波动率因子：从已实现波动率到日内模式挖掘

波动率因子，说白了就是衡量资产价格「上蹿下跳」的程度。很多做高频的朋友一上来就盯着价格看，其实波动率里藏着不少alpha。我个人习惯把波动率因子分成四类来拆解：已实现波动率、已实现极差、跳跃波动率、日内波动率模式。咱们一个一个来过。

1. 已实现波动率（Realized Volatility）

这是最基础的波动率指标。传统方法用日间收益率算标准差，但日内数据能给我们更精细的刻画。我常用的方法是5分钟高频采样，然后计算日内收益率的平方和。

公式其实很简单：

RV_t = Σ(r_{t,i})²

其中 r_{t,i} 是第 t 天第 i 个5分钟区间的对数收益率。

代码实现也不复杂：

import numpy as np
import pandas as pd

def realized_volatility(price_series, freq='5min'):
    # 计算对数收益率
    log_ret = np.log(price_series / price_series.shift(1))
    # 按频率重采样
    resampled = log_ret.resample(freq).sum()
    # 计算已实现波动率
    rv = np.sqrt(np.sum(resampled ** 2))
    return rv

2. 已实现极差（Realized Range）

这个因子我特别喜欢。它不只看收盘价，而是把日内最高价和最低价的差距也考虑进来。你想想看，一天内价格从低到高走了多远，这本身就是波动率的直观体现。

计算方式：

RR_t = ln(High_t / Low_t)

但更精细的做法是，把每个5分钟区间的极差累加起来：

RR_sum = Σ ln(High_{t,i} / Low_{t,i})

方法	优点	缺点
单日极差	计算简单，直观	受极端值影响大
累加极差	信息更丰富，稳健	需要高频数据

3. 跳跃波动率（Jump Volatility）

价格不是一直平滑运动的。有时候会出现突然的「跳跃」——比如财报发布瞬间、重大消息出来那几秒。这些跳跃里往往有信息含量，但也夹杂着噪声。

怎么识别跳跃？我常用的方法是比较已实现波动率和双幂次变差（Bipower Variation）：

BV_t = (π/2) * Σ |r_{t,i}| * |r_{t,i-1}|

Jump_t = max(RV_t - BV_t, 0)

逻辑是这样的：如果价格是连续扩散过程，那么 RV 和 BV 应该差不多。但如果存在跳跃，RV 会显著大于 BV。差值就是跳跃波动率。

4. 日内波动率模式（Intraday Volatility Pattern）

这一点很多人会忽略。波动率在一天之内不是均匀分布的。A股市场有个典型的「U型」模式：开盘和收盘时波动大，中午休息前后波动小。

我习惯把一天分成48个30分钟区间，然后计算每个区间的平均波动率：

# 计算日内波动率模式
def intraday_pattern(df, interval='30min'):
    df['time_bucket'] = df.index.floor(interval).time
    pattern = df.groupby('time_bucket')['volatility'].mean()
    # 做归一化
    pattern = pattern / pattern.mean()
    return pattern

为什么要关注这个模式？因为你可以用它来做「异常检测」。如果某个时间段的波动率显著偏离历史模式，往往意味着有事情发生。

知识体系总览

下面这张图把四个波动率因子的关系梳理清楚了：

这四个因子不是孤立的。我通常把它们组合成一个综合波动率得分，然后做多低波动股票、做空高波动股票。嗯，这里要注意：波动率因子在牛市中表现一般，但在震荡市和熊市中特别有效。

---

公众号:蓝海资料掘金营，微信deep3321