波动率参数估计：日内波动率模式与U型曲线
做量化交易的朋友都知道，波动率这东西，看着简单，实则门道很深。Almgren-Chriss模型里，波动率参数直接决定了你的交易成本曲线长什么样。我刚开始用这个模型时，就吃过波动率估计不准的亏——明明算好的最优交易路径，实盘跑起来却完全不是那么回事。
今天咱们就聊聊，怎么把波动率这个参数给整明白。
日内波动率的U型曲线
你有没有观察过，A股市场开盘和收盘那会儿，价格波动特别剧烈？中间时段反而相对平稳。这不是错觉，这是全球金融市场普遍存在的现象——日内波动率的U型曲线。
为什么会这样？说白了，开盘时信息集中释放，隔夜消息、外围市场变化全堆在一起；收盘前呢，机构调仓、做市商平风险，交易量猛增。中间时段，大家该交易的都交易完了，市场进入相对均衡状态。
核心发现：日内波动率呈现明显的U型或J型模式，开盘和收盘时段波动率是午间时段的2-3倍。
我在项目中遇到过这样的情况：用全天平均波动率去跑AC模型，结果开盘时段下单太激进，冲击成本飙升；收盘时段又太保守，错过了流动性最好的窗口。后来我改成按时间段分别估计波动率，效果立竿见影。
基于已实现波动率的估计方法
传统的历史波动率，用日间收盘价算，太粗糙了。日内交易需要更精细的度量。我个人习惯用已实现波动率（Realized Volatility），它利用高频数据，把一天切成N个等长区间，每个区间算一个收益率，然后加总。
公式长这样：
RV = sqrt( Σ (r_i)^2 )其中 r_i 是第 i 个区间的对数收益率。采样频率一般选5分钟或10分钟。太短了容易引入微观结构噪声，太长了又丢失日内细节。
我的经验：对于A股，5分钟采样是个不错的起点。如果是美股，流动性更好，可以试试1分钟。但要注意，采样频率不是越高越好——你想想看，买卖价差、订单簿跳动这些微观噪声，高频采样下会被放大。
具体实现上，我一般这样处理：
import numpy as np
import pandas as pd
def realized_volatility(price_series, freq='5T'):
"""
计算已实现波动率
price_series: 价格序列，时间索引
freq: 重采样频率
"""
# 重采样到指定频率，取最后一个价格
resampled = price_series.resample(freq).last()
# 计算对数收益率
log_returns = np.log(resampled / resampled.shift(1))
# 去掉NaN
log_returns = log_returns.dropna()
# 计算已实现波动率
rv = np.sqrt(np.sum(log_returns ** 2))
return rv嗯，这里要注意：数据清洗很重要。我曾经因为没处理停牌时段的数据，算出来的波动率直接翻倍。建议先剔除非交易时段的数据，再对异常值做截断处理。
波动率预测模型：EWMA与GARCH
已实现波动率是历史数据，但AC模型需要的是未来一段时间的波动率预期。这就涉及到预测了。
我个人最常用的两个模型：EWMA和GARCH。
EWMA（指数加权移动平均）
EWMA的核心思想很简单：越近的数据权重越大。公式：
σ²_t = λ * σ²_{t-1} + (1-λ) * r²_{t-1}λ 是衰减因子，一般取0.94（日频数据）或0.97（高频数据）。这个参数怎么选？我建议用历史数据做滚动回测，选让预测误差最小的那个λ。
避坑指南：我曾经直接用RiskMetrics推荐的λ=0.94，结果在2015年股灾期间，模型完全跟不上波动率的变化。后来我改成自适应λ——市场波动大时降低λ，让模型反应更快。效果好了不少。
GARCH(1,1)模型
GARCH比EWMA多了一个长期均值回归的特性。公式：
σ²_t = ω + α * r²_{t-1} + β * σ²_{t-1}参数估计一般用最大似然法。Python里用arch库就能搞定：
from arch import arch_model
def fit_garch(returns):
"""
拟合GARCH(1,1)模型
"""
model = arch_model(returns, vol='Garch', p=1, q=1)
result = model.fit(disp='off')
return result.params
# 使用示例
params = fit_garch(log_returns)
omega, alpha, beta = params['omega'], params['alpha[1]'], params['beta[1]']
print(f"ω={omega:.6f}, α={alpha:.4f}, β={beta:.4f}")GARCH的好处是能捕捉波动率的聚集效应——大波动后面往往跟着大波动。但坏处是参数估计不稳定，尤其是样本量不够时。我建议至少用500个以上的数据点来拟合。
在AC模型中的应用
好了，波动率估计出来了，怎么用到Almgren-Chriss模型里？
AC模型的永久冲击成本公式里，波动率σ是核心输入：
永久冲击 = γ * σ * (交易量 / 总成交量)^δ其中γ和δ是待估参数。我个人习惯把日内波动率分段处理：
- 把交易日分成开盘、上午、午间、下午、收盘五个时段
- 每个时段分别估计已实现波动率
- 用EWMA或GARCH预测下一交易日的时段波动率
- 代入AC模型，生成该时段的最优交易路径
实战建议：别用全天平均波动率去跑AC模型。我做过回测，分段波动率策略比平均波动率策略，冲击成本降低了约15%。
下面这张图展示了日内波动率的分段处理流程：
最后说一句，波动率估计没有银弹。EWMA简单实用，GARCH理论更完备，但实盘中我经常两个模型都跑，取个加权平均。你想想看，模型再漂亮，不如实盘赚钱来得实在。
我的小技巧：每天收盘后，我会把当天的已实现波动率和模型预测值做个对比。如果偏差超过20%，第二天就手动调整参数。这种人工干预虽然不"量化"，但确实能避免模型在极端行情下翻车。
好了，波动率这块就聊到这儿。记住一句话：波动率估计的精度，直接决定了AC模型的上限。别在这个环节偷懒。
公众号:蓝海资料掘金营，微信deep3321