波动率控制仓位系列（三）：回测对比——有控制 vs 无控制，差距有多大？

摘要： 本文是“波动率控制仓位”系列专题的第三篇。上一篇我们完成了波动率控制模块的代码实现。今天，我们将用真实的历史数据，对加入波动率控制前后的轮动策略进行全面的回测对比。从净值曲线到核心绩效指标，从不同参数敏感性到多市场环境表现，我们将用数据说话，看看这几十行代码究竟能为策略带来多大的改善。最终，你将清晰地看到：收益可能小幅下降，但风险指标将获得质的飞跃。

大家好，我是你们的老朋友。

前面两篇文章，我们先剖析了满仓轮动的痛点，又用代码实现了目标波动率控制模块。但作为一名量化投资者，我们不能只停留在“理论应该有效”的阶段。数据才是唯一的裁判。

今天这篇文章只有一个目的：用回测数据告诉你，波动率控制到底有没有用，有多大用，以及怎么用最好。

一、回测设置：公平对比的前提

为了对比的公正性，我们使用完全相同的底层策略，唯一的区别是是否加入波动率控制模块。

基础策略配置：

• 候选池：10只行业ETF + 国债ETF（与行业轮动系列第二篇相同）

• 动量周期：20个交易日

• 调仓频率：周频（每周五生成信号，下周一执行）

• 风控：动量全负时切换国债ETF

• 持仓数量：TOP 2（等权配置）

波动率控制配置（仅针对改进版）：

• 目标波动率：15%（基准设定）

• 波动率计算窗口：20个交易日

• 仓位上限：100%（不加杠杆）

• 剩余仓位配置：国债ETF

回测区间： 2019年1月至2024年12月，共六年，覆盖牛市、熊市、震荡市多种环境。

对比对象：

• 策略A：满仓轮动（无波动率控制）

• 策略B：波动率控制轮动（目标波动率15%）

• 基准：等权买入持有所有行业ETF

在开始画图之前，必须先交代清楚三条净值曲线的来源。很多读者会问：benchmark_nav、strategy_nav_full、strategy_nav_vol 这三个变量到底是怎么算出来的？本质上，它们都遵循“信号 → 日收益率 → 累乘”的标准流程，区别只在于日收益率的合成方式不同。

1. 基准净值 benchmark_nav

等权买入持有所有行业ETF，完全不调仓。

# 候选池中所有行业ETF（不含国债）
sector_etfs = ['512880', '512010', '159995', '515790', '515030',
'512660', '512690', '159869', '512800', '512400']

# 每只ETF的每日收益率
daily_returns = price_df.pct_change().fillna(0)

# 等权组合：每只ETF权重1/10
benchmark_returns = daily_returns[sector_etfs].mean(axis=1)

# 累乘得到净值
benchmark_nav = (1 + benchmark_returns).cumprod()
benchmark_nav.name = 'Benchmark'

2. 满仓轮动净值 strategy_nav_full

完全沿用基础轮动信号，信号指向谁，就100%持有谁。

safe_asset = '511010'

strategy_returns_full = pd.Series(0.0, index=price_df.index)

for i in range(1, len(strategy_returns_full)):
today = strategy_returns_full.index[i]
yesterday = strategy_returns_full.index[i-1]
asset = daily_signal.loc[yesterday]

if asset == 'cash':
strategy_returns_full.loc[today] = 0.0
elif asset in daily_returns.columns:
# 满仓持有该ETF，获取100%的收益率
strategy_returns_full.loc[today] = daily_returns.loc[today, asset]
else:
strategy_returns_full.loc[today] = 0.0

strategy_nav_full = (1 + strategy_returns_full).cumprod()
strategy_nav_full.name = 'FullPosition'

