全球量化与衍生品策略2021年4月21日全球衍生品主题相对价值单一股票波动率模型4.0 我们启动新的相对价值模型–我们的相对价值单一股票波动率模型的第四次修订版于2007年启用。相对价值模型使用多种因素组合来产生富/低波动率得分–RV评分–对于我们流动的欧洲期权领域中的每只股票。 与之前的迭代相比，新相对价值模型包含一个额外的变量模型收益波动率单只股票。另一个变化是从扇区子设置到分层群集的转变。 根据我们的回测，基于排名靠前和排名靠前的多头/空头交易策略显示出比旧规格更高的绝对和经过风险调整的回报。重要的是，该策略在2020年的高波动时期产生了可观的回报，最大亏损额相当有限。 我们将详细分析模型的偏差，时间稳定性和风险特征。我们还将评估该模型在以下方面的效果定制分散交易，其中购买了最便宜的RV得分的单一股票波动率，并出售了指数波动率 最后，我们介绍一下相对价值数据报告，这将是JPMM每周更新一次.全球量化和衍生品策略黄子凡交流电(44-20) 7742-8233摩根大通证券戴维·西尔维斯特里尼（Davide Silvestrini）交流电(44-20) 7134-4082摩根大通证券电子邮件Afsah(44-20) 7742-9231摩根大通证券彭成，终审法院(1-212) 622-5036摩根大通证券有限责任公司马尔科·科拉诺维奇（Marko Kolanovic）博士(1-212) 622-3677摩根大通证券有限责任公司有关分析师认证和重要披露（包括非美国分析师披露）的信息，请参阅第27页。摩根大通（J.P. Morgan）致力于与研究报告中涵盖的公司开展业务往来。因此，投资者应注意，该公司可能存在利益冲突，可能会影响本报告的客观性。投资者应将此报告视为做出投资决定的唯一因素。 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82332目录................................................................................................................3该模型的4.0版中有哪些新功能？ .............................................................4会计收入波动4相关性聚类与部门分组6RV 4.0模型方法论 ...................................................................................9隐含收益波动9指数加权移动平均线（EWMA）波动率10负回报回归：杠杆效应10通过CDS的价差对错误项进行加权10结果.......................................................................................................11宇宙11回测方法12演出12摩根市场RV屏幕20附录.......................................................................................................23＃1 EWMA波动率详细信息23＃2 Winsorization 24＃3交易成本假设24 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82333相对价值单一股票交易量模型在本报告中，我们介绍了新相对价值模型-RV模型的第四版，自2007年以来一直在使用。相对价值单一股票波动率模型（RV模型）是用于确定单一股票波动率的丰富/便宜的定量框架。该模型旨在找到股票波动率之间的相对价值，而不是孤立地预测股票的未来波动率。我们首先在20071年10月推出了原始的RV模型，并在20122年4月进行了增强，然后在20163年5月再次进行了增强。该模型结合了基本和技术因素，产生了丰富/便宜的波动率分数（RV分数）。该模型的最新版本中使用的因素包括我们自己的已实现波动率指标，历史收益波动率，信贷息差和股票收益。图1：新RV模型策略和旧RV模型策略的累积PnL累积PnL（vega，1M模型）15010050020122014201620182020资料来源：摩根大通定量和衍生品策略。在里面第一部分在本报告中，我们详细讨论了方法的改进以及引入这些方法的原因。首先，我们讨论盈余日波动率在波动率预测中的作用，然后介绍在分层聚类所确定的集合上运行模型以减少行业偏见的想法。在里面第二部分，我们将详细讨论完整的方法，并提供有关模型运行方式，使用的Universe和数据的描述。在里面第三节，我们报告了新RV方法的回测结果，并将它们与模型的先前版本进行了比较，突出了改进之处。我们展示了该策略在各个时期的回测，还展示了如何使用该指标来改善分散交易。最后，在附录，我们提供了以后将在JPMM上运行并发布的定期报告的详细信息，并提供了有关后台实现的波动率计算和回测交易成本假设的进一步详细信息。1参见RV模型原始报告，2007年10月2请参阅2012年4月的增强型RV模型报告请参阅新相对价值单一股票波动率模型，2016年5月房车新房车旧房车 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82334该模型的4.0版中有哪些新功能？新模型保留了先前模型的理念，同时合并了两个新功能，这些新功能可以提高性能和预测能力。该模型的主要变化是将已实现的波动率估计值分离为两个独立的术语（背景波动率和收益波动率），并引入了层次相关性聚类。会计收入波动研究分析师，投资者和交易员都非常期待收益公告，因为公司会在收益日内披露价格敏感的新信息并提供业务更新。如果实际结果好于或差于市场预期，则这些事件可能导致股票价格大幅度上下波动，因此，构成了单个股票波动的重要来源。