【Python量化波动率实战 03】波动大就少拿点：波动率目标仓位的回测实证

前两篇我们把波动率算清楚了，这篇回答一个更实际的问题：算出来之后，仓位怎么定？

多数人的仓位管理是拍脑袋：要么满仓，要么"感觉风险大就半仓"。波动率目标法（Volatility Targeting）给出一个机械规则：先定一个你能承受的目标波动率，再让持仓权重 = 目标波动率 / 当前波动率。波动翻倍，仓位自动减半。今天用回测验证它到底有没有用。

本文你将得到什么

波动率目标仓位的完整公式与 Python 实现（含无前视处理）。
与满仓持有的对照回测：累计收益、年化波动、最大回撤三维对比。
仓位序列的正确打开方式：平均仓位、仓位区间、空仓天数。
一个必须诚实面对的问题：这套方法什么时候会跑输？

一、方法：三行规则

text 复制代码

1. 每天收盘后，算过去 20 日年化波动率 vol_t
2. 目标仓位 weight = min(目标波动率 / vol_t, 1.0)
3. 明天按这个权重持仓

三个细节决定回测是否可信：

用昨日波动率定今日仓位：今天是收盘后才知道 vol_t 的，所以 weight 必须 shift 一天，否则就是前视偏差（偷看未来）。
clip 上限 1.0：波动率低时算出来的权重可能超过 100%，除非你想上杠杆，否则截断到满仓。
目标值因人而异：20% 是常见起点（约等于宽基指数的长期波动水平），保守投资者可取 10%~15%。

二、这个方法在赌什么

波动率目标法的收益来源是波动率聚集：高波动期往往伴随下跌（风险规避），此时减仓躲过部分回撤；低波动期往往是上涨的舒适区，此时满仓吃满。它不是免费的午餐------如果市场"高波动 + 大涨"（比如逼空行情），它会提前下车。这一点文末实测部分我们细说。

可运行代码

bash 复制代码

pip install mairui pandas numpy

python 复制代码

from mairui import Client
import pandas as pd
import numpy as np

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
client = Client(LICENCE)

TRADING_DAYS = 244
TARGET_VOL = 0.20   # 目标年化波动率 20%
VOL_WIN = 20        # 波动率回看窗口

bars = client.stock_history("600519", "d", "n", st="20260701", et="20261012")
df = pd.DataFrame(bars).rename(columns={"t": "date"}).sort_values("date").reset_index(drop=True)
df["date"] = pd.to_datetime(df["date"])
df["log_ret"] = np.log(df["c"] / df["c"].shift(1))

# 波动率目标权重：用截至昨日的 20 日波动率定今日仓位（shift(1) 无前视）
df["vol_20d"] = df["log_ret"].rolling(VOL_WIN).std(ddof=1) * np.sqrt(TRADING_DAYS)
df["weight"] = (TARGET_VOL / df["vol_20d"]).clip(upper=1.0).shift(1)

# 两条净值线
df["ret_bh"] = df["log_ret"].fillna(0.0)
df["ret_vt"] = (df["weight"] * df["log_ret"]).fillna(0.0)
df["nav_bh"] = (1 + df["ret_bh"]).cumprod()
df["nav_vt"] = (1 + df["ret_vt"]).cumprod()


def max_drawdown(nav):
    peak = np.maximum.accumulate(nav)
    return ((nav / peak) - 1).min()


valid = df.dropna(subset=["weight"])
print(f"回测区间: {valid['date'].iloc[0].date()} ~ {valid['date'].iloc[-1].date()}，"
      f"共 {len(valid)} 个交易日\n")
for name, ret_col, nav_col in (("满仓持有", "ret_bh", "nav_bh"), ("波动率目标", "ret_vt", "nav_vt")):
    ret = df.loc[valid.index, ret_col]
    nav = df.loc[valid.index, nav_col]
    print(f"{name}: 累计收益 {(nav.iloc[-1]-1)*100:+.2f}% | "
          f"年化波动 {ret.std(ddof=1)*np.sqrt(TRADING_DAYS)*100:.2f}% | "
          f"最大回撤 {max_drawdown(nav.values)*100:.2f}%")

print(f"\n仓位使用: 平均 {valid['weight'].mean()*100:.1f}% | "
      f"区间 [{valid['weight'].min()*100:.1f}%, {valid['weight'].max()*100:.1f}%]")

运行后你会看到类似结果：

text 复制代码

回测区间: 2025-10-22 ~ 2025-12-01，共 29 个交易日

满仓持有: 累计收益 +16.16% | 年化波动 41.83% | 最大回撤 -13.96%
波动率目标: 累计收益 +20.04% | 年化波动 26.87% | 最大回撤 -7.35%

仓位使用: 平均 57.0% | 区间 [47.5%, 100.0%]

（示例基于 50 个交易日的演示样本、29 个有效回测日测算，样本较短、单标的，结果为教学演示而非普遍规律；演示证书返回就近样例数据，申请正式证书可拉取全市场全量历史做更长样本验证。）

怎么读这组数字

风险砍半不止 ：年化波动从 41.83% 降到 26.87%，最大回撤从 -13.96% 收窄到 -7.35%------回撤几乎减半。这是波动率目标法最稳定的效果：它首先是个风控工具，其次才谈收益。
收益反而更高是"运气好"的部分：本样本后段波动率走高、价格上行，减仓后仍吃到涨幅且躲过了部分深回撤。必须诚实说明：如果样本换成"高波动 + 单边上涨"，波动率目标会因为仓位不满而跑输满仓------它买到的是更平稳的净值曲线，不是更高的收益。
仓位序列本身就是信号：平均仓位 57%、最低 47.5%------方法在持续提示"当前波动率约 40%，远超 20% 目标，只值得拿一半仓"。这个机械读数替代了"感觉风险大"的模糊判断。

三个容易踩的坑

忘了 shift(1)：用当天的波动率定当天的仓位 = 前视偏差，回测会虚高。正确的信息集永远是"截至昨日收盘"。
波动率窗口与目标值要匹配：20 日窗口 + 20% 目标是中低频配置的组合；如果用 5 日窗口配 20% 目标，仓位会频繁剧烈摆动，交易成本吃掉全部好处。
单标的不等于组合：本例对一只股票做波动率目标，实战中通常作用于组合净值层面（对组合的已实现波动定总仓位），个股层面应配合权重分配使用------这正是后续文章的方向。

小结

波动率目标法用三行规则把"风险预算"变成了机械执行：本样本中回撤减半、波动下降 15 个百分点，代价是可能错过高波动期的部分涨幅。它回答了"算波动率有什么用"------这是波动率从指标变成决策的那一步。

下一篇做个反向验证：业界常说"低波动异象"------波动率低的股票长期反而跑赢高波动的。在样本数据里，低波组真的赢了吗？

下篇预告：【Python量化波动率实战 04】低波动异象：低波组真的跑赢高波组吗。

免责声明

本文仅为技术方法演示，不构成任何投资建议。文中示例数据仅用于教学，历史表现不代表未来收益。投资有风险，决策需谨慎。

代码与文档可参考 GitHub：github.com/MaiRuiApi