2、波动率基础：波动率的定义、度量方法（历史波动率、隐含波动率）、波动率微笑与期限结构
波动率是金融衍生品定价与风险管理的核心变量。在随机波动率模型中，波动率本身被视为一个随机过程，因此理解其基本属性、度量方法及市场特征是学习后续模型构建的前提。本章将系统梳理波动率的定义、历史波动率与隐含波动率的计算逻辑、波动率微笑与期限结构的成因，为后续引入Heston、SABR等模型奠定基础。
2.1 波动率的定义与核心原理
波动率（Volatility）在金融学中定义为资产收益率的标准差，衡量的是资产价格的不确定性或离散程度。数学上，若资产价格 \(S_t\) 遵循几何布朗运动：
dS_t = μ S_t dt + σ S_t dW_t其中 σ 即为波动率，表示单位时间内资产价格对数的标准差。波动率具有以下关键属性：
- 非负性：波动率始终大于等于零，零波动率意味着资产价格确定不变。
- 时变性：波动率并非恒定常数，而是随时间变化，存在波动率聚集（Volatility Clustering）现象。
- 均值回归：长期来看，波动率会围绕某个长期均值水平上下波动，高波动率时期之后往往跟随低波动率时期。
- 杠杆效应：资产价格下跌时波动率上升的幅度通常大于价格上涨时波动率下降的幅度。
在衍生品定价中，波动率是唯一无法直接从市场观察到的输入参数，因此其估计与建模成为量化金融的核心问题。
2.2 历史波动率的度量方法
历史波动率（Historical Volatility, HV）基于过去一段时间内的资产价格数据计算，反映的是已实现的价格波动程度。其计算流程如下：
- 数据采集：获取资产在时间窗口内的收盘价序列 \(S_0, S_1, ..., S_n\)，窗口长度通常为20、30、60或252个交易日。
- 计算对数收益率：\(r_i = \ln(S_i / S_{i-1})\)，使用对数收益率而非简单收益率，因为对数收益率具有可加性且更接近正态分布假设。
- 计算收益率标准差：\(\sigma_{样本} = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (r_i - \bar{r})^2}\)，其中 \(\bar{r}\) 为样本均值。
- 年化处理：将日波动率转换为年化波动率：\(\sigma_{年化} = \sigma_{日} \times \sqrt{252}\)（假设一年252个交易日）。
| 度量方法 | 计算方式 | 优点 | 局限 |
|---|---|---|---|
| 简单历史波动率 | 等权重计算收益率标准差 | 计算简单、直观 | 对近期数据与远期数据权重相同，反应滞后 |
| 加权历史波动率 | 对近期收益率赋予更高权重（如指数加权） | 更敏感于近期市场变化 | 权重参数需要主观选择 |
| Parkinson波动率 | 基于最高价与最低价计算 | 利用了日内价格区间信息，效率更高 | 对跳空和极端值敏感 |
| GARCH波动率 | 使用GARCH模型拟合条件方差 | 捕捉波动率聚集与时变特征 | 模型设定误差可能影响估计结果 |
2.3 隐含波动率：市场预期的体现
隐含波动率（Implied Volatility, IV）是从期权市场价格中反推出来的波动率。给定期权市场价格 \(C_{市场}\)，利用Black-Scholes定价公式，反解出使得理论价格等于市场价格的波动率参数 σ。由于Black-Scholes公式中其他参数（标的价格、执行价格、到期时间、无风险利率）均可观测，唯一未知的就是波动率，因此IV本质上是市场参与者对标的资产未来波动率的集体预期。
隐含波动率的计算通常采用牛顿-拉夫逊迭代法或二分法：
目标：找到 σ* 使得 C_BS(S, K, T, r, σ*) = C_市场
迭代公式：σ_{n+1} = σ_n - (C_BS(σ_n) - C_市场) / Vega(σ_n)
其中 Vega = ∂C/∂σ = S·√T·φ(d1)隐含波动率具有以下重要特征：
- 前瞻性：反映市场对未来波动率的预期，而非历史表现。
- 微笑效应：不同执行价格的期权隐含波动率不同，通常呈现“微笑”或“偏斜”形态。
- 期限结构：不同到期时间的期权隐含波动率不同，形成波动率期限结构。
- 均值回归预期：当市场恐慌时，短期IV飙升，但长期IV相对稳定，反映市场预期波动率终将回归正常水平。
