Learn ·

By Matt Connor · 2026-07-16 · Updated 2026-09-05

低波动率异象：高风险未必带来高回报

对比约两年间25只大盘股的实际波动率与总回报，看看为何更高风险并未稳定换来更高收益，并发现哪些股票打破教科书规律。

金融理论认为，投资者承担更多风险，就应获得更高回报作为补偿。低波动率异象是市场长期观察到的一种现象：这一点往往并不成立。在市场历史的许多阶段，波动更低的股票在承受远小于高波动股票的价格起伏的同时，回报却能与后者持平甚至胜出。本文将约过去两年间25只规模较大且广为人知的股票的实际波动率与总回报进行对比。结果显示，两者关系松散且噪声较大，并非教科书所描绘的整齐上升线。

低波动率异象是什么

这里的波动率指年化波动率，即股票日回报的标准差换算为年度数值。对于股票而言，接近16%的数值通常意味着波动较平稳；高于50%则表示该股票经常在单日内波动几个百分点。每门金融课程都会讲授的资本资产定价模型认为，两者应呈现一条直线上升关系：波动率越高，预期回报越高。

数十年的学术研究却发现，实际情况往往相反。历史上，低波动率投资组合的回报通常不低于高波动率投资组合，有时还会更高，但承担的风险仅为后者的一小部分。理论与实际记录之间的差距，就是这一异象。它是市场中研究最充分的模式之一，也是如今“min-vol”和“low-vol”基金的理论基础。

逐只比较波动率与回报

下图选取25只家喻户晓的大盘股，计算它们在同一时间窗口内的年化波动率和总回报，并按波动率从低到高排列。如果教科书中的关系成立，从左到右，回报柱状图应与波动率柱状图同步上升。

查询年化波动率 vs 总回报率，25只大盘股，按平稳至剧烈排列（约2年）

25 rows (showing 20)
ticker	年化波动率 (%)	总收益率 (%)
SPY	16.1	40.8
KO	17.7	37.8
MCD	18.9	-0.8
JNJ	19	90
PG	19.1	-12.1
COST	20.8	7.7
PEP	21.1	-17.1
MO	22.9	51.7
VZ	23.4	22.8
HD	23.9	-6.1
XOM	24.5	38.9
WMT	24.7	57.8
JPM	24.9	80.1
HON	25.4	-2.1
LMT	26.8	12.7
MRK	29.2	16.3
NFLX	33.7	15.4
CAT	34.7	148.2
LLY	38.2	26.1
TXN	40.8	32.9

每个数字背后的完整 SQL

WITH d AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), toTimeZone(window_start, 'America/New_York')) AS c
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','KO','JNJ','PG','PEP','WMT','MCD','MO','VZ','XOM','JPM','HD','COST','UNH','MRK','LLY','HON','LMT','CAT','TXN','ORCL','NVDA','TSLA','AMD','NFLX')
      AND window_start >= now() - INTERVAL 800 DAY
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
r AS (
    SELECT ticker, dt, c,
           c / lagInFrame(c) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM d
)
SELECT ticker,
       round(stddevSamp(ret) * sqrt(252) * 100, 1) AS annual_vol_pct,
       round((exp(sum(log(1 + ret))) - 1) * 100, 1) AS total_return_pct
FROM r
WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
GROUP BY ticker
ORDER BY annual_vol_pct

自己运行这个查询

实际并非如此。样本中波动率最低的是标普500指数本身，ticker SPY，其年化波动率为16.1%，总回报为40.8%。从左向右观察，部分波动率最低的个股取得了强劲涨幅，而几只波动率最高的股票却接近持平或出现亏损。回报柱状图分布较为分散，与波动率柱状图并不呈现任何直线关系。这一图表清楚显示了该异象：右侧更高的波动率，并未稳定带来更高的回报。

更高波动率实际带来了什么

按波动率将25只股票分为三组，可以更清楚地说明这一点。每组均列出回报中位数，以及从表现最差到表现最佳的区间，因此投资者可以同时看到平均水平和结果分散程度。

查询波动率三分位：中位回报率及各组最差至最佳股票的区间

波动率组	波动率中位数 (%)	收益率中位数 (%)	最差收益率 (%)	最佳收益率 (%)	区间 (%)
1. Calmest third	19.1	22.8	-17.1	90	107
2. Middle third	25.1	15.8	-6.1	80.1	86
3. Wildest third	44.2	55.8	-18.5	198.6	217

每个数字背后的完整 SQL

WITH d AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), toTimeZone(window_start, 'America/New_York')) AS c
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','KO','JNJ','PG','PEP','WMT','MCD','MO','VZ','XOM','JPM','HD','COST','UNH','MRK','LLY','HON','LMT','CAT','TXN','ORCL','NVDA','TSLA','AMD','NFLX')
      AND window_start >= now() - INTERVAL 800 DAY
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
r AS (
    SELECT ticker, dt,
           c / lagInFrame(c) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM d
),
pername AS (
    SELECT ticker,
           stddevSamp(ret) * sqrt(252) * 100 AS vol,
           (exp(sum(log(1 + ret))) - 1) * 100 AS tr
    FROM r
    WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
    GROUP BY ticker
),
ranked AS (
    SELECT ticker, vol, tr, ntile(3) OVER (ORDER BY vol) AS bucket FROM pername
)
SELECT multiIf(bucket = 1, '1. Calmest third', bucket = 2, '2. Middle third', '3. Wildest third') AS vol_group,
       round(median(vol), 1) AS median_vol_pct,
       round(median(tr), 1) AS median_return_pct,
       round(min(tr), 1) AS worst_return_pct,
       round(max(tr), 1) AS best_return_pct,
       round(max(tr) - min(tr), 0) AS range_pct
FROM ranked
GROUP BY bucket
ORDER BY bucket

