一、波动率基础：利率债做市中的波动率定义、波动率来源

做利率债做市，说白了就是跟市场波动打交道。你想想看，每天面对几十上百笔报价，价格上蹿下跳，如果没有一套对波动率的理解框架，那基本就是在裸奔。我个人习惯把波动率看作是市场的「心跳」——太快了容易猝死，太慢了又没利润。

1.1 波动率定义：做市商视角下的「风险温度计」

教科书上对波动率的定义很多，什么标准差、方差、年化波动率之类的。但在做市这个场景里，我更喜欢把它定义为：价格在单位时间内偏离你预期中枢的程度。

举个例子。你报了一个10年期国债活跃券的双边价格，买盘在2.85%，卖盘在2.86%。正常情况下，市场会在你这个区间里成交。但如果突然来了一个宏观数据，价格瞬间跳到2.88%——这个跳动的幅度，就是波动率。

我在项目中遇到过一件事：有一次做7年期国债的做市，日内波动率只有0.5bp，我以为很安全，结果下午两点半突然来了个央行操作公告，瞬间波动率飙到3bp。嗯，那次我库存里还有2个亿的多头，差点没扛住。从那以后，我每天开盘前必看一个东西——波动率期限结构。

1.2 波动率来源：三大「推手」

波动率不是凭空产生的。我总结下来，利率债做市中的波动率主要来自三个方向：宏观数据、政策事件、流动性冲击。说白了就是：数据告诉你经济怎么样，政策告诉你央行想干嘛，流动性告诉你市场有没有钱。

1.2.1 宏观数据：最「硬」的波动源

宏观数据发布是利率债市场最确定的波动事件。为什么？因为数据是「硬」的，没法赖账。CPI高了就是高了，GDP不及预期就是不及预期。

数据类别	典型指标	波动特征	我做市时的应对
通胀数据	CPI、PPI	超预期0.1%可能引发2-3bp跳动	数据发布前缩窄报价价差，降低敞口
增长数据	GDP、工业增加值	季度数据波动大，月度数据影响递减	提前1小时停止加仓，只做纯做市
金融数据	社融、M2	通常在盘后发布，影响次日开盘	控制隔夜库存，不超过日均成交量的5%
PMI数据	官方PMI、财新PMI	先行指标，市场反应快	用期权或期货做保护性对冲

我记得有一次做5年期国债做市，CPI数据公布前10分钟，市场突然变得异常安静——买卖价差从0.5bp扩大到1.5bp，成交量几乎为零。这就是典型的「暴风雨前的宁静」。我当时做了一件事：把所有主动报价撤掉，只留被动挂单。结果数据出来超预期0.2%，市场瞬间跳了4bp，我的被动单子全部成交在相对好的位置。嗯，有时候不交易就是最好的交易。

1.2.2 政策事件：最「猛」的波动源

政策事件对利率债的影响，往往比宏观数据更猛烈。为什么？因为政策是「突变」的，而数据至少还有个发布时间表。

常见的政策事件包括：

• 央行货币政策操作：MLF利率调整、逆回购利率变化、降准降息。这些是直接改变资金成本的。
• 重要会议定调：政治局会议、中央经济工作会议、国务院常务会议。这些是改变市场预期的。
• 监管政策变化：比如理财新规、资本管理办法。这些是改变市场结构的。

我曾经踩过一个坑。有一次央行在盘中突然宣布降准，我当时正在做10年期国债的做市，库存里还有不少空头。消息一出，收益率瞬间下了5bp，我的空头头寸直接浮亏。从那以后，我养成了一个习惯：每天早盘前必看央行公开市场操作预告和重要会议日程。如果当天有政策事件，我会把库存降到平时的三分之一。

1.2.3 流动性冲击：最「阴」的波动源

流动性冲击是利率债做市中最容易被忽视的波动来源。它不像宏观数据那样有固定发布时间，也不像政策事件那样有明确信号。它往往是突然出现的，而且来势汹汹。

流动性冲击的典型场景：

• 资金面突然收紧：比如月末、季末、年末，银行间市场资金突然紧张，回购利率飙升。这时候债券价格会跟着跌。
• 信用事件传导：某个信用债违约，导致整个债券市场流动性冻结。利率债虽然安全，但也会被「误伤」。
• 机构行为突变：比如某大型银行突然大量赎回基金，或者外资集中抛售。这些都会造成短期供需失衡。

我记得有一次，某大型城投债出现技术性违约，虽然最后兑付了，但市场情绪瞬间崩塌。那天我做7年期国债做市，买卖价差从0.3bp直接扩大到2bp，而且根本没人接盘。我手里的库存出不去，只能硬扛。嗯，那次之后我学乖了——流动性冲击来临时，第一件事不是赚钱，是活下来。

1.3 波动率量化：用数据说话

光定性分析不够，做量化策略的，必须把波动率「算」出来。我个人常用的几个指标：

• 历史波动率（HV）：用过去N天的收益率变化计算标准差。我一般用5天、20天、60天三个周期。
• 隐含波动率（IV）：从国债期货期权价格反推出来的波动率。这个能反映市场对未来的预期。
• 波动率锥：把不同期限的HV和IV放在一起看，判断当前波动率是偏高还是偏低。

# 一个简单的历史波动率计算示例（Python伪代码）
import numpy as np

def calc_historical_vol(prices, window=20):
    # 计算对数收益率
    log_returns = np.log(prices[1:] / prices[:-1])
    # 计算滚动标准差
    rolling_std = log_returns.rolling(window=window).std()
    # 年化（假设252个交易日）
    annualized_vol = rolling_std * np.sqrt(252)
    return annualized_vol

# 我一般会在盘中实时跑这个函数
# 如果年化波动率突然超过过去20日均值的2倍，我会触发风控警报

1.4 知识体系框架

下面这张图是我自己整理的波动率知识体系，每次做策略调整前都会看一眼。它帮我理清了三个波动率来源之间的关系，以及它们如何影响做市决策。

这张图的核心逻辑其实很简单：波动率来源决定了「为什么波动」，量化指标告诉你「波动有多大」，做市应对策略解决「该怎么办」。三者缺一不可。我个人习惯每天早上开盘前，花5分钟把这三个层面过一遍，然后才决定当天的做市策略。