3. 波动率控制净值 strategy_nav_vol

在满仓逻辑的基础上，增加了波动率仓位调节系数。

# 计算历史波动率（20日滚动，并shift一天避免未来函数）
daily_std = daily_returns.rolling(20).std()
hist_vol = daily_std * np.sqrt(252)
hist_vol_shifted = hist_vol.shift(1)

target_vol = 0.15
position_ratio = target_vol / hist_vol_shifted
position_ratio = position_ratio.clip(upper=1.0)

strategy_returns_vol = pd.Series(0.0, index=price_df.index)

for i in range(1, len(strategy_returns_vol)):
today = strategy_returns_vol.index[i]
yesterday = strategy_returns_vol.index[i-1]
asset = daily_signal.loc[yesterday]

if asset == 'cash':
strategy_returns_vol.loc[today] = 0.0
elif asset == safe_asset:
strategy_returns_vol.loc[today] = daily_returns.loc[today, asset]
else:
ratio = position_ratio.loc[yesterday, asset] if asset in position_ratio.columns else 1.0
asset_ret = daily_returns.loc[today, asset] if asset in daily_returns.columns else 0.0
bond_ret = daily_returns.loc[today, safe_asset] if safe_asset in daily_returns.columns else 0.0
strategy_returns_vol.loc[today] = ratio * asset_ret + (1 – ratio) * bond_ret

strategy_nav_vol = (1 + strategy_returns_vol).cumprod()
strategy_nav_vol.name = 'VolControl'

核心区别一目了然：满仓版直接取 daily_returns.loc[today, asset]，而波动率控制版变成了 ratio * asset_ret + (1-ratio) * bond_ret。这几十行代码就是本系列的灵魂所在。

二、净值曲线：肉眼可见的平滑

有了上述三条净值序列，我们就可以用最直观的方式展示差异了。

import matplotlib.pyplot as plt

plt.figure(figsize=(14, 7))
plt.plot(benchmark_nav, label='等权买入持有基准', linewidth=1.5, alpha=0.6, color='gray')
plt.plot(strategy_nav_full, label='满仓轮动（无控制）', linewidth=1.5, color='red', alpha=0.8)
plt.plot(strategy_nav_vol, label='波动率控制轮动（目标15%）', linewidth=1.8, color='blue')
plt.title('净值曲线对比：满仓轮动 vs 波动率控制', fontsize=14)
plt.xlabel('日期')
plt.ylabel('净值')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

运行结果如下：

从图中可以观察到三个特征：

第一，满仓轮动（红线）在2020-2021年的牛市中冲得最猛，净值最高点远超其他两条曲线。但在2022年的下跌中，红线也跌得最惨，几乎回吐了大部分利润。

第二，波动率控制轮动（蓝线）的斜率更平缓，最高点没有红线那么高，但下跌段的坡度明显更缓。整体来看，蓝线围绕基准（灰线）的波动幅度更小。

第三，在整个回测区间内，蓝线的终值虽然低于红线的最高点，但与红线的终值相差不大，而中间的过程要平稳得多。这就是波动率控制的核心价值：用一部分潜在收益，换取更平滑的持有体验。

三、核心绩效指标：用数据说话

图表给了直观印象，现在用数据来量化差距。以下是基于2019-2024年回测的完整绩效对比。

如果你只盯着年化收益率看，18.2%变成15.6%，似乎损失了2.6个百分点的年化收益。但如果你关注风险调整后收益，夏普比率从0.64提升到0.91，卡玛比率从0.49跃升到0.80，改善幅度惊人。

这意味着什么？ 满仓轮动虽然赚得更多，但每赚1块钱，你要承担更多的回撤和波动。而波动率控制版本，每承担1单位风险，能获得更高的回报。对于绝大多数投资者来说，后者的持有体验远优于前者。

更值得注意的是最大回撤：从-36.8%降低到-19.4%。一个接近40%的回撤足以让大多数人在底部割肉，而控制在20%以内的回撤，心理压力会小得多。在实盘中，能够坚持执行策略，往往比策略本身的理论收益更重要。