自己运行这个查询

在这一特定时间窗口内，波动率最高的三分之一股票确实取得了最高的回报中位数，为55.8%；波动率最低的三分之一为22.8%。这一点应如实说明，也很重要。两年窗口较短，而过去两年中，少数规模较大、波动较高的科技股和动量股表现突出。波动率最高的三分之一股票还带来了更大的结果分散，其回报区间从-18.5%到+198.6%，跨度为217个百分点。波动率最低的三分之一股票的回报区间仅为107个百分点。高波动率大幅扩大了结果分布范围，却并未相应抬高回报中枢。投资高波动组的投资者确实有机会获得表中最高回报，也同样可能遭遇最差回报。

过程与终点同样重要

单一的总回报数字会掩盖持有过程。追踪时间窗口开始时投入的100美元在每周的变化，可以显示波动率在持有期间的实际感受。

查询$100增长：平稳股（KO）、市场（SPY）、剧烈股（NVDA），周度

115 rows (showing 20)
周	KO 平稳	SPY 市场	NVDA 高波动
2024-06-24	99.6	99.6	99.5
2024-07-01	99.7	101.5	101.5
2024-07-08	99.7	102.5	104.2
2024-07-15	102.1	100.5	95.2
2024-07-22	104.9	99.6	91.2
2024-07-29	108.4	97.6	86.5
2024-08-05	107.4	97.5	84.5
2024-08-12	108.2	101.4	100.5
2024-08-19	109.1	102.9	104.3
2024-08-26	113.4	103.2	96.3
2024-09-02	111.3	98.9	82.9
2024-09-09	111.7	102.9	96
2024-09-16	112	104	93.6
2024-09-23	112.3	104.6	97.9
2024-09-30	109.7	104.9	100.7
2024-10-07	108.8	106.1	108.7
2024-10-14	110.2	107	111.3
2024-10-21	104.7	106	114.1
2024-10-28	101.7	104.5	109.2
2024-11-04	100	109.5	119

每个数字背后的完整 SQL

WITH d AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), toTimeZone(window_start, 'America/New_York')) AS c
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('KO','SPY','NVDA')
      AND window_start >= now() - INTERVAL 800 DAY
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
r AS (
    SELECT ticker, dt,
           c / lagInFrame(c) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM d
),
f AS (
    SELECT ticker, dt, ret FROM r WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
),
cum AS (
    SELECT ticker, dt,
           100 * exp(sum(log(1 + ret)) OVER (PARTITION BY ticker ORDER BY dt)) AS idx
    FROM f
),
wk AS (
    SELECT ticker, toMonday(dt) AS week, argMax(idx, dt) AS wv
    FROM cum GROUP BY ticker, week
)
SELECT week,
       round(maxIf(wv, ticker = 'KO'), 1) AS ko_calm,
       round(maxIf(wv, ticker = 'SPY'), 1) AS spy_market,
       round(maxIf(wv, ticker = 'NVDA'), 1) AS nvda_wild
FROM wk
GROUP BY week
ORDER BY week

自己运行这个查询

图中波动最小的股票是可口可乐（KO），波动最大的是英伟达（NVDA），中间的曲线代表市场。截至最后一周，投在KO上的100美元增至137.8美元，标普500增至140.8美元，NVDA则增至185.1美元。NVDA在这一时间窗口内表现最佳，但走势明显更为曲折，期间不止一次回撤超过两位数。KO几乎没有明显波动，回报却落后于另外两条曲线。两种结果都不符合教科书的预测。此次波动较低的股票没有跑赢市场，而波动较高的股票虽然取得回报，却是低波动率异象的例外，并非该异象的体现。这正是短期窗口的特点。低波动率异象是持续数十年的统计倾向，并不保证任何两年区间都会如此。

为什么异象真实存在，却不是定律

低波动率现象最有力的表述其实较为克制：从长期看，买入波动率较低的股票并不会让投资者牺牲回报，却能显著降低风险。这是对数千只股票和多年数据平均结果的描述，并不是一条适用于25只股票、24个月窗口的规则。像本次这样由高波动动量股强势领涨的窗口，正是这一模式被称为“异象”而非“定律”的原因。若想进一步了解哪些大盘股实际最为稳定，请参阅波动率最低的大盘股。反过来，集中持有少数几只高波动赢家也会带来集中度风险；而低波动率异象所偏好的投资心态，与他人恐惧时买入背后的理念相近。

常见问题

什么是低波动率异象？

这是一个长期观察到的市场模式：在较长时间跨度内，低波动率股票取得的回报不低于甚至高于高波动率股票，但承担的风险低得多。这与教科书关于风险越高、回报越高的预测相悖。

低波动率股票真的能跑赢高波动率股票吗？

跨数十年的样本研究发现，低波动率股票按风险调整后的表现大致与高波动率股票持平，甚至能够胜出。在任何短期窗口内，结果都可能反转。在本文测算的两年窗口中，波动率最高的三分之一股票取得了最高回报中位数，其结果区间也明显最宽。

低波动率投资是一个好策略吗？

从历史表现看，低波动率投资在没有明显牺牲回报的情况下降低了风险，这正是“min-vol”基金存在的原因。但它不保证在任何特定年份跑赢市场；当投机性股票领涨时，该策略也可能大幅落后。

如何衡量股票波动率？

常用指标是年化波动率，即每日百分比回报的标准差乘以252的平方根。252代表一年中的交易日数量。数值越高，表示股票通常会出现幅度更大的双向日内波动。

上文每个图表面板都对应一个可存储、可检查的查询。打开任一图表下方的SQL即可核对计算过程，也可以在Strasmore终端上对您自己的股票组合运行同样的波动率与回报测试。

#low volatility #volatility #risk#factor investing#market data