第四章：指数加权移动平均（EWMA）波动率模型
波动率这东西，说白了就是市场的心跳。你想想看，做量化投资，如果连市场心跳都摸不准，那策略再花哨也是白搭。今天我要聊的EWMA，就是捕捉这个心跳最经典的工具之一。
4.1 EWMA的原理：为什么是“加权”？
传统的简单移动平均（SMA）有个问题——它给过去每一天同样的权重。这合理吗？我个人觉得不太合理。上周五的暴跌对今天的影响，跟三个月前某天的波动，能一样吗？
EWMA的核心思想很简单：越近的数据，权重越大；越远的数据，权重越小。而且这个权重是按指数形式衰减的，所以叫“指数加权”。
数学上，EWMA波动率的递推公式长这样：
σ²_t = λ * σ²_{t-1} + (1 - λ) * r²_{t-1}其中：
- σ²_t 是今天的方差估计
- σ²_{t-1} 是昨天的方差估计
- r²_{t-1} 是昨天的收益率平方
- λ 是衰减因子（0 < λ < 1）
嗯，这里要注意：这个公式是递推的。也就是说，今天的方差依赖于昨天的方差，昨天的方差又依赖于前天的...一直追溯到初始值。我在项目中遇到过一个问题——如果初始值设得不对，前几百个数据基本是废的。后面我会讲怎么处理。
4.2 λ参数的选择：0.94是金标准吗？
聊到λ，就绕不开RiskMetrics。摩根大通在1994年发布的技术文档里，推荐日频数据用λ=0.94。这个数字后来成了行业基准。
为什么是0.94？说白了，它对应着一个“半衰期”的概念。半衰期就是权重衰减到一半所需的天数：
半衰期 = ln(0.5) / ln(λ)当λ=0.94时，半衰期大约是11天。这意味着10天前的数据，权重只剩下一半左右。我个人习惯用这个值做快速原型，但实盘时我会根据资产特性调整。
| λ值 | 半衰期（天） | 适用场景 |
|---|---|---|
| 0.94 | 约11天 | 日频数据，通用推荐 |
| 0.97 | 约23天 | 周频数据，趋势性资产 |
| 0.99 | 约69天 | 月频数据，长期波动 |
4.3 EWMA波动率计算的Python实现
好了，理论讲完，咱们直接上代码。我习惯用pandas的ewm方法，一行搞定：
import pandas as pd
import numpy as np
def ewma_volatility(returns, lambda_=0.94):
"""
计算EWMA波动率
returns: 收益率序列（pandas Series）
lambda_: 衰减因子，默认0.94
"""
# 计算平方收益率
squared_returns = returns ** 2
# 使用ewm计算指数加权方差
# adjust=False 保证使用递推公式
variance = squared_returns.ewm(alpha=1-lambda_, adjust=False).mean()
# 取平方根得到波动率
volatility = np.sqrt(variance)
return volatility
# 示例用法
# 假设我们有沪深300的日收益率数据
# returns = pd.Series([...])
# vol = ewma_volatility(returns)
# print(vol.tail())这里有个细节：alpha=1-lambda_。因为pandas的ewm用的是alpha参数，而我们的公式里用的是lambda。两者关系是alpha = 1 - lambda。我刚开始用的时候也搞混过，后来干脆写了个注释贴在代码里。
min_periods参数。比如min_periods=20，这样前20天不会输出结果，避免初始值污染。
4.4 初始值处理：一个容易被忽视的坑
前面提到过，EWMA是递推的，初始值怎么设？
常见做法有两种：
- 用第一个样本的平方收益率作为初始方差——简单粗暴，但前几个估计值偏差大
- 用前N天的样本方差作为初始值——更稳健，但需要多等N天
我个人推荐第二种。在实盘系统中，我会用前60个交易日的样本方差作为初始值。为什么是60？差不多一个季度，够稳定了。
def ewma_volatility_robust(returns, lambda_=0.94, init_window=60):
"""
带稳健初始值的EWMA波动率
"""
# 用前init_window天的样本方差作为初始值
init_var = returns.iloc[:init_window].var()
# 构建完整的方差序列
variance = pd.Series(index=returns.index, dtype=float)
variance.iloc[init_window-1] = init_var
# 递推计算
for i in range(init_window, len(returns)):
variance.iloc[i] = lambda_ * variance.iloc[i-1] + (1-lambda_) * returns.iloc[i-1]**2
volatility = np.sqrt(variance)
return volatility4.5 知识体系总览
下面这张图是我自己整理的EWMA知识框架，你可以把它当作学习路线图：
说实话，EWMA是我在量化投资中用得最多的波动率模型之一。它不像GARCH那么复杂，但效果往往不差。你想想看，一个参数就能控制整个模型的记忆长度，这种简洁性本身就是一种美。
最后提醒一句：EWMA假设收益率服从正态分布，但实际数据往往有厚尾特征。所以用EWMA估计出的波动率，在极端行情下可能会偏小。这时候，可以结合其他模型做修正，或者直接上GARCH。不过那是后面章节的内容了。
公众号:蓝海资料掘金营，微信deep3321