我们剖析了BARRA截面波动率调整的原理、过程，并在A股上实证其对因子波动率的估计却有改善效果。同时，我们通过不同的滚动窗口测试，说明了固定EWMA半衰参数下调整效果对CSV半衰期并不敏感。
　　CSV调整法试图解决的问题是波动率估计中的“时效参数”难平衡问题。为使预测更具时效性，EWMA估计法倾向于把更多的权重放在近期的收益率样本上，但由此会产生样本量缩小、抽样误差大的问题。CSV调整通过引入截面上的波动率信息，相当于增大了样本量，以此对小半衰参数下的EWMA估计量做调整。
　　首先，我们以A股市场的BARRA风格因子为研究对象，对其波动率估计展开实证。首先通过因子截面相对波动率的三种分位数随时间波动较大的事实，说明因子间的波动并非独立，而是倾向同涨同跌，说明截面信息确可加以利用。其次，我们介绍CSV调整的原理及具体过程，并以最小化衡量预测准确性的统计量为目标，寻找最优EWMA及CSV半衰期参数。接着，我们通过定义因子截面波动率，并证明了在其发生变化时，CSV调整所仰赖的因子波动率乘数能够快速响应。随后，我们通过对比四种波动率估计量的变化度及不同预期偏差统计值，说明了CSV调整的确产生了改善效果。同时，通过考察三种EWMA波动率与CSV调整后波动率的日度累计Q统计量差值，我们说明了CSV调整带来的预期准确性改善在时序上较为稳健。
　　最后，我们检验了CSV调整法对参数的敏感性，发现固定EWMA半衰参数下调整效果对CSV半衰期并不敏感。在样本内，我们通过全历史、二分区间、滚动窗口参数寻优三个维度测试参数敏感性；在样本外，通过滚动变换最优参数我们发现5年滚动窗口的最优参数在下一期的效果较8年窗口更好，累计Q差值始终随时间递增，说明CSV能在样本外维持相较简单EWMA的改善。
　　风险提示：以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

详细内容公司客户可查看。