3. 波动率基础

在波动率目标CTA策略中，波动率不是附属指标，而是仓位计算的核心输入。理解波动率的定义、来源与度量方式，直接决定了后续动态仓位公式是否可靠。本节从最基础的概念出发，建立可用于实战的波动率认知框架。

一、波动率的本质：收益的不确定性度量

波动率（Volatility）衡量的是资产收益率围绕其均值波动的程度。在金融工程中，它通常被定义为收益率的标准差，并以年化形式表达。若某期货品种日收益率标准差为1%，按一年约252个交易日计算，年化波动率约为 1% × √252 ≈ 15.87%。

波动率具有三个关键特征：

• 不可直接观测：它是统计推断量，而非市场价格本身，只能通过收益率序列估计。
• 具有聚集性：高波动往往伴随高波动，低波动伴随低波动，这为波动率目标策略提供了可预测性基础。
• 均值回归倾向：极端高波动或低波动通常难以长期持续，存在向中枢回归的倾向。

二、历史波动率与隐含波动率的区别

历史波动率（Historical Volatility, HV）基于已实现的收益率序列计算，属于“向后看”的统计量；隐含波动率（Implied Volatility, IV）则从期权市场价格反推而来，反映市场对未来波动的预期，属于“向前看”的预期量。

对于以期货为主要标的的CTA策略，历史波动率是更直接、更稳定的输入。隐含波动率虽不直接用于仓位公式，但可作为辅助判断：当IV显著高于HV时，往往意味着市场预期未来波动放大，可提前收紧仓位。

三、常见波动率指标与计算方式

实战中常用的波动率指标包括以下几类：

1. 简单历史波动率：对最近N日收益率求标准差并年化，计算简单但对极端值敏感。
2. 指数加权波动率（EWMA）：对近期数据赋予更高权重，响应更快，适合捕捉波动率突变。
3. Parkinson波动率：利用最高价与最低价估计，比收盘价法更高效，适合日内波动较大的品种。
4. Garman-Klass波动率：同时使用开高低收四个价格，信息利用率更高。
5. ATR（平均真实波幅）：虽非严格波动率，但常作为仓位缩放的替代指标，直观反映价格波动幅度。

以下为Python中计算年化历史波动率与EWMA波动率的示例：

import numpy as np
import pandas as pd

# 假设 df 包含 'close' 列
returns = np.log(df['close'] / df['close'].shift(1)).dropna()

# 简单历史波动率（20日，年化）
hv_20 = returns.rolling(20).std() * np.sqrt(252)

# EWMA波动率（lambda=0.94，年化）
ewma_var = returns.ewm(alpha=0.06, adjust=False).var()
ewma_vol = np.sqrt(ewma_var) * np.sqrt(252)

# ATR（14日）
high, low, close = df['high'], df['low'], df['close']
tr = pd.concat([
    high - low,
    (high - close.shift()).abs(),
    (low - close.shift()).abs()
], axis=1).max(axis=1)
atr_14 = tr.rolling(14).mean()

四、波动率指标的选择与常见误区

不同波动率指标在实战中的表现差异明显。选择时需考虑品种特性、调仓频率与策略目标。以下为常见误区与复盘要点：

• 误区一：窗口越短越好。过短窗口噪声大，仓位频繁跳动，交易成本上升。建议结合策略调仓周期选择窗口。
• 误区二：忽略年化因子。不同品种交易天数不同，年化因子应统一，否则跨品种比较失真。
• 误区三：直接用ATR替代波动率。ATR与价格水平相关，未标准化，跨品种不可比，需除以价格转为百分比形式。
• 误区四：忽视波动率突变。当HV突然跳升时，应设置上限或平滑机制，避免仓位骤降引发过度反应。

下图展示了从价格序列到波动率估计、再到仓位缩放的核心数据链路，帮助理解各环节的输入输出关系。