波动率分析：从历史到预测的完整路径
波动率这东西，说白了就是市场的心跳。做量化交易这么多年，我越来越觉得，不懂波动率就像开船不看天气预报——迟早要翻。今天咱们就聊聊波动率的几个核心概念，以及怎么用GARCH模型把它预测出来。
一、历史波动率：最朴素的度量
历史波动率，就是看过去的价格波动有多大。计算方式其实很简单：
import numpy as np
import pandas as pd
def historical_volatility(prices, window=20):
# 计算对数收益率
log_returns = np.log(prices / prices.shift(1))
# 滚动标准差，年化处理
hv = log_returns.rolling(window).std() * np.sqrt(252)
return hv我个人习惯用20个交易日作为窗口。为什么是20？因为一个月大概有20个交易日，这个周期能较好地捕捉短期波动特征。我在项目中遇到过一个问题：如果窗口选得太短（比如5天），波动率会剧烈跳动，根本没法用；选得太长（比如60天），又反应太慢，等它告诉你波动来了，行情都走完了。
二、隐含波动率：市场在说什么？
隐含波动率就更有意思了。它不是算出来的，而是从期权价格里反推出来的。你想想看，市场上那么多交易者，他们愿意花多少钱买期权，这个价格里就包含了他们对未来波动的预期。
隐含波动率和历史波动率的差值，我把它叫做「恐慌溢价」。正常情况下，隐含波动率会略高于历史波动率，因为市场总是倾向于为不确定性多付点钱。但一旦差值拉得特别大，往往意味着市场在害怕什么。
三、波动率聚类效应：波动是会传染的
你有没有发现一个现象？市场大跌之后往往接着大跌，大涨之后往往接着大涨。这不是错觉，这就是波动率聚类效应——大的波动后面跟着大的波动，小的波动后面跟着小的波动。
为什么会这样？说白了，市场信息是成堆出现的。一个坏消息会引发连锁反应，导致更多坏消息被曝光。投资者的情绪也会传染，恐慌会自我强化。
我记得2015年股灾的时候，波动率从20%一路飙到60%以上，然后在高位持续了将近两个月。这就是典型的波动率聚类——一旦进入高波动状态，想出来可没那么容易。
四、GARCH模型：预测波动率的利器
既然波动率会聚类，那能不能预测它？当然可以。GARCH模型就是干这个的。
GARCH模型的核心思想很简单：今天的波动率，取决于昨天的波动率和昨天的收益率。用数学公式表达就是：
σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}其中：
- σ²_t 是今天的条件方差（波动率的平方）
- ε²_{t-1} 是昨天的收益率平方（代表新信息）
- σ²_{t-1} 是昨天的条件方差（代表旧波动）
- α 和 β 是模型参数，α+β 越接近1，波动率越持久
实际应用中，我一般用Python的arch库来实现：
from arch import arch_model
# 拟合GARCH(1,1)模型
model = arch_model(returns, vol='Garch', p=1, q=1)
result = model.fit()
# 预测未来5天的波动率
forecast = result.forecast(horizon=5)
predicted_vol = np.sqrt(forecast.variance.values[-1])五、波动率分析的知识体系
为了让你更直观地理解这些概念之间的关系，我画了一张图：
六、实战中的注意事项
说了这么多理论，最后分享几个实战中的坑：
- 数据频率要匹配：做日频交易就用日数据，做高频交易就用分钟数据。我见过有人用日数据预测分钟级别的波动，结果一塌糊涂。
- 模型要定期重估：GARCH模型的参数不是一成不变的。市场结构变了，参数也得跟着变。我一般每个月重新拟合一次。
- 不要迷信预测：波动率预测只是概率，不是确定性。即使GARCH模型告诉你明天波动率会下降，也不代表一定不会出黑天鹅。
- 结合仓位控制：波动率预测的最终目的是指导仓位。波动率高时减仓，波动率低时加仓，这才是正确的打开方式。