第四节：波动率预测模型——GARCH族模型、EWMA与实战应用
波动率预测，说白了就是给套利策略装上一副「望远镜」。
我做了这么多年跨品种套利，最深的体会就是：波动率不是用来预测的，是用来管理的。你想想看，如果两个品种的价差突然放大，你是该加仓还是该止损？答案就在波动率预测里。
4.1 为什么波动率预测对套利如此重要？
套利交易的核心逻辑是「均值回归」。但均值回归有个前提——波动率要稳定。
我记得2018年做螺纹钢和热卷的套利，价差突然从80块飙到200块。当时我用的简单移动平均模型，预测波动率只有15%。结果呢？实际波动率干到了40%。仓位没控制好，回撤直接打穿止损线。
从那以后，我养成了一个习惯：开仓前先看波动率预测，开仓后动态调整仓位。
核心观点：波动率预测不是用来猜涨跌，而是用来控制仓位大小和止损宽度。
4.2 GARCH族模型——波动率预测的「瑞士军刀」
GARCH模型，全称是广义自回归条件异方差模型。名字听着吓人，其实逻辑很简单：今天的波动率，取决于昨天的波动率和昨天的收益率。
4.2.1 标准GARCH(1,1)模型
这是最常用的形式，公式长这样：
σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}其中：
- σ²_t：今天的条件方差（波动率的平方）
- ε²_{t-1}：昨天的收益率冲击
- σ²_{t-1}：昨天的条件方差
- ω, α, β：待估计的参数
我个人的经验是：α+β 越接近1，波动率的持续性越强。如果 α+β > 0.99，说明波动率有「长记忆」特征，这时候套利策略的持仓周期要拉长。
实战技巧：我在做股指期货和ETF套利时，发现GARCH(1,1)对日频数据效果最好。如果做高频，建议用GARCH(1,2)或GARCH(2,1)。
4.2.2 EGARCH模型——捕捉杠杆效应
标准GARCH有个缺陷：它假设好消息和坏消息对波动率的影响是对称的。但现实中，坏消息往往带来更大的波动。
EGARCH模型解决了这个问题：
ln(σ²_t) = ω + α * |ε_{t-1}/σ_{t-1}| + γ * (ε_{t-1}/σ_{t-1}) + β * ln(σ²_{t-1})注意那个 γ 系数——如果 γ < 0，说明负冲击（价格下跌）比正冲击（价格上涨）带来更大的波动。
我曾经用EGARCH分析过螺纹钢和铁矿石的价差，发现 γ 显著为负。这意味着：价差快速收窄时，波动率会急剧放大。这时候如果做价差回归策略，一定要缩小仓位。
4.2.3 GJR-GARCH模型——另一种杠杆效应处理
GJR-GARCH是EGARCH的「兄弟」，它用哑变量来处理杠杆效应：
σ²_t = ω + α * ε²_{t-1} + γ * I_{t-1} * ε²_{t-1} + β * σ²_{t-1}其中 I_{t-1} 在 ε_{t-1} < 0 时取1，否则取0。
我个人更偏好GJR-GARCH，因为它的参数解释更直观。γ 就是「坏消息带来的额外波动」。
4.3 EWMA模型——简单但有效
EWMA（指数加权移动平均）是波动率预测里的「老黄牛」。它不复杂，但很实用。
σ²_t = λ * σ²_{t-1} + (1 - λ) * r²_{t-1}其中 λ 是衰减因子，通常取0.94（日频数据）或0.97（周频数据）。
你想想看，EWMA其实就是一个「带遗忘机制」的移动平均。越近的数据权重越大，越远的数据权重越小。
我的建议：如果你刚开始做波动率预测，先从EWMA入手。它参数少、计算快、不容易过拟合。等跑通了，再上GARCH。
4.4 波动率预测在套利中的实战应用
理论说完了，咱们聊聊怎么用。我总结了三个核心场景：
4.4.1 动态仓位管理
这是最直接的应用。核心逻辑：波动率越高，仓位越小。
仓位比例 = 目标风险 / 预测波动率举个例子：
- 目标风险：每天亏损不超过总资金的1%
- 预测波动率：2%（日波动率）
- 仓位比例 = 1% / 2% = 50%
如果预测波动率上升到4%，仓位比例就降到25%。
注意：千万不要在波动率飙升时加仓！我曾经在2015年股灾时犯过这个错，以为价差扩大是机会，结果波动率持续放大，仓位越加越亏。
4.4.2 止损宽度动态调整
固定止损宽度有个大问题：波动率低时容易被频繁止损，波动率高时止损太窄。
我的做法是用预测波动率来动态调整止损：
止损宽度 = k * 预测波动率k 通常取2到3。如果预测波动率是1%，止损宽度就是2%-3%。
4.4.3 开仓信号过滤
波动率预测还可以用来过滤开仓信号。我常用的规则：
- 波动率处于低位：价差偏离均值时，可以开仓（均值回归概率高）
- 波动率处于高位：价差偏离均值时，观望或轻仓（趋势可能延续）
怎么判断高低？用预测波动率的历史百分位。比如预测波动率处于80%分位以上，就定义为「高波动」。
4.5 模型选择与实战对比
我整理了一张对比表，方便你选择：
| 模型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| EWMA | 简单、稳定、计算快 | 无法捕捉波动率聚集 | 快速原型、低频率数据 |
| GARCH(1,1) | 捕捉波动率聚集、参数少 | 对称性假设 | 日频套利、商品期货 |
| EGARCH | 捕捉杠杆效应 | 参数估计复杂 | 股指期货、股票ETF |
| GJR-GARCH | 直观的杠杆效应 | 需要较多数据 | 波动率突变频繁的品种 |
我个人习惯：先用EWMA跑三个月，再用GARCH(1,1)做对比。如果两个模型的预测结果差异不大，就用EWMA——省心。
4.6 知识体系总览
下面这张图，是我对波动率预测在套利中应用的总结：
4.7 避坑指南
最后，分享几个我踩过的坑：
- 不要盲目追求复杂模型：我曾经花两周时间调一个GARCH-MIDAS模型，结果预测效果还不如简单的EWMA。有时候，简单就是美。
- 注意参数稳定性：GARCH模型的参数会随时间变化。我建议每3-6个月重新估计一次参数，或者用滚动窗口估计。
- 警惕波动率突变：GARCH模型对突发事件的预测能力很差。遇到重大政策发布、交易所调整保证金等事件，建议手动调整波动率预测值。
- 别忘了模型验证：用回测数据验证预测效果。我常用的指标是RMSE（均方根误差）和MAE（平均绝对误差）。
一个小技巧：把预测波动率和实际波动率画在同一张图上。如果预测值总是滞后于实际值，说明模型需要调整。我习惯用「预测-实际」的散点图来诊断模型偏差。
嗯，波动率预测这部分就聊到这儿。记住一句话：预测是手段，管理才是目的。把波动率预测融入到你的套利策略里，你会发现回撤变小了，收益变稳了。
公众号:蓝海资料掘金营，微信deep3321