2、波动率度量：历史波动率、隐含波动率、实时波动率估算方法及在ETF做市中的应用

做市这行，说白了就是跟波动率打交道。

你报的价差、你留的敞口、你赚的钱，本质上都是在赌波动率。我刚开始做ETF做市那会儿，总觉得盯住盘口就够了。后来亏了几笔大的，才明白——不懂波动率，就像瞎子摸象。

这一章，我把三种波动率的度量方法掰开揉碎了讲。历史波动率、隐含波动率、实时波动率，各有各的用处。你想想看，做市商每天面对几百只ETF，哪能每只都靠直觉？

2.1 历史波动率：看过去，知未来？

历史波动率，就是过去一段时间价格波动的标准差。听起来简单，但怎么算、用多长窗口，这里面门道不少。

计算方法：

1. 取过去N天的收盘价，计算每日对数收益率：r_t = ln(P_t / P_{t-1})
2. 计算这些收益率的样本标准差
3. 年化：乘以 sqrt(252)（交易日数量）

# 一个简单的历史波动率计算
import numpy as np

def historical_vol(prices, window=20):
    log_returns = np.log(prices[1:] / prices[:-1])
    vol = np.std(log_returns[-window:]) * np.sqrt(252)
    return vol

我个人习惯用20个交易日（约一个月）作为默认窗口。为什么？因为太短了噪声大，太长了反应迟钝。我在项目中遇到过一只流动性极差的ETF，用5日窗口算出来的波动率忽高忽低，根本没法用。后来改成20日，稳定多了。

在ETF做市中的应用：

• 初始报价参考：新上市ETF没有隐含波动率数据，历史波动率就是你的定价基准
• 价差校准：波动率越高，价差应该越宽。我一般用历史波动率乘以一个系数（比如0.5~1.0）来设定最小价差
• 风险预警：当实时波动率突然超过历史波动率2倍以上，我会立刻收紧敞口

2.2 隐含波动率：市场在说什么？

隐含波动率，是从期权价格反推出来的波动率。它反映的是市场对未来波动的预期。

说白了，隐含波动率就是市场情绪的体温计。我记得有一次，某只ETF的隐含波动率突然飙升到历史波动率的3倍，我当时觉得太夸张了，没当回事。结果第二天大盘暴跌3%，我亏惨了。从那以后，我再也不敢轻视隐含波动率了。

如何获取：

• 对于有期权上市的ETF，可以直接从期权链数据中提取
• 对于没有期权的ETF，可以用相关性高的指数期权来近似
• 我常用的是VIX指数（标普500波动率指数）作为大盘情绪的参考

在ETF做市中的应用：

• 定价锚定：隐含波动率是做市报价的核心参考。如果我的报价隐含波动率远低于市场隐含波动率，就会被套利者吃掉
• 波动率曲面：不同行权价、不同到期日的隐含波动率不同。做市时要考虑整个曲面，不能只看平值期权
• 事件驱动：财报、利率决议前，隐含波动率通常会上升。这时候我会主动扩大价差，保护自己

波动率类型	数据来源	反应速度	做市用途
历史波动率	历史价格	滞后	基准参考、价差下限
隐含波动率	期权价格	实时	定价锚、风险预警
实时波动率	高频数据	即时	动态调整、止损触发

2.3 实时波动率估算：高频世界里的生存法则

做市商是高频玩家。你不可能等收盘了再算波动率，那时候黄花菜都凉了。

实时波动率，就是用分钟级甚至秒级数据来估算当前波动水平。我常用的方法有两种：

方法一：已实现波动率（Realized Volatility）

用高频收益率平方和来估算。比如每5分钟采样一次，一天有78个样本点：

def realized_vol(price_series, freq='5min'):
    # 假设price_series是5分钟频率的价格序列
    returns = np.diff(np.log(price_series))
    rv = np.sqrt(np.sum(returns**2) * 252 * 78)  # 年化
    return rv

方法二：Parkinson波动率

利用最高价和最低价来估算，比只用收盘价更高效：

def parkinson_vol(high, low, window=20):
    # 使用日内高低价
    ratio = np.log(high / low)
    estimator = np.mean(ratio**2) / (4 * np.log(2))
    vol = np.sqrt(estimator * 252)
    return vol

我个人更偏爱Parkinson方法。为什么？因为它只用两根K线就能给出不错的估计，反应速度比已实现波动率快。我在做市系统里同时跑这两种方法，取两者的加权平均作为最终参考。

2.4 三种波动率的融合应用

单独看任何一种波动率都有局限。真正的高手，是把它们结合起来用。

我自己的做市系统里，有一个简单的融合模型：

1. 基准层：用20日历史波动率作为长期基准
2. 调整层：用隐含波动率与历史波动率的比值作为情绪因子
3. 动态层：用实时波动率做最后微调

举个例子：某ETF的历史波动率是20%，隐含波动率是25%，实时波动率突然跳到30%。这时候我会：

• 扩大买卖价差（从0.05%调到0.08%）
• 降低最大持仓量（从10万份降到5万份）
• 提高撤单频率（从500ms降到200ms）

你想想看，如果只看历史波动率，你会觉得市场正常。但隐含波动率和实时波动率都在报警，说明有问题。三者的背离，就是最好的交易信号。

2.5 知识体系总览

下面这张图，是我自己梳理的波动率度量框架。每次做市前，我都会过一遍这个逻辑：

嗯，这张图基本概括了本章的核心逻辑。从三种波动率的独立计算，到融合决策，最后输出报价参数。每一步都有数据支撑，不是拍脑袋。