波动率建模：已实现波动率、跳跃波动率、日内波动率模型、波动率预测

波动率这东西，做量化的人天天挂在嘴边。但说实话，很多人对它的理解还停留在「标准差」那个层面。我刚开始做高频交易那会儿，也以为波动率就是算个方差完事。直到有一次，我拿日线数据算出来的波动率去回测策略，结果实盘亏得我头皮发麻——后来才发现，日内那些剧烈的价格跳动，全被日线数据给「平均」掉了。

所以今天咱们聊的，是真正能用在实战里的波动率建模。不是教科书上那种理论推导，而是你写代码时能直接调用的方法。

核心观点：波动率不是一成不变的，它分「已实现」和「隐含」，分「连续」和「跳跃」。搞不清楚这些，你的风控模型就是纸糊的。

一、已实现波动率：高频数据的基石

已实现波动率（Realized Volatility, RV）说白了，就是把一天内所有收益率的平方加起来。公式很简单：

RV = Σ (r_i)^2   (i = 1 to N)

其中 r_i 是第 i 个时间间隔的收益率，N 是日内采样点数。

我习惯用 5 分钟频率来计算 RV。为什么是 5 分钟？太短了有微观结构噪声，太长了又丢失日内信息。这个平衡点，是我在回测了十几只股票后找到的。

来个 Python 代码示例：

import pandas as pd
import numpy as np

def realized_volatility(price_series, freq='5T'):
    """
    计算已实现波动率
    price_series: 价格序列（带时间戳）
    freq: 重采样频率，默认5分钟
    """
    # 重采样到指定频率
    resampled = price_series.resample(freq).last()
    # 计算对数收益率
    log_returns = np.log(resampled / resampled.shift(1))
    # 计算已实现波动率
    rv = np.sum(log_returns ** 2)
    return np.sqrt(rv * 252)  # 年化

实战技巧：我建议你同时计算多个频率的RV（1分钟、5分钟、15分钟），然后取中位数。这样能有效避免单个频率的噪声干扰。

二、跳跃波动率：别被「假波动」骗了

你有没有遇到过这种情况？某只股票突然暴跌，你以为是重大利空，结果两分钟后价格又拉回来了。这种「闪崩」就是典型的跳跃波动。

跳跃波动率（Jump Volatility）和连续波动率（Continuous Volatility）的区别在于：连续波动是市场正常交易产生的，跳跃波动是突发事件导致的。

怎么分离它们？我常用的方法是「双幂次变差」（Bipower Variation）：

def bipower_variation(returns):
    """
    计算双幂次变差（连续波动部分）
    """
    n = len(returns)
    mu1 = np.sqrt(2 / np.pi)  # 标准正态分布的一阶绝对矩
    bpv = (np.pi / 2) * np.sum(np.abs(returns[1:]) * np.abs(returns[:-1])) / (n - 1)
    return bpv

然后跳跃波动率就是：

jump_variation = max(0, rv - bipower_variation(returns))

我曾经在分析某只妖股时，发现它的跳跃波动率占比高达 40%。这意味着什么？意味着如果你用普通波动率模型去定价期权，会严重高估它的价值。

避坑指南：跳跃波动率不能为负。如果计算出来是负数，说明你的数据频率有问题，或者采样间隔太短。我建议把负值直接截断为0。

三、日内波动率模型：U型曲线的秘密

日内波动率有个很有意思的规律——它通常呈 U 型。开盘和收盘时波动大，中午休息时波动小。这个现象在 A 股尤其明显。

我常用的日内波动率模型是「周期条件异方差模型」（Periodic GARCH）：

def intraday_volatility_pattern(intraday_returns, n_periods=48):
    """
    计算日内波动率模式
    n_periods: 日内分段数（5分钟一段，一天48段）
    """
    # 计算每个时间段的平均波动率
    pattern = np.zeros(n_periods)
    for i in range(n_periods):
        period_returns = intraday_returns[i::n_periods]
        pattern[i] = np.std(period_returns)
    # 归一化
    pattern = pattern / np.mean(pattern)
    return pattern

这个模式有什么用？举个例子：如果你在做高频做市策略，中午时段波动率低，你的买卖价差就应该收窄。否则你会被高频套利者反复收割。

我记得有一次帮一家私募优化算法交易，他们发现下午 2:30 之后滑点特别大。我一看日内波动率曲线，好家伙，那个时段正好是波动率飙升的拐点。后来我们调整了订单切片策略，把大单拆得更细，滑点直接降了 30%。

四、波动率预测：HAR-RV 模型

预测波动率，我个人最推荐的是 HAR-RV 模型（Heterogeneous Autoregressive model for Realized Volatility）。它简单、有效、可解释性强。

核心思想：不同时间频率的投资者行为不同。日频交易者看 1 天，周频交易者看 5 天，月频交易者看 22 天。把这些因素都考虑进去：

def har_rv_forecast(rv_daily, rv_weekly, rv_monthly, params):
    """
    HAR-RV 模型预测
    params: [beta0, beta1, beta2, beta3]
    """
    beta0, beta1, beta2, beta3 = params
    forecast = beta0 + beta1 * rv_daily + beta2 * rv_weekly + beta3 * rv_monthly
    return forecast

参数估计用 OLS 就行。我习惯用过去 252 个交易日的数据滚动估计，每天更新一次参数。

经验之谈：HAR-RV 模型在预测 1-5 天的波动率时效果最好。超过 10 天，它的预测能力会急剧下降。如果你想预测更长期，建议改用 GARCH 族模型。

五、知识体系总览

说了这么多，咱们用一张图来梳理一下整个波动率建模的知识体系：

波动率建模知识体系 波动率建模 已实现波动率 跳跃波动率 日内波动率模型 波动率预测 5分钟频率 年化处理 双幂次变差 跳跃分离 U型模式 周期GARCH HAR-RV模型 滚动参数估计 核心：高频数据 → 波动率分解 → 模式识别 → 预测 数据频率决定模型精度，模型选择取决于预测周期

六、实战中的注意事项

最后，分享几个我在实战中踩过的坑：

  1. 数据清洗比模型更重要。 我曾经用了一周时间调 HAR-RV 的参数，结果发现是数据里有几个异常值。清洗之后，模型效果直接翻倍。
  2. 不要迷信复杂的模型。 我见过有人用深度学习预测波动率，效果还不如简单的 HAR-RV。为什么？因为波动率本身有很强的自相关性，线性模型已经能捕捉大部分信息。
  3. 注意市场微观结构噪声。 高频数据里充满了买卖价差、订单簿不平衡等噪声。如果你不做预处理，算出来的 RV 会严重偏大。

我的建议：刚开始做波动率建模，先跑通 RV 和 HAR-RV 这两个基础模型。等你对数据有了感觉，再慢慢加入跳跃波动、日内模式这些高级内容。别一上来就想搞个大新闻，稳扎稳打才是正道。

好了，波动率建模这块就聊到这儿。代码都给你了，回去跑一跑，看看你的股票池里，哪些是「老实人」（连续波动为主），哪些是「戏精」（跳跃波动占比高）。

← 上一章 📖 返回目录 下一章 →