一、波动率基础：什么是波动率？

各位同学，咱们今天聊聊波动率。说实话，我刚入行那会儿，觉得波动率就是个数字——涨涨跌跌嘛，算个标准差就完事了。后来在实盘里吃过亏，才明白这东西没那么简单。

波动率，说白了就是资产价格变动的剧烈程度。你想想看，一只股票今天涨5%，明天跌4%，后天又涨3%——这种上蹿下跳的走势，波动率就高。反过来，像国债那样每天波动不到0.1%，波动率就低。

1.1 波动率的金融意义

为什么我们要花一整章来讲波动率？因为它太重要了。我个人习惯把波动率比作金融市场的「心跳」——太快了说明市场恐慌，太慢了说明市场死气沉沉。

具体来说，波动率有这几个关键作用：

• 风险度量：波动率越高，资产风险越大。我在做风控模型时，第一件事就是看波动率曲线。
• 定价核心：期权定价公式里，波动率是唯一需要估计的变量。没有波动率，期权就没法定价。
• 市场情绪指标：VIX指数（恐慌指数）就是基于期权隐含波动率编制的。我记得2020年3月，VIX飙到80多，那真是市场最恐慌的时候。
• 资产配置依据：不同波动率的资产要搭配着来，不能全押在高波动品种上。

1.2 波动率的数学定义

数学上，波动率就是收益率的标准差。假设我们有n个收益率数据 r₁, r₂, ..., rₙ，那么：

# 波动率的数学定义
# 收益率序列：r = [r₁, r₂, ..., rₙ]
# 均值：μ = (1/n) * Σrᵢ
# 方差：σ² = (1/(n-1)) * Σ(rᵢ - μ)²
# 波动率：σ = √σ²

这里要注意，我们通常用样本标准差（分母是n-1）而不是总体标准差。为什么？因为样本数据有限，用n-1能给出无偏估计。嗯，这个细节在实盘里挺重要的。

另外，波动率通常要年化。日波动率乘以√252（一年约252个交易日），周波动率乘以√52，月波动率乘以√12。我曾经犯过一个低级错误——直接用日波动率去对比年化波动率，结果差了一个数量级，被领导批评了一顿。

1.3 波动率的三种主要类型

实际工作中，我们主要接触三种波动率。它们各有各的用途，千万别搞混了。

类型	英文名	计算方式	主要用途
历史波动率	Historical Volatility (HV)	基于历史价格数据计算	回测、风险评估
隐含波动率	Implied Volatility (IV)	从期权市场价格反推	期权定价、市场情绪判断
已实现波动率	Realized Volatility (RV)	基于高频数据计算	高频交易、波动率预测

1.3.1 历史波动率

历史波动率是最基础的。就是用过去一段时间的价格数据，算个标准差。比如你想知道过去30天某只股票的波动率，那就取过去30天的日收益率，算标准差，再年化。

import numpy as np
import pandas as pd

def historical_volatility(prices, window=30, trading_days=252):
    """
    计算历史波动率
    prices: 价格序列
    window: 滚动窗口大小
    trading_days: 年化天数
    """
    # 计算对数收益率
    log_returns = np.log(prices / prices.shift(1))
    
    # 滚动计算标准差并年化
    hv = log_returns.rolling(window=window).std() * np.sqrt(trading_days)
    
    return hv

这段代码我用了很多年。注意我用的对数收益率而不是简单收益率——对数收益率在时间上可加，数学性质更好。这是做量化的人都知道的小技巧。

1.3.2 隐含波动率

隐含波动率就有点意思了。它不是算出来的，而是从期权市场价格「反推」出来的。你想想看，期权价格里已经包含了市场对未来波动率的预期，我们把这个预期提取出来，就是隐含波动率。

具体做法是：把期权价格代入Black-Scholes公式，反解出波动率。因为BS公式里除了波动率，其他参数都是已知的（标的价格、行权价、到期时间、无风险利率）。

from scipy.optimize import brentq
from scipy.stats import norm

def implied_volatility(option_price, S, K, T, r, option_type='call'):
    """
    计算隐含波动率
    option_price: 期权市场价格
    S: 标的价格
    K: 行权价
    T: 到期时间（年）
    r: 无风险利率
    """
    def bs_price(sigma):
        d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
        d2 = d1 - sigma*np.sqrt(T)
        
        if option_type == 'call':
            price = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
        else:
            price = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
        return price - option_price
    
    # 用二分法求解
    try:
        iv = brentq(bs_price, 0.001, 5.0)
    except:
        iv = np.nan
    return iv

这段代码里用了brentq算法来求解。为什么不用牛顿法？因为BS公式对波动率的导数在某些边界条件下不稳定，brentq更鲁棒。这是我踩过坑之后换的。

1.3.3 已实现波动率

已实现波动率是高频交易领域的概念。它用日内的高频数据（比如5分钟、1分钟甚至逐笔数据）来度量当天的波动率。公式是：

# 已实现波动率（RV）的计算
# 假设一天内有m个等间隔的收益率数据
# RV = Σ(rᵢ²)  其中rᵢ是第i个区间的收益率

def realized_volatility(intraday_returns):
    """
    计算已实现波动率
    intraday_returns: 日内收益率序列
    """
    rv = np.sum(intraday_returns**2)
    return np.sqrt(rv)

已实现波动率的好处是，它比历史波动率更精确。历史波动率用日数据，一天只有一个点；已实现波动率用高频数据，一天可能有几十上百个点。信息量完全不一样。

我在做波动率预测模型时，最喜欢用已实现波动率作为「真实值」来训练模型。因为它的精度高，能捕捉到日内波动的细节。

1.4 三种波动率的关系

这三种波动率不是孤立的。它们之间有关系，而且这个关系是波动率预测的核心逻辑。

这张图我画了很多遍。核心逻辑是：历史波动率提供「过去」的信息，隐含波动率提供「市场预期」的信息，已实现波动率提供「当前真实」的信息。一个好的预测模型，需要把这三种信息融合起来。

举个例子。假设某只股票的历史波动率是20%，隐含波动率是30%，已实现波动率是25%。这说明什么？市场预期未来波动会加大（IV > HV），而且当前确实在加大（RV > HV）。这时候你如果做空波动率，可能就要小心了。

---

公众号:蓝海资料掘金营，微信deep3321