3、波动率度量方法：历史波动率计算、隐含波动率提取、波动率曲面构建
波动率这东西，说白了就是市场的「脾气」。
我刚开始做量化那会儿，总觉得波动率就是个数字。后来亏了几次才明白——波动率是套利的命门。你连市场脾气都摸不准，怎么跟它玩？
这一章，咱们就把波动率的三种度量方法掰开揉碎。历史波动率、隐含波动率、波动率曲面，一个一个来。
3.1 历史波动率：看过去，猜未来
历史波动率，就是拿过去的价格数据算出来的。它告诉你：这只股票过去有多疯。
我个人习惯用对数收益率来算，而不是简单收益率。为什么？因为对数收益率更符合正态分布假设，而且可加性更好。你想想看，连续复利算下来，时间加总就是累加，多清爽。
核心公式：
σ = √(252) × √( (1/(n-1)) × Σ(Rᵢ - R̄)² )
其中 Rᵢ = ln(Pᵢ / Pᵢ₋₁)，n 是样本天数，252 是年化因子
代码实现其实不复杂。我贴一段我常用的 Python 代码，你们可以直接拿去用：
import numpy as np
import pandas as pd
def historical_volatility(prices, window=20):
"""
计算历史波动率
prices: 价格序列
window: 滚动窗口天数
"""
log_returns = np.log(prices / prices.shift(1))
rolling_std = log_returns.rolling(window=window).std()
# 年化
hv = rolling_std * np.sqrt(252)
return hv
# 使用示例
df = pd.read_csv('stock_prices.csv')
df['HV_20'] = historical_volatility(df['Close'], window=20)避坑指南：
- 窗口长度怎么选？ 我一般用 20 天（一个月）和 60 天（一个季度）两个窗口。太短了噪声大，太长了反应迟钝。
- 数据频率呢？ 日频数据最常用。但如果你做高频套利，用 5 分钟甚至 1 分钟数据会更敏感。
- 异常值处理： 我曾经遇到过一只股票突然停牌复牌，价格跳空 30%。这种数据如果不剔除，算出来的波动率直接翻倍，完全失真。
我的小技巧： 算历史波动率时，我习惯同时算 EWMA（指数加权移动平均）。给近期的数据更高权重，反应更快。代码就一行：
ewma_vol = log_returns.ewm(span=20).std() * np.sqrt(252)3.2 隐含波动率：市场在告诉你什么？
历史波动率看的是过去，隐含波动率看的是未来预期。
说白了，隐含波动率就是把期权价格反推出来的波动率。市场觉得这只股票未来会波动多大，全写在期权价格里了。
怎么提取？用BSM 模型反推。BSM 公式里，除了波动率，其他参数都是已知的（标的价格、行权价、到期时间、无风险利率）。那就用数值方法把 σ 解出来。
核心思路：
给定期权市场价格 C_market，求解 σ 使得：
C_BSM(S, K, T, r, σ) - C_market = 0
常用方法：牛顿迭代法、二分法
代码实现，我习惯用牛顿迭代法，收敛快：
from scipy.stats import norm
from scipy.optimize import fsolve
def bsm_call_price(S, K, T, r, sigma):
d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
d2 = d1 - sigma*np.sqrt(T)
return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
def implied_volatility(market_price, S, K, T, r):
# 目标函数：BSM价格 - 市场价格 = 0
def objective(sigma):
return bsm_call_price(S, K, T, r, sigma) - market_price
# 初始猜测 0.3，求解
iv = fsolve(objective, 0.3)[0]
return iv
# 示例
iv = implied_volatility(market_price=5.2, S=100, K=105, T=30/365, r=0.03)
print(f"隐含波动率: {iv:.2%}")注意： 牛顿迭代法对初始值敏感。我建议先用二分法粗算一个范围，再用牛顿法精算。不然容易发散。
另外，深度虚值期权和深度实值期权的隐含波动率往往不稳定。我一般只取平值附近 2-3 档的期权来算。
3.3 波动率曲面：三维视角看市场
单个期权的隐含波动率只是一个点。但市场是立体的——不同行权价、不同到期日，隐含波动率都不一样。
把这些点连起来，就形成了波动率曲面。
为什么会这样？理论上 BSM 模型假设波动率是常数，但现实不是。市场参与者对短期风险的定价和对长期风险的定价不一样，对虚值期权的定价和对实值期权的定价也不一样。这就形成了「波动率微笑」和「波动率期限结构」。
构建波动率曲面的步骤：
- 数据采集： 获取同一标的所有期权合约的隐含波动率
- 按维度整理： 行权价 K 为一维，到期时间 T 为另一维
- 插值平滑： 用样条插值或核平滑，把离散点连成连续曲面
- 外推处理： 边界处的数据点往往稀疏，需要合理外推
我贴一张我常用的波动率曲面示意图，你们感受一下：
这张图里，你能看到两个特征：
- 波动率微笑： 平值附近波动率最低，两边虚值和实值方向走高
- 期限结构： 短期波动率变化剧烈，长期波动率相对平滑
实战经验： 我每天开盘前第一件事，就是看波动率曲面有没有「异常隆起」。如果某个行权价附近的隐含波动率突然高出周围一大截，往往意味着有大资金在布局。这时候，套利机会就来了。
3.4 三种波动率的联动关系
这三种波动率不是孤立的。它们之间有个核心关系：
| 波动率类型 | 数据来源 | 反映什么 | 套利用途 |
|---|---|---|---|
| 历史波动率 | 标的价格历史 | 过去实际波动 | 判断当前 IV 是否合理 |
| 隐含波动率 | 期权市场价格 | 市场未来预期 | 寻找 IV 与 HV 的偏离 |
| 波动率曲面 | 全部期权合约 | 市场全貌 | 跨期、跨品种套利 |
我常用的一个策略是：当隐含波动率远高于历史波动率时，做空波动率；反之做多。但要注意，这个「远高于」没有固定标准。我一般看 IV/HV 比值，超过 1.5 倍才动手。
血的教训： 我曾经看到 IV 比 HV 高了 2 倍，果断做空波动率。结果第二天财报出来，股价直接崩了 20%，IV 瞬间翻倍。亏得我怀疑人生。
所以记住：IV 高不一定意味着回归，可能是市场在定价一个尾部风险。做波动率套利，一定要看基本面有没有大事发生。
嗯，这一章的内容就到这儿。波动率度量是套利的基础，你把这些搞透了，后面的资金管理才有根。
公众号:蓝海资料掘金营，微信deep3321