3. 波动率调整的必要性论证

在上一节中，我们得到了各行业的原始强度得分。如果直接按这个得分排序，会得到一个看似客观、实则暗藏偏误的榜单。问题出在强度得分的计算方式上：它通常由区间累计涨跌幅或平均动量归一化而来，而这类指标对路径波动高度敏感。一个行业如果在统计窗口内反复大幅震荡，即使最终涨幅与低波动行业相同，其强度得分也往往被放大。因此，在排名之前引入波动率调整，不是锦上添花的修饰，而是修正度量偏误的必要步骤。

一、偏误从哪里来：波动率对强度得分的放大机制

先明确本节采用的参照约定：强度得分越高表示行业相对强势越大；波动率用统计窗口内日收益率的标准差衡量，年化后以百分比表示。在这个约定下，高波动行业会通过三条路径系统性地扭曲排名。

第一条是极值路径放大。强度指标若基于区间收益，则收益的分布宽度随波动率上升而扩大。高波动行业的区间收益更容易落在分布的尾部，无论正负。当它恰好落在正尾时，得分被显著抬高；落在负尾时则被显著压低。低波动行业的得分则更集中于中位附近。结果是排名的离散度被波动率人为拉开。

第二条是样本窗口敏感性。高波动行业的强度得分对起止时点极为敏感。窗口起点若恰好落在一根大阳线之前，累计收益会被整体抬升；落在大阴线之前则相反。低波动行业没有这个问题。这意味着高波动行业的排名在很大程度上由窗口切分决定，而非由持续性的相对强势决定。

第三条是均值回归的干扰。高波动往往伴随更快的均值回归。一个行业在短期内因事件冲击暴涨，强度得分冲上榜首，但随后回吐，排名迅速滑落。这种“虚高—回落”的循环会让排名失去稳定性，无法作为中期配置依据。

二、用一组示例数据看清虚高与虚低

下面用一组明确标注为教学假设的数据来说明。假设统计窗口为 60 个交易日，四个行业在同一窗口内的累计收益与年化波动率如下（数据为示例构造，非实测）：

原始榜单把行业A排在第一。但行业A的 18% 收益是在 42% 的年化波动下取得的，单位风险承担的收益并不突出；行业C仅用 13% 的波动就拿到 9% 的收益，风险调整后的效率反而更高。行业D则是虚低的典型：4% 的收益被 38% 的波动放大成 58 分，看起来接近中位，实际上它的收益几乎被波动吞没，真实强度可能更弱。

若采用最简单的调整方式，即调整得分 = 原始得分 ÷ 年化波动率 × 20（20 为尺度常数，仅用于把数值拉回可读区间），可得：行业A为 86÷42×20≈41.0，行业B为 72÷24×20=60.0，行业C为 64÷13×20≈98.5，行业D为 58÷38×20≈30.5。调整后排名变为 C > B > A > D。行业A从第一跌至第三，行业C从第三升至第一，这正是波动率偏误被修正后的结果。

三、调整的逻辑框架与实现要点

从上面的例子可以提炼出调整框架的四个环节。第一，波动率与强度得分必须同窗口、同频率。若强度得分用 60 日累计收益，波动率也必须用这 60 日的日收益率计算，否则分子分母口径不一致，调整反而引入新偏误。第二，尺度因子的选择要稳健。直接用标准差会被单日极端行情拉高，可改用中位数绝对偏差（MAD）或截尾标准差，降低个别异常日对排名的影响。第三，调整后要做名次变动审查。把调整前后的排名并列，重点看名次变动超过三位的行业，逐一确认变动是由波动率差异解释的，而非数据错误。第四，保留原始得分作为对照，调整得分用于排序，原始得分用于解释“这个行业为什么强”，两者不可互相替代。

还有一个容易被忽略的细节：波动率本身具有时变性。同一行业在事件窗口前后的波动率可能相差一倍以上。因此调整时应固定一个观察时点，用该时点之前的数据计算波动率，避免使用未来信息。若要做滚动排名，则每个调仓日重新计算波动率，而不是沿用上一期的值。

综上，波动率调整的本质是把“收益的绝对幅度”换算为“单位风险承担的相对强度”，使排名反映持续的相对强势而非一次性的路径冲击。它修正的是度量口径，而不是对高波动行业的价值判断——高波动行业依然可能很强，只是它需要更强的收益来证明自己。