2.4 波动率微笑与期限结构
波动率微笑（Volatility Smile）描述的是隐含波动率与执行价格之间的关系。在Black-Scholes模型的恒定波动率假设下，不同执行价格的期权应具有相同的IV，但实际市场中IV往往呈现“微笑”形态：平值期权（ATM）的IV较低，而虚值（OTM）和实值（ITM）期权的IV较高。在股票市场中，通常呈现“偏斜”（Skew）形态——低执行价格的IV显著高于高执行价格的IV，这是因为市场参与者担心暴跌风险，愿意为下行保护支付更高溢价。
波动率期限结构（Term Structure）描述的是隐含波动率与到期时间之间的关系。通常，短期IV波动较大，长期IV相对平稳。在正常市场中，期限结构可能呈现“正向”形态（长期IV高于短期IV），反映长期不确定性更高；在危机时期，期限结构可能“倒挂”（短期IV高于长期IV），反映市场短期恐慌情绪浓厚。
| 市场状态 | 微笑形态 | 期限结构形态 | 典型场景 |
|---|---|---|---|
| 正常股票市场 | 左偏斜（低K高IV） | 正向（长期IV > 短期IV） | 经济平稳期 |
| 外汇市场 | 对称微笑 | 平坦或轻微正向 | 汇率波动相对对称 |
| 危机时期 | 极度左偏斜 | 倒挂（短期IV > 长期IV） | 市场恐慌、尾部风险担忧 |
| 商品市场 | 右偏斜或微笑 | 受供需与库存影响 | 原油、黄金等 |
波动率微笑与期限结构共同构成了波动率曲面（Volatility Surface），这是随机波动率模型校准的核心目标。Black-Scholes模型无法解释微笑现象，因此需要引入更复杂的模型——如局部波动率模型、随机波动率模型（Heston、SABR）或跳扩散模型——来拟合实际市场数据。
2.5 案例拆解：从市场数据理解波动率特征
假设某交易日，某股票当前价格 \(S_0 = 100\) 元，无风险利率 \(r = 2\%\)。我们观察到以下期权市场数据：
| 到期时间 | 执行价格 | 期权类型 | 市场价格 | 隐含波动率 |
|---|---|---|---|---|
| 30天 | 95 | 看涨 | 6.50 | 28.5% |
| 30天 | 100 | 看涨 | 3.20 | 22.0% |
| 30天 | 105 | 看涨 | 1.10 | 24.5% |
| 90天 | 100 | 看涨 | 5.80 | 23.5% |
| 180天 | 100 | 看涨 | 8.20 | 24.8% |
分析过程：
- 观察微笑形态：30天期权的IV在K=95时为28.5%，K=100时为22.0%，K=105时为24.5%。呈现明显的左偏斜形态——低执行价格IV显著高于高执行价格IV，表明市场担忧下行风险，愿意为95元以下的保护支付更高溢价。
- 观察期限结构：平值期权（K=100）的IV从30天的22.0%上升到90天的23.5%和180天的24.8%，呈现正向期限结构，反映市场预期长期不确定性略高于短期。
- 综合判断：该股票当前处于温和看跌情绪中，短期下行保护需求旺盛，但长期波动预期相对稳定。若使用Black-Scholes模型定价，将无法同时拟合这些不同执行价格和到期时间的期权价格。
校准启示：要准确拟合上述波动率曲面，需要引入随机波动率模型。例如，Heston模型通过引入波动率的均值回归过程，能够同时产生微笑效应和期限结构；SABR模型则通过参数β、ν和ρ灵活控制微笑的形状与倾斜程度。校准的目标是找到一组模型参数，使得模型隐含的IV曲面与市场观测到的IV曲面尽可能接近。
2.6 常见误区与总结
在波动率的学习与应用中，以下误区需要特别注意：
- 误区一：将历史波动率等同于未来波动率。历史波动率只是过去数据的统计描述，未来波动率可能因市场结构变化、事件冲击等因素而显著偏离历史水平。
- 误区二：认为隐含波动率是“正确”的波动率。IV包含风险溢价和市场情绪成分，并非对真实波动率的无偏估计。实证研究表明，IV通常高估了后续实际实现的波动率（方差风险溢价）。
- 误区三：忽视波动率曲面的动态变化。波动率微笑和期限结构并非静态不变，而是随市场状态、事件和时间推移而演化。模型校准需要定期更新参数。
- 误区四：混淆不同波动率概念。历史波动率、已实现波动率（基于高频数据）、隐含波动率、模型波动率（如GARCH条件波动率）各有不同的计算方法和应用场景，不能混为一谈。