3. 历史波动率Python实现：数据获取、计算与可视化

好，咱们直接进入实战环节。

历史波动率这东西，说白了就是「过去的价格波动有多剧烈」。你想想看，如果一只股票过去一年上蹿下跳，那它的历史波动率肯定高；如果它像心电图一样平，那波动率就低。这个指标是期权定价、风险管理的基石，也是我们做量化交易绕不开的基本功。

我个人习惯用 yfinance 拿数据，用 numpy 算收益率，再用 matplotlib 画图。这一套组合拳打下来，你就能把历史波动率从原始数据变成可视化的曲线。嗯，咱们一步步来。

3.1 数据获取：用 yfinance 拉取行情

先装库。如果你还没装 yfinance，终端里跑一句：

pip install yfinance numpy pandas matplotlib

然后咱们写代码。我习惯把数据获取封装成一个函数，这样后面改标的、改时间范围都很方便。

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def get_stock_data(ticker, start='2023-01-01', end='2024-12-31'):
    """
    获取股票历史日线数据
    ticker: 股票代码，比如 'AAPL' 或 '600519.SS'
    start, end: 起止日期
    """
    df = yf.download(ticker, start=start, end=end, progress=False)
    # 我只取收盘价，够用了
    return df['Close']

# 拿苹果的数据试试
close_prices = get_stock_data('AAPL')
print(close_prices.head())
小提示： 如果你在国内，yfinance 有时候会连不上。我遇到过这种情况，解决办法是用代理，或者换 akshare、tushare 这些国内数据源。不过为了课程统一，咱们先用 yfinance。

3.2 对数收益率计算：为什么不用简单收益率？

拿到收盘价之后，下一步就是算收益率。这里有个关键选择：用简单收益率还是对数收益率？

我个人强烈推荐对数收益率。原因有三：

  • 时间可加性：对数收益率可以直接相加得到多期总收益率，简单收益率不行。
  • 分布更接近正态：虽然实际数据有厚尾，但比简单收益率好得多。
  • 计算波动率更方便：对数收益率的标准差可以直接年化，简单收益率需要调整。

代码实现很简单：

# 计算对数收益率
log_returns = np.log(close_prices / close_prices.shift(1))

# 去掉第一行的 NaN
log_returns = log_returns.dropna()

print(log_returns.head())
注意： 这里有个坑。我曾经在项目里直接用 pct_change() 算简单收益率，然后拿去算波动率，结果和期权市场报价对不上。后来才发现，对数收益率和简单收益率在小波动时差别不大，但遇到大跳空（比如财报日），差异就非常明显了。所以，做波动率分析，请用对数收益率。

3.3 年化波动率计算：把日波动率放大到年

算完日收益率，我们得到的是「日波动率」。但实际交易中，我们更关心年化波动率。怎么转换？

公式很简单：

σ年化 = σ日 × √252

为什么是252？因为一年大约有252个交易日。这个数字不是拍脑袋定的，是美国市场实际交易日统计出来的。A股大概243天左右，但为了和国际接轨，很多机构统一用252。

# 计算日波动率（标准差）
daily_vol = log_returns.std()

# 年化
annual_vol = daily_vol * np.sqrt(252)

print(f"日波动率: {daily_vol:.4f}")
print(f"年化波动率: {annual_vol:.4f}")

跑一下苹果的数据，你大概会得到年化波动率在0.2到0.3之间，也就是20%-30%。嗯，这个范围对于大盘股来说是正常的。

核心要点： 年化波动率 = 日波动率 × √252。这个公式背后假设收益率是独立同分布的。实际中这个假设不完美，但作为一阶近似，够用了。

3.4 滚动窗口可视化：看波动率如何随时间变化

算一个整体的年化波动率太粗糙了。我们更想知道：波动率在过去一年里是怎么变化的？是平稳的，还是忽高忽低？

这时候就需要「滚动窗口」了。说白了，就是固定一个窗口长度（比如60天），每天往前滑动，算这个窗口内的波动率。这样就能得到一条波动率曲线。

# 设置滚动窗口大小（交易日）
window = 60

# 计算滚动年化波动率
rolling_vol = log_returns.rolling(window=window).std() * np.sqrt(252)

# 去掉前 window-1 天的 NaN
rolling_vol = rolling_vol.dropna()

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(rolling_vol.index, rolling_vol, label=f'{window}日滚动年化波动率', color='#FF6B6B')
plt.title('AAPL 历史波动率（滚动窗口）')
plt.xlabel('日期')
plt.ylabel('年化波动率')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

跑完这段代码，你会看到一条上下起伏的曲线。比如2023年7月到10月，苹果的波动率明显上升，那是因为当时市场对iPhone销量有担忧。2024年初又降下来了。

我的经验： 窗口大小的选择很讲究。窗口太小（比如20天），曲线太敏感，噪音大；窗口太大（比如252天），曲线太平滑，反应迟钝。我个人做短线交易时用20-30天，做中线用60-90天。你可以根据自己的策略调整。

3.5 本章知识体系总览

下面这张图，把咱们这一章的核心逻辑串起来了。从数据源到最终的可视化曲线，每一步都有它的意义。

历史波动率计算流程 ① 数据获取 yfinance 拉取收盘价 ② 对数收益率 ln(Pt / Pt-1) ③ 年化波动率 σ日 × √252 ④ 滚动窗口计算 rolling(window).std() ⑤ 可视化输出 matplotlib 绘制波动率曲线 窗口大小选择：短线20-30天，中线60-90天，长线252天

3.6 完整代码整合

最后，我把上面所有代码整合成一个完整的函数。你以后做分析，直接复制这个函数，改一下参数就能用。

def historical_volatility(ticker, start='2023-01-01', end='2024-12-31', window=60):
    """
    计算并可视化历史波动率
    参数:
        ticker: 股票代码
        start, end: 日期范围
        window: 滚动窗口大小（交易日）
    返回:
        rolling_vol: 滚动年化波动率序列
    """
    # 1. 获取数据
    close = yf.download(ticker, start=start, end=end, progress=False)['Close']
    
    # 2. 对数收益率
    log_ret = np.log(close / close.shift(1)).dropna()
    
    # 3. 滚动年化波动率
    rolling_vol = log_ret.rolling(window=window).std() * np.sqrt(252)
    rolling_vol = rolling_vol.dropna()
    
    # 4. 可视化
    plt.figure(figsize=(12, 6))
    plt.plot(rolling_vol.index, rolling_vol, 
             label=f'{window}日滚动年化波动率', color='#FF6B6B', linewidth=2)
    plt.title(f'{ticker} 历史波动率')
    plt.xlabel('日期')
    plt.ylabel('年化波动率')
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.show()
    
    return rolling_vol

# 使用示例
aapl_vol = historical_volatility('AAPL', window=60)
避坑提醒： 我曾经在回测时直接用这个函数算波动率，然后拿去和期权隐含波动率对比，发现总是差一点。后来排查了半天，发现是数据频率问题——我用的是日线，但期权定价用的是交易日历。如果你要做精确对比，记得把日期对齐到交易日。

好了，这一章的内容就到这里。你跟着代码跑一遍，应该能拿到一条漂亮的波动率曲线。下一章咱们会深入探讨如何用这个波动率去做交易策略，敬请期待。

公众号:蓝海数据掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →