3、波动率环境识别

做市这行，说白了就是跟波动率打交道。你连对手的脾气都摸不清，怎么赚钱？

我个人习惯，每天开盘前先花五分钟看看波动率环境。这五分钟，能帮我省下后面五小时的麻烦。今天我们就聊聊怎么识别波动率环境——低波动、高波动、突变，还有那个让人头疼的聚类效应。

3.1 低波动率环境特征

低波动率环境，我称之为「温水煮青蛙」阶段。市场看起来风平浪静，但往往是大行情的前夜。

具体特征有哪些？

• 日内振幅收窄：比如BTC，平时日内波动3%-5%，现在连续几天只有1%以内
• 订单簿深度增加：买卖盘口挂单量变大，价差收窄。做市商都在抢着吃这口饭
• 成交量萎缩：没人交易了，流动性都躲起来了
• 隐含波动率低于历史波动率：期权市场在告诉你，大家预期未来会更平静

我在项目中遇到过一件事。有一次ETH连续三天波动率不到0.5%，我的做市策略还在按正常参数跑。结果第四天一根大阳线，库存直接亏了2%。嗯，从那以后我加了个低波动预警模块。

3.2 高波动率环境特征

高波动率环境，就是市场在「发疯」。这时候做市商最容易亏钱，但也最有机会赚钱。

特征很明显：

• 日内振幅剧烈：动不动5%以上，甚至10%
• 订单簿变薄：流动性提供者纷纷撤单，价差拉大
• 成交量暴增：恐慌盘和抄底盘同时涌入
• 隐含波动率飙升：期权价格贵得离谱

指标	低波动	高波动
20日滚动波动率	< 30%分位数	> 70%分位数
日内振幅	< 1%	> 5%
订单簿深度	深	浅
价差	窄	宽

你想想看，高波动率的时候，你的做市策略该怎么调？我建议把报价宽度放大到平时的1.5-2倍，同时降低每个价位的挂单量。说白了，就是别跟市场硬刚。

3.3 波动率突变（Jump）的识别

波动率突变，就是市场突然「变脸」。前一秒还风平浪静，下一秒就狂风暴雨。

怎么识别？我常用的方法：

1. 价格跳跃检测：连续两个tick的价格变化超过3个标准差
2. 成交量异常：突然出现平时10倍以上的成交量
3. 订单簿失衡：买卖盘口深度比例突然失衡，比如买盘深度是卖盘的5倍
4. 波动率指数突破：比如DVOL（比特币波动率指数）突然突破前期高点

# 一个简单的跳跃检测函数
def detect_jump(price_series, window=20, threshold=3):
    returns = np.diff(price_series) / price_series[:-1]
    rolling_mean = np.mean(returns[-window:])
    rolling_std = np.std(returns[-window:])
    
    latest_return = returns[-1]
    z_score = (latest_return - rolling_mean) / rolling_std
    
    if abs(z_score) > threshold:
        return True, z_score
    return False, z_score

这个代码我用了好几年，简单但有效。不过要注意，阈值设得太低会频繁误报，设得太高又会漏报。我个人习惯设3倍标准差，但如果你做的是高频做市，可以降到2.5倍。

3.4 波动率聚类效应

波动率聚类，说白了就是「祸不单行」。高波动率之后往往跟着高波动率，低波动率之后往往跟着低波动率。

为什么会这样？因为市场参与者的情绪会传染。恐慌引发更多恐慌，贪婪引发更多贪婪。

我一般用GARCH模型来捕捉这个效应：

from arch import arch_model

def fit_garch(returns):
    model = arch_model(returns * 100, vol='Garch', p=1, q=1)
    result = model.fit(disp='off')
    return result

# 使用示例
result = fit_garch(btc_returns)
print(result.summary())

GARCH模型的参数p和q，我一般设1,1就够用了。设多了反而过拟合，你想想看，做市策略又不是搞学术研究，够用就行。

我记得有一次，BTC连续五天高波动率，我的策略在第三天就自动把报价宽度调到了最大。结果第四天波动率更高，但因为提前调整了，反而赚了钱。这就是利用聚类效应的好处。

知识体系总览

下面这张图，是我自己梳理的波动率环境识别框架。每次做策略调整前，我都会过一遍这个流程：

这张图我每次做策略评审都会拿出来看一遍。四个维度缺一不可，少一个都可能出问题。