$苹果(AAPL)$$PayPal(PYPL)$ $英伟达(NVDA)$
ARK木头姐，大手笔加仓减仓某公司的新闻不绝于耳，比如11月初抄底Roku 11.7万股。大基金/专业机构是如何管理风险，又在用什么AI与统计学模型来平衡仓位呢？
我们将波动率模型加入了产品主功能，希望帮助大家像专业机构一样管理自己的投资组合。
波动率模型是什么？我们为什么需要？
大家知道，金融中一个重要度量是和资产相关的风险，风险就是资产波动率。
资产波动率无法被直接观测到，但我们可以观测到资产价格/股价，波动率特征是可以从收益率中看出的——波动率是收益率的条件标准差，波动率模型就是基于这一基本思想而建立的。
我们使用ARCH/GARCH（自回归条件异方差）模型来进行资产波动率建模，ARCH模型能准确地模拟时间序列变量的波动性变化，它在金融工程学的实证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（Value at Risk）理论中，在华尔街是一个非常有用的工具。
面对长期看好的优质公司，我们可以在波动率模型的帮助下，在低位买进一些，在高位适当卖出一些，对投资组合进行再平衡，持续用心关注，以获取更好的投资绩效。如果没有工具指导，投资者往往由于价格波动，在高位买，在低位卖。
那么，波动率如何指导我们像专业机构一样平衡我们的仓位？
以Paypal，Nvidia，Apple为例，讲讲怎么用波动率模型识别风险
以Paypal为例，我们取Paypal历史77个月的月实际收益率。
分解的思想很重要，通过变换，一个原本看起来杂乱无章的序列可以分解为常数 + 带有显著统计学特征的序列，进而我们可以对分解后的有规律的那部分建模预测。
我们对收益率对数处理后，月收益率可进行分解，月收益率=常数+扰动。
- 常数=Paypal历史77个月的月收益率均值，即2.2%；
- 扰动=某正态分布序列与波动率相乘。
选择合适的模型对波动率建模，即可得到公司的波动预测，量化基金花大力气的工作就是在对波动率建模，包含各类统计学检验与模型选型。
但注意，这里有一个更为简单的应用场景是，既然月收益率=常数+扰动=均值+近似正态分布，那么我们可以直接利用正态分布的数学结论，巧妙利用月度收益率的特征，进行持仓平衡。
依然以Paypal为例，过去77个月里：
大致68%的时间，月收益率在均值±1个标准差之间
大致95%的时间，月收益率在±2个标准差之间
仅有5%的时间，月收益率在2个标准差之外
那么我们就可以在高于1-2个标准差后卖出一部分，在低于1-2个标准差买入一部分。小概率时间里可以安全购买，因为最终会回到统计学里的安全的区间。
（Paypal均值为黑线，2.2%，1个标准差为蓝线，2个标准差为红线）
现在Paypal的价格处于右下角，11月最新值为-14.85%。从9月开始到现在，已连续3个月跌出1倍标准差，接近2倍标准差，在概率上是很低的情况。
为什么9-11月，Paypal连着3个季度跌出1倍标准差？因为Paypal 21Q3商业表现疲态，因为美国供应链问题导致交易总额下降，从而引起收入不及预测，Q3季度累计收益率低为-32.1%。
另一个截然不同的情况是，以英伟达为例，过去83个月里，均值为5.04%，目前已经连续2个月超出1倍标准差，从统计角度上处于高位。
背后的商业原因是，英伟达由于游戏收入，数据中心收入有力增长，营业利润连续2个季度超预期。
而反观Apple，目前处于正常的均值±1倍标准差的区间内。
与较为稳健的基本面也相关，Q3财报表现也相对符合预期。
公司波动风险建模需要一个数字化工具，我们已经建立了美国TOP30 科技公司的AI资产分析，建立Garch月收益率波动模型，帮助你识别波动风险，有效平衡仓位，取得更优业绩。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
精彩评论