示由投资者对价格跳跃过度反应导致），交叉协方差与无条件协方差贡献极小，表明非系统性价格跳跃驱动RSJ收益[page::17-18]。

图表12 盈利公告前后RSJ变化（第18页）

业绩公告窗口内，正负收益惊喜股票分别出现RSJ指标的正负跳跃，且累积RSJ呈明显趋势，证明RSJ实际反应基本面信息披露，说明其作为信息挖掘工具的有效性[page::18]。



---

四、估值分析

本报告聚焦理论指标构造与实证检验，没有涉及传统意义上的公司估值方法（如DCF、P/E或EV/EBITDA估值等）。而是更注重指标对未来股价表现的预测能力与统计关系的挖掘，属于量化因子研究范畴，不涉及具体目标价格或估值预测。

---

五、风险因素评估

报告明确风险提示：

• 结论基于历史数据和海外市场样本，存在市场环境变化的风险，未来表现不确定；

- 研究结果为学术指导性质，不构成具体投资建议；

• RSJ的预测能力以周频为主，在月频及更长期时效性减弱，可能会随市场态势变化失效；

- 行为偏差解释尚待进一步验证，风险定价成分尚未完全厘清，潜在的测量误差和结构性变化风险[page::0,18-19]。

---

六、批判性视角与细微差别

• 报告重度依赖高频数据，5分钟采样选择虽平衡噪声与精度，但可能仍受市场微观结构影响，微观偏误尚难避免；

- RSJ与RSK高度相关，但RSJ预测效果更稳健，表明传统偏度指标可能遭受离群点或测度噪音影响，被RSJ所替代，但也反映模型复杂性上升；

• RSJ的预测能力短期显著但长期失效，提示机制内生可能偏向行为金融解释，强调风险溢价理论尚不完善，存在解释局限；

- 报告中揭示RSJ与公司规模、流动性密切相关，潜在交易成本与市场结构影响应被重视；

• 部分回归中控制变量效果波动较大，可能存在多重共线性，结构变化与异质性风险对模型稳健性构成考验；

- 结论局限于美股市场，且基于过往样本，海外结论迁移至中国市场需谨慎检验；

• 本文对RSK的结论与部分已有实证（RSK预测未来收益负相关）存在张力，反映不同计量技术对结论的影响[page::3-19]。

---

七、结论性综合

综上所述，报告基于《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》的研究，系统挖掘并验证了相对有符号跳跃方差（RSJ）指标对未来股票周度收益的突出预测能力。RSJ以高频上下半方差跳跃差的形式量化跳跃波动率的非对称性，剔除连续波动贡献，更纯粹反应价格跳跃方向。

实证结果充分显示：

• RSJ与未来收益呈强烈负相关，构造的低RSJ股票组合未来稳健获利，年化回报差约15%，显著超越传统已实现偏度、峰度及常规模型指标；

- RSJ负向收益预测能力稳定、不易被其他因子（如反转REV、偏度RSK）替代，且经多变量Fama–MacBeth回归反复验证其核心地位；

• RSJ效应在小市值、高波动率、低流动性股票中更强，契合市场行为偏差和信息不对称理论，短期内投资者对价格跳跃过度反应显著；

- RSJ策略的收益主要来自股票自身自协方差而非横截面协方差，强调非系统性跳跃驱动的投资机会；

• RSJ指标与业绩公告等公司基本面新闻强相关，具备捕捉突发信息的能力；

- 预测能力限于周频，较长周期失效，质疑纯粹风险补偿解释，未来需融合行为金融视角进一步研究机制。

图表深度解析显示，无论是指标分布、相关系数、投资组合构造还是回归分析，RSJ因子的稳健性和经济意义均得到充分证据支持，成为理解波动率异质性及其对收益影响的关键突破。

总体而言，报告明确展现了RSJ作为“好”“坏”波动率划分的重要新指标，在风险管理和量化投资策略开发中具有重要应用价值，但需警惕其短期性和市场环境适应性的局限性[page::0-19]。

---

参考文献

Bollerslev T, Li S Z, Zhao B. Good Volatility, Bad Volatility, and the Cross Section of Stock Returns[J]. Journal of Financial and Quantitative Analysis, 2020:751-781.[page::19]

---

附录：报告免责声明与评级说明（第20页）

本报告依法合规编制，由持证分析师独立撰写，数据来源公开，分析独立客观，不构成投资建议。评级定义以沪深300指数为基准，区分行业及公司评级，详细内容见报告末尾声明[page::20]。

---

结语

本报告通过深入解析高频波动率拆分理论与实证，突破传统波动率衡量局限，建立基于波动跳跃方向的RSJ指标，显著提升了收益预测的精准度，并以丰富详实的图表数据支持其科学合理性，为量化投资者与学术界提供了极具指导意义的波动率因子视角。在市场复杂背景下，该研究为风险定价与行为金融理论的整合开辟了新方向。

报告