四、分年度表现：熊市是试金石

将回测拆分到每个年度，我们能更清晰地看到波动率控制在哪些年份发挥了最大的作用。

规律非常明显：

• 牛市中（2019-2021），波动率控制版本的收益低于满仓版。因为在趋势流畅、波动相对温和的上涨行情中，保持高仓位是正确的选择，降仓只会减少收益。

• 熊市中（2022），波动率控制的优势尽显。当市场波动急剧放大时，满仓策略硬扛了超过22%的亏损，而波动率控制策略及时降低了仓位，亏损控制在个位数。

• 震荡年份（2023-2024），两者差距不大，波动率控制版本略低，但换来了更小的净值波动。

这个分年度数据揭示了一个重要规律：波动率控制本质上是一种“熊市保险”。 它在牛市中会拖累收益，但在熊市中能帮你保住大部分本金。长期来看，保住的这部分本金，会成为下一轮牛市的弹药，间接贡献未来的收益。

五、参数敏感性：目标波动率设多少最合适？

目标波动率是这个模型唯一需要手动设定的参数。设高了，策略更激进，收益和回撤都更接近满仓版；设低了，策略更保守，净值更平滑但收益可能不足。我们需要找到自己的“甜点”。

以下是不同目标波动率设定下的回测对比：

数据清晰地展现了取舍关系：目标波动率越低，收益越低，但回撤和波动也越小，夏普和卡玛比率在15%附近达到最优。超过18%之后，风险调整收益开始下降，逐渐向满仓版靠拢。

结论：对于行业ETF轮动策略，目标波动率设定在12%-15%之间是一个性价比较高的区间。 如果你是保守型投资者，可以选择12%，每年大约牺牲4个百分点的年化收益，但最大回撤控制在16%以内。如果你能承受更大的波动，15%是风险调整收益最高的选择。

六、多市场环境下的表现：何时发挥最大作用？

波动率控制并非在所有市场环境下都能跑赢满仓策略。理解它的适用场景，有助于我们建立正确的预期。

波动率控制最有效的环境：

• 高波动熊市：市场波动率飙升，模型自动大幅降仓，有效规避主跌浪。

• 剧烈震荡市：价格大起大落，降仓减少了在极端点位反复割肉的伤害。

• 风格快速切换期：板块轮动加速，波动加大，降仓降低了频繁换仓的冲击成本。

波动率控制较弱的环节：

• 低波动慢牛：市场平稳上涨，波动率始终较低，仓位保持接近满仓，此时控制几乎不发挥作用，收益与满仓版接近。

• 急跌急涨反转：波动率上升后模型降仓，但如果市场立刻V型反转，降仓反而会错失反弹利润。这是所有基于历史波动率的模型的固有缺陷。

应对思路： 如果担心错失快速反弹，可以设置一个“仓位恢复延时”机制——降仓时迅速执行，但加仓时要求波动率持续回落N天后才逐步恢复。这样可以避免在波动率尖峰时反复调整仓位。

七、与现有风控体系的叠加效应

在行业轮动系列的第四章，我们构建了四道风控防线：加强动量过滤、波动率阈值过滤、最大回撤硬止损、行业集中度控制。波动率控制仓位可以作为第五道防线，与前四道协同工作。

叠加效果测试： 以目标波动率15%的版本为基础，依次叠加四道风控，观察指标变化。

所有风控手段叠加后，最大回撤从满仓版的-36.8%压缩到了-12.1%，夏普比率从0.64提升到0.96。虽然年化收益率从18.2%降到了13.5%，但这套组合拳打造的策略，已经具备了实盘运行的稳健性。

八、本篇总结

通过全面的回测对比，我们可以对波动率控制仓位得出以下结论：

• 改善是显著的：最大回撤降低约40-50%，夏普比率提升约30-40%。

• 代价是可控的：年化收益率通常下降2-3个百分点，但换来了大幅提升的风险调整收益。

• 参数选择有据可依：目标波动率12%-15%是个人投资者的甜蜜区间。

• 熊市价值最大：在下跌市中少亏的钱，是未来盈利的种子。

• 与其他风控协同：波动率控制可以和动量过滤、硬止损等手段叠加，形成立体防御。

下一篇预告：波动率控制仓位系列（四）——进阶优化与实盘注意事项

下一篇将是本系列的收官之作。我们将探讨波动率控制的进阶优化方向（如不对称调整、波动率预测），并讨论实盘中需要注意的细节：调仓频率与波动率窗口的协调、目标波动率的动态设定、以及极端行情下的模型失效应对。咱们下篇见！