一、多元波动率预测：预计11月市场波动率有所增大
        在投资决策中，风险和收益就像同一个硬币的两个方面，不可或缺。http://www.hibor.com.cn【慧博投研资讯】股票、债券市场波动率及其相关性（多元波动率）对于资产配置、组合优化和风险管理等投资活动具有十分现实的意义。http://www.hibor.com.cn（慧博投研资讯）目前主流的（多元）波动率模型一般关注的都是较短期限的市场波动风险（比如日数据），如果应用于时间跨度相对较长（比如未来一个月）的投资决策（例如资产配置），会产生以下问题：一、由于资产配置的时间跨度相对较长，期间资产的波动率和相关性除了与市场数据有关，也会受到外在变量如宏观经济变量的较大影响，而主流多元波动模型是基于市场本身的历史数据信息，未考虑宏观经济等外在变量的影响；  二、主流的多元波动率模型采用的都是相同频率的历史数据来预测相同频率的未来波动和相关（比如采用资产日收益来预测未来的日波动率与日相关性），这对于资产配置的时间跨度（比如月度）而言，意味着采用历史的月度收益来预测未来月度波动和相关，这样必然会损失其中很多相对高频的信息（比如日数据包含的信息），因此如何将相对高频（日）的数据信息融合进对低频（月）的未来波动和预测中，是中长期投资管理决策需要考虑的问题。针对主流（多元）波动模型在中长时间跨度中存在的局限性，我们试图在这两方面进行一些尝试，即将宏观经济变量、不同频率（混频）的市场数据信息糅合进主流模型，得出改进的（多元）波动预测模型（MM-DCC模型），以对未来一个月的市场波动和相关性进行预测。
        我们采用2000/01-2013/10这段时间的市场数据（基于上证综合指数和中信债券指数）和相关的宏观经济信息对我们的模型进行实证分析。从实证分析的结果来看，混频信息无论对于股票市场波动率、债券市场波动率还是股票债券相关性，都具有显著性影响，而宏观经济变量方面，CPI对股市波动率的影响显著。实证分析还表明，我们的模型在样本外预测方面具有较强的优势，平均误差明显低于随机游走模型和最小二乘模型的预测结果。因此，采用MM-DCC模型对未来一个月市场波动率和相关性的预测是可行的。在此我们利用截至2013年10月份的市场交易数据和CPI数据（预测值），对2013年11月的股票市场波动率、债券市场波动率和股票债券相关性进行预测（预测结果详见下表）。
          二、市场波动率结构分解：非系统性波动占比偏大,  相对侧重行业和个股选择
        对于严肃的投资者而言，除了对市场风险波动整体水平要有认识之外，关于风险波动的分解、结构分析也具有实际应用意义。
        股市风险结构分解不仅有助于了解股市收益波动的来源、结构及其演变轨迹，对比总结投资的历史业绩，而且能为未来投资活动提供参考或启示。通过对未来一段时期风险各构成部分（市场、行业、个股）相对比重的前瞻性分析判断，我们可以决定未来投资中重心是放在资产配置、行业配置还是个股选择方面，以及决定是否优先采取"自上而下"还是"自下而上"的投资程序。此外，关于未来市场风险结构的可能性趋势判断，还有助于我们对于投资集中度的把握（详细参见相关主题报告）。
        我们采用1998年1月-2013年10月的A股数据对沪深股市的风险波动率进行结构分解。实证计算的结果绘制如图1。图描绘的是1998/1-2013/10期间沪深股市的总风险波动率分解后市场、行业和个股层次各自所占的比例结构。从图中可看出，10月份沪深股市波动率结构上，市场系统性风险波动占比较上月增加,而行业波动占比下降。
        我们在相关主题报告的实证分析表明，沪深股市风险结构比例的时间序列具有平稳性、显著的自相关性和一定的可预测性，下表1是我们采用简单自回归方法对2013年11月份沪深股市波动率结构的预测结果。根据预测结果，对比历史平均水平，非系统波动风险占比偏高，建议相对侧重行业和个股选择。