到期前的收益公告通常会导致期权隐含波动率的交易水平高于做市商所估计的波动水平，因为做市商将收益公告所引起的潜在额外波动率进行了估算3。为说明收益日期波动的重要性，我们查看了诺基亚在2017年4月至2018年4月期间的数据。图2显示了该股票的累计，非年度化日均变动量。差异趋于逐渐累积，但是在收益日（以浅蓝色突出显示）会急剧增加。在此示例中，在此一年期间内，约54％的总差异可归因于仅四个收入日。图2：赚取天数可以占股票实现的总方差的很大一部分每日累积对数返回方差（诺基亚）0.10.080.060.040.020Apr-17 Jun-17 Aug-17 Oct-17 Dec-17 Feb-18 Apr-18资料来源：摩根大通定量和衍生品策略。3我们已经对这些隐含的收入变动以及在整个收入季节进行了十五年的分析（请参阅此报告以了解我们进行的分析的示例）。 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82335在图3中，我们分析了整个欧洲股票在2011年至2020年期间收益差异对总差异的贡献。我们观察到，平均收入差异贡献为4.7％，这是很重要的，因为平均每年只有四个收入公告。在相同的样本期间，四个非盈利日的每日方差贡献平均约为1.6％。图3：整个欧洲可选项范围内的平均年收入差异贡献率平均收益方差贡献（％）10.07.55.02.50.0资料来源：摩根大通定量和衍生品策略。这收入贡献总方差往往是在低波动率制度中较高。从2017年到2019年，当SX5E的平均波动率约为12％时，平均收益差异贡献率高达9.6％。在2020年期间，由于宏观因素对股票价格的影响比在危机和高波动性制度下对收益公告的影响更大，因此平均贡献下降至约4.5％。收益对方差的平均贡献可以是在短时间内大大放大，例如短期期权到期的时间。每只股票的历史收益差异贡献（图4）并未显示收益差异贡献与股票平均波动率之间的明确关系。但是，似乎存在一些部门和特定名称的偏见。从历史上看，SAP，Illiad和诺基亚等技术和电信行业的名称与以往相比，其收益公告产生的差异很大。 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82336SAPG.DE资产负债表AZN.L病死率诺基亚拉格德海因斯广告代理VOD.L AKZO.AS图4：2011年以来每只股票的平均收益波动率贡献（点大小与平均收益日差异成正比）平均收益波动率贡献（％）20%15% 10%5%0%15%20%25%30%35%40%平均波动率（％）资料来源：摩根大通股票衍生品策略图5：每个部门的平均收益波动率贡献部门公用事业电信技术订书钉材料工业卫生保健财务能源消费离散0%4%8%12%波动率贡献（％）资料来源：摩根大通股票衍生品策略相关性聚类与部门分组运行横截面波动率模型的问题之一是部门偏差，因为属于特定部门的名称在最富有或最便宜的名称中可能会不成比例且系统地出现。为了纠正这种偏见，旧的RV模型将回归模型分别拟合在GICS部门定义的三组中，即金融，电信和公用事业以及其他所有领域。在首次引入模型时，这种模型分区是合理的，但存在两个主要问题。首先，该分组是基于一组相当武断且不一定是最优的部门规则。其次，原始解决方案是静态的，因此没有考虑随着时间推移以及通过不同的市场制度而不断发展的股票相关结构。为了解决这些问题，我们在新的相对价值模型框架中使用了层次相关性聚类，这是一种识别库存组的更自然的方法。这种方法对于部门/国家/地区组是动态的且“不可知论的”，因为集群完全由宇宙中股票的历史共同运动所决定。分层聚类包括将数据分组为集合（集群），然后根据相似性度量对聚类进行排序（分层）。在我们的案例中，我们使用成对相关性，并且基于最大化每个集群内平均成对相关性的度量将股票分配给集群。原则上，该方法能够处理除行业偏见之外的其他类型的偏见（例如国家，因素等）。我们的量化股权策略同事已经详细讨论了使用动态聚类作为量化股权模型的中和方法的优点（全球股票市场中的动态聚类中和，Hlavaty，Smith，2017年8月）。具体来说，我们使用各个股票的每周收益来计算3M成对相关性（皮尔逊相关性）。然后使用以下公式将相关性转换为距离度量： 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82337푑 = √2(1 − 휌)转换后的距离矩阵是层次聚类算法的输入。我们使用完全链接聚类来识别三个组。然后将回归模型分别拟合到每个聚类上。然后将各种聚类的模型预测分组在一起，并在聚类的并集上进行排名。图6代表了我们宇宙中所有股票的6M相关度量，以及由层次聚类确定的三组。图6：我们可选市场中所有股票的6M相关矩阵（每周收益）关联矩阵和异端聚类定义（每天6M回报关联）资料来源：摩根大通定量和衍生品策略。我们测试了不同数量的集群（k），最后确定为3的值。我们发现ak值为3足够大以减少扇区偏差，并且足够小以避免出现元素太少的集群，该集群太小而没有意义。运行横截面模型。图7显示了10年中所有数据的模型行业分布，前20名和后20名。除石油和天然气外，大多数行业的行业偏向程度均受到限制。 全球量化与衍生品策略2021年4月21日黄子凡(44-20) 7742-82338图7：基于历史相关性，使用从层次化聚类中得出的三个聚类，得出的结果具有有限的平均扇区偏差在所有样本中，排名前20位和排名后20位的行业的百分比权重25%20%15%10%5%0%资料来源：摩根大通定量和衍生品策略。给定行业的廉价名称和富裕名称的相对数量在一段时间内相对稳定（图8），但随着我们没有施加任何形式的严格行业中和作用而发生了变化。我们认为这是一个理想的功能，反映了随着时间的流逝真正发挥作用的动态，并且可能取决于特定于部门或宏观因素。例如，在2011年至2013年（欧洲主权债务危机）期间，排名前20位的金融单一股票波动性较高，而近年来则较低。图8：随着时间的流逝，行业偏见仍然得到遏制，但是可以发现一些动态金融行业按年度排名前20位和后2