4. 历史波动率模型：简单移动平均（SMA）波动率、指数加权移动平均（EWMA）波动率、参数选择与对比

波动率这东西，说白了就是资产价格的「心跳」。你想想看，一个股票每天上下蹦跶1%，跟一个每天只动0.1%的股票，风险完全不是一个量级。历史波动率模型，就是通过过去的数据，来估算这个「心跳」有多剧烈。

我个人习惯把历史波动率模型分成两类：一类是「一视同仁」的简单移动平均（SMA），另一类是「喜新厌旧」的指数加权移动平均（EWMA）。这两兄弟各有各的脾气，咱们今天就来好好盘一盘。

4.1 简单移动平均（SMA）波动率

SMA波动率，是最朴素、最直观的方法。它的逻辑很简单：取过去N天的收益率，算个标准差，然后年化一下。每一天的权重都一样，谁也不比谁特殊。

公式长这样：

σ_SMA = sqrt( (1/(N-1)) * Σ (r_t - r̄)² ) * sqrt(252)

其中 r_t 是每日对数收益率，r̄ 是N天内的平均收益率，252是年化交易日数。

嗯，这里要注意：为什么用N-1而不是N？因为样本标准差的无偏估计要用N-1。我在项目中遇到过有人直接用N，结果算出来的波动率总是偏小一点点，虽然差别不大，但做高频策略时这点误差就够你喝一壶的。

代码实现也很直接：

import numpy as np
import pandas as pd

def sma_volatility(returns, window=20):
    """
    计算简单移动平均波动率
    returns: 日收益率序列
    window: 滚动窗口大小
    """
    # 滚动计算标准差，ddof=1 表示使用样本标准差
    rolling_std = returns.rolling(window=window, ddof=1).std()
    # 年化处理
    annualized_vol = rolling_std * np.sqrt(252)
    return annualized_vol

# 示例
np.random.seed(42)
daily_returns = pd.Series(np.random.randn(500) * 0.02)  # 模拟日收益率
sma_vol = sma_volatility(daily_returns, window=20)
print(f"SMA波动率（最后一天）: {sma_vol.iloc[-1]:.4f}")

SMA最大的优点是简单、透明。你一眼就能看明白它是怎么算的。但缺点也很明显：它对所有数据一视同仁。5天前的数据和昨天的数据权重一样，这合理吗？

我曾经在做一个股指期货的波动率交易策略时，发现SMA对突发事件的反应特别迟钝。比如某天出了个黑天鹅，波动率瞬间飙升，但SMA要等到这个极端数据慢慢「滚出」窗口后，波动率才会降下来。这中间的时间差，足够让你亏掉底裤。

避坑指南： 我曾经因为SMA窗口选得太长（60天），导致策略在波动率突变时完全没跟上节奏。后来我改成20天窗口，效果好了不少。但窗口太短（比如5天）又容易过度反应。这个度，得根据你的交易频率来调。

4.2 指数加权移动平均（EWMA）波动率

EWMA的出现，就是为了解决SMA「一视同仁」的问题。它的核心思想是：越近的数据，权重越大；越远的数据，权重越小。权重按指数衰减，所以叫指数加权。

公式如下：

σ²_t = λ * σ²_{t-1} + (1 - λ) * r²_{t-1}

其中 λ 是衰减因子（0 < λ < 1），r_{t-1} 是上一期的收益率。你看，这个公式是递归的，当前方差由上一期方差和上一期收益率共同决定。

你想想看，λ 越大，历史数据衰减得越慢，模型越「平滑」；λ 越小，模型越「敏感」，对近期数据反应越快。

代码实现：

def ewma_volatility(returns, lambda_=0.94):
    """
    计算指数加权移动平均波动率
    returns: 日收益率序列
    lambda_: 衰减因子，通常取0.94或0.97
    """
    # 初始化方差序列
    variance = np.zeros(len(returns))
    # 初始方差用前几个样本的方差
    variance[0] = returns.iloc[:20].var()
    
    # 递归计算
    for t in range(1, len(returns)):
        variance[t] = lambda_ * variance[t-1] + (1 - lambda_) * returns.iloc[t-1]**2
    
    # 标准差并年化
    volatility = np.sqrt(variance) * np.sqrt(252)
    return pd.Series(volatility, index=returns.index)

# 示例
ewma_vol = ewma_volatility(daily_returns, lambda_=0.94)
print(f"EWMA波动率（最后一天）: {ewma_vol.iloc[-1]:.4f}")

EWMA在金融界有个经典参数：λ=0.94。这是RiskMetrics（摩根大通的风险管理系统）当年用的默认值。为什么是0.94？

我记得有次跟一个老交易员聊天，他说这个参数是「用钱试出来的」。0.94意味着半衰期大约是11天（半衰期 = ln(0.5)/ln(λ)），也就是说，11天前的数据权重只有最新数据的一半。这个衰减速度，对大多数金融时间序列来说，刚刚好。

个人经验： 我建议你在使用EWMA时，不要死磕0.94。对于高频数据（比如5分钟K线），λ可以取0.97甚至0.99，因为噪音更多，需要更平滑。对于日线数据，0.94是个不错的起点，但最好做一下回测验证。

4.3 参数选择与对比

好了，两个模型都讲完了。现在问题来了：到底用哪个？参数怎么选？

我画了一张图，帮你理清思路：

历史波动率模型选择决策树 历史波动率模型 SMA（简单移动平均） EWMA（指数加权） 适用场景 • 数据平稳，无明显趋势 • 需要简单透明的模型 适用场景 • 波动率聚集效应明显 • 需要快速响应市场变化 参数选择：窗口N 短窗口(10-20): 敏感 | 长窗口(60-120): 平滑 参数选择：衰减因子λ λ=0.94(日线) | λ=0.97(高频) | λ=0.99(超高频)

从这张图你可以看到，选择哪个模型，取决于你的数据特征和交易目标。

我整理了一个对比表格，方便你快速决策：

对比维度 SMA EWMA
权重分配 等权重 指数衰减权重
对近期数据敏感度 低（所有数据一视同仁） 高（近期数据权重更大）
对异常值的反应 迟钝（异常值在窗口内持续影响） 快速（异常值权重迅速衰减）
参数数量 1个（窗口N） 1个（衰减因子λ）
计算复杂度 低（直接滚动计算） 中（递归计算）
金融行业默认参数 N=20（一个月交易日） λ=0.94（RiskMetrics标准）
适合的数据频率 日线、周线 日线、高频数据
核心结论： 如果你做的是中长线投资，对波动率变化不敏感，SMA就够用了。但如果你做的是短线交易或期权做市，EWMA几乎是必须的——它能让你在波动率突变时第一时间做出反应。

最后，关于参数选择，我有个小建议：不要迷信默认参数。我在项目中遇到过好几次，用0.94的λ跑出来的结果还不如自己调参的SMA。为什么？因为不同的资产、不同的市场环境，对波动率的「记忆长度」是不一样的。

比如，大盘蓝筹股的波动率相对稳定，λ可以取大一点（0.97左右）；而小盘妖股的波动率变化剧烈，λ取小一点（0.90左右）才能跟上节奏。这个道理，你想想看，是不是很直观？

嗯，关于历史波动率模型，今天就聊到这儿。记住一句话：模型是死的，市场是活的。别让参数把你框死了。

专注资料整理
← 上一章 📖 返回目录 下一章 →