4. 波动率分析：历史波动率计算、隐含波动率概念、波动率聚类效应、波动率在仓位管理中的应用

波动率这东西，说白了就是市场的心跳。做量化这几年，我越来越觉得，不懂波动率，仓位管理就是瞎蒙。今天咱们就把这块掰开揉碎了讲清楚。

4.1 历史波动率计算

历史波动率，就是看过去的价格波动有多剧烈。我习惯用对数收益率来计算，这样更符合金融数据的统计特性。

具体步骤其实不复杂：

1. 先算每日对数收益率：r = ln(P_t / P_{t-1})
2. 然后算这些收益率的样本标准差
3. 最后年化一下（乘以根号252）

给你看段我常用的代码：

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，默认20个交易日
    """
    log_returns = np.log(prices / prices.shift(1))
    hv = log_returns.rolling(window=window).std() * np.sqrt(252)
    return hv

这里有个坑，我踩过好几次。窗口大小的选择很关键。20天太短，噪声大；60天太长，反应迟钝。我个人习惯用20天和60天两条线一起看，交叉的时候往往意味着趋势要变了。

4.2 隐含波动率概念

隐含波动率就更有意思了。它不是算出来的，是市场交易出来的。你想想看，期权价格里就藏着市场对未来波动率的预期。

怎么理解？举个例子。假设某股票当前价格100元，一个月的平值期权价格是5元。我们用Black-Scholes公式反推，就能算出隐含波动率。如果算出来是30%，说明市场预期未来一个月该股票的波动率在30%左右。

我在项目中遇到过一件挺有意思的事。2020年3月，标普500的VIX指数飙到80多，但实际波动率才60左右。这说明什么？市场在恐慌，隐含波动率被过度推高了。那时候做期权卖方，收益相当可观。

4.3 波动率聚类效应

这个现象很有意思。你会发现，高波动率的日子总是扎堆出现，低波动率的日子也是。这就是波动率聚类效应。

为什么会这样？说白了，市场有记忆。一次大跌会引发连锁反应，恐慌情绪会蔓延。同样，一段平静期也会让人放松警惕，波动率自然就低了。

我记得2018年2月那次"波动率末日"，就是典型的聚类效应。之前几个月VIX一直在10以下趴着，结果突然一天飙到50。很多做空波动率的策略一天就爆仓了。

处理聚类效应，我推荐用GARCH模型。它能捕捉到波动率的自相关性：

from arch import arch_model

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

4.4 波动率在仓位管理中的应用

终于到重点了。波动率怎么用？核心就一句话：波动率高的时候少下注，波动率低的时候多下注。

具体做法，我分享一个自己用了多年的框架：

波动率状态	仓位比例	操作建议
低波动（HV < 15%）	100%	正常交易，可适当加杠杆
中等波动（15% ≤ HV < 30%）	70%	降低仓位，控制风险
高波动（30% ≤ HV < 50%）	40%	轻仓操作，快进快出
极端波动（HV ≥ 50%）	20%	观望为主，或做对冲

这个框架的核心逻辑是：波动率越高，市场越不确定，你的仓位就应该越小。别想着在高波动时博一把大的，那往往是送人头。

嗯，这里要注意。波动率调整不是机械的。我一般会结合隐含波动率一起看。如果历史波动率低但隐含波动率高，说明市场在酝酿大事，我会更保守一些。

最后送你一句话：波动率是你的朋友，不是敌人。学会用它，你的仓位管理会上一个台阶。