波动率基础：交易世界的脉搏

大家好，欢迎来到我们的波动率课程。我是你们的老朋友，一个在量化交易里摸爬滚打多年的工程师。

今天咱们聊点最基础，但也最核心的东西——波动率。你想想看，做交易这么多年，我们到底在交易什么？价格？趋势？其实说白了，我们交易的是不确定性。而波动率，就是衡量这种不确定性的尺子。

我个人习惯把波动率看作是市场的「心跳」。心跳太快，市场恐慌；心跳太慢，市场死寂。理解了这个，你才算真正摸到了量化交易的门槛。

1. 波动率的定义：它到底是什么？

波动率，英文叫 Volatility，通常用 σ 表示。它衡量的是资产价格在一段时间内的变动幅度。注意，是「幅度」，不是「方向」。涨了50%和跌了50%，在波动率眼里是一样的，都是剧烈波动。

数学上，我们通常用收益率的标准差来定义它。假设我们有 n 天的收盘价，先算出每天的收益率 r_i，然后计算这些收益率的标准差：

import numpy as np

# 假设 prices 是收盘价序列
prices = [100, 102, 101, 105, 107]
returns = np.diff(np.log(prices))  # 对数收益率
volatility = np.std(returns)       # 日波动率
print(f"日波动率: {volatility:.4f}")

# 年化波动率（假设252个交易日）
annual_vol = volatility * np.sqrt(252)
print(f"年化波动率: {annual_vol:.4f}")

嗯，这里要注意：我们通常用对数收益率，而不是简单收益率。为什么？因为对数收益率在时间上可加，而且更符合正态分布的假设。我在项目中遇到过有人直接用价格差算波动率，结果回测时发现策略表现忽好忽坏——其实就是这个细节没处理好。

2. 历史波动率 vs 隐含波动率

这两个概念，是波动率世界的「阴阳两面」。一个看过去，一个看未来。

2.1 历史波动率（HV）

历史波动率，就是根据过去的数据算出来的波动率。比如上面那段代码算出来的，就是历史波动率。它告诉我们「过去市场有多动荡」。

计算历史波动率时，有几个参数需要你拍脑袋决定：

• 窗口长度： 用过去20天？还是60天？我个人习惯用20天（约一个月），因为能较快反映市场变化。
• 数据频率： 日数据？还是分钟数据？高频策略用分钟数据，中低频用日数据就够了。
• 年化因子： 美股用252，A股用242，加密货币用365。别搞混了。

我曾经犯过一个低级错误：用252天年化因子去算比特币的波动率。结果算出来的年化波动率高达200%多，吓了我一跳。后来才意识到，加密货币全年无休，应该用365。

2.2 隐含波动率（IV）

隐含波动率，是从期权价格里反推出来的。它反映的是「市场预期未来会怎么波动」。

怎么反推？用期权定价模型，比如 Black-Scholes 模型。给定期权价格、行权价、到期时间、无风险利率，反解出波动率 σ：

from scipy.optimize import brentq
import numpy as np
from scipy.stats import norm

def bs_call_price(S, K, T, r, sigma):
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)

def implied_volatility(market_price, S, K, T, r):
    # 用二分法反解隐含波动率
    f = lambda sigma: bs_call_price(S, K, T, r, sigma) - market_price
    return brentq(f, 0.01, 5.0)  # 波动率范围 1% 到 500%

# 示例：假设当前股价100，行权价105，到期30天，期权价格2.5
S, K, T, r = 100, 105, 30/365, 0.03
market_price = 2.5
iv = implied_volatility(market_price, S, K, T, r)
print(f"隐含波动率: {iv*100:.2f}%")

3. 波动率微笑与偏斜

如果你把不同行权价的隐含波动率画出来，会发现它不是一个常数，而是一条曲线。这就是波动率微笑（Volatility Smile）。

为什么会有微笑？因为市场并不完全符合 Black-Scholes 模型的假设。真实世界里，极端行情发生的概率比模型预测的要高。所以，深度虚值和深度实值的期权，隐含波动率往往更高。

而偏斜（Skew）则是微笑的不对称版本。在股票市场里，通常看跌期权的隐含波动率高于看涨期权——因为市场更害怕暴跌。这就是所谓的「波动率偏斜」。

我画了一张图，帮你直观理解：

你看，蓝色虚线是微笑，红色实线是偏斜。在真实市场里，偏斜更常见。尤其是美股，每次财报季前，看跌期权的IV会明显高于看涨期权。

4. 波动率在交易中的作用

说了这么多理论，波动率到底能帮我们做什么？我总结了几点：

1. 风险管理： 波动率直接决定了你的仓位大小。波动率越高，仓位应该越小。我习惯用「波动率调整仓位」——比如，当VIX低于15时，我可以满仓；当VIX高于30时，我只敢半仓。
2. 期权定价： 没有波动率，期权就没法定价。你看到的每一个期权价格，背后都隐含了一个波动率假设。
3. 择时信号： 当历史波动率远低于隐含波动率时，说明市场可能低估了未来的波动——这时候做多波动率（买跨式期权）可能是个好主意。
4. 策略构建： 很多量化策略的核心就是预测波动率。比如波动率均值回归策略、波动率趋势策略等。

我记得有一次，我在做跨式期权策略时，发现历史波动率只有12%，但隐含波动率已经飙到25%。我当时判断市场过度恐慌，于是卖出了跨式期权。结果一周后，波动率果然回落，我稳稳赚了一笔。这就是波动率在交易中的实战应用。

好了，今天的基础内容就到这里。波动率的世界很深，但只要你掌握了这些核心概念，后面的路就好走了。记住，做量化交易，别跟市场较劲，要跟波动率做朋友。

---