3、历史波动率的计算方法：简单标准差法、对数收益率法、加权移动平均法、指数加权移动平均法（EWMA）

历史波动率是量化交易与衍生品定价中最基础的输入变量之一。它度量的是标的资产价格在特定历史窗口内的波动剧烈程度，本质上是收益率序列的统计离散度。不同的计算方法对近期价格变化的敏感度不同，对异常值的反应也不同，因此在实际交易决策中，选择哪种算法直接决定了波动率信号的时效性与平滑性。本章将系统拆解四种主流的历史波动率计算方法：简单标准差法、对数收益率法、加权移动平均法以及指数加权移动平均法（EWMA），从数学原理、计算流程、适用场景到实战案例逐一展开，帮助交易者建立一套可落地、可验证的波动率计算与选择框架。

3.1 简单标准差法：最基础的波动率度量

核心原理

简单标准差法（Simple Standard Deviation）是历史波动率最朴素的计算方式。其数学基础是统计学中的总体/样本标准差公式，应用于金融资产时，通常以每日收盘价（或收益率）为样本，计算过去 N 个交易日内收益率的标准差。公式如下：

σ = √[ Σ(Rᵢ - R̄)² / (N - 1) ]

其中 Rᵢ 为第 i 日的简单收益率（(Pᵢ - Pᵢ₋₁) / Pᵢ₋₁），R̄ 为 N 日收益率的算术平均值，N 为窗口期长度。使用 N-1 作为分母是为了获得样本方差的无偏估计。该方法的本质是假设所有历史数据对当前波动率的贡献是等权的，即 10 天前的价格变动与昨天的价格变动对波动率的影响完全相同。

操作流程

1. 确定窗口期 N：常见选择为 10 日、20 日、30 日、60 日。窗口越短，波动率对近期市场变化越敏感，但噪声也越大；窗口越长，曲线越平滑，但反应滞后。
2. 计算每日简单收益率：Rᵢ = (Pᵢ - Pᵢ₋₁) / Pᵢ₋₁，其中 Pᵢ 为第 i 日收盘价。
3. 计算收益率均值：R̄ = (1/N) × ΣRᵢ。
4. 计算方差与标准差：先求每个收益率与均值的离差平方和，除以 N-1 得到方差，再开平方得到标准差。
5. 年化处理：将日波动率乘以 √252（一年约 252 个交易日），得到年化波动率。

案例拆解：20 日简单标准差法在沪深 300 指数上的应用

假设我们以沪深 300 指数为标的，取 2024 年 1 月 2 日至 2024 年 1 月 31 日共 22 个交易日数据（含首日作为基准）。计算每日简单收益率后，得到 21 个收益率样本。假设这 21 个收益率的均值为 0.0008，离差平方和为 0.0036，则样本方差为 0.0036 / 20 = 0.00018，标准差为 √0.00018 ≈ 0.01342，即日波动率约 1.34%。年化后为 0.01342 × √252 ≈ 21.3%。这意味着在过去一个月内，沪深 300 的年化波动率约为 21.3%。该数值可作为期权定价、风险限额设定的参考基准。

常见误区

• 混淆总体与样本标准差：金融实践中几乎总是使用样本标准差（分母 N-1），但部分初学者会误用总体标准差（分母 N），导致波动率被低估，尤其在 N 较小时差异明显。
• 忽视年化因子：日波动率与年化波动率之间相差 √252 倍，若直接比较不同周期的波动率而不做年化处理，会产生严重误判。
• 窗口期选择随意：不同策略周期应匹配不同窗口。日内高频交易若使用 60 日窗口，波动率信号会严重滞后，无法捕捉盘中波动聚集。

3.2 对数收益率法：连续复利视角下的波动率

核心原理

对数收益率法（Log Return Method）使用价格的自然对数差作为收益率度量，即 rᵢ = ln(Pᵢ / Pᵢ₋₁)。相比简单收益率，对数收益率具有两个关键优势：一是时间可加性，即多期对数收益率等于各期对数收益率之和；二是其分布更接近正态分布，更适合金融建模中的统计假设。在计算波动率时，对数收益率法的标准差公式与简单标准差法相同，只是将 Rᵢ 替换为 rᵢ。

操作流程

1. 计算对数收益率序列：rᵢ = ln(Pᵢ) - ln(Pᵢ₋₁)。
2. 计算均值与标准差：与简单标准差法相同，但使用对数收益率序列。
3. 年化处理：同样乘以 √252。

对比分析：简单收益率 vs 对数收益率

维度	简单收益率	对数收益率
数学形式	(Pᵢ - Pᵢ₋₁) / Pᵢ₋₁	ln(Pᵢ / Pᵢ₋₁)
多期可加性	不可直接相加	可直接相加
分布特征	右偏，有下限 -100%	近似对称，无下限
计算复杂度	低	需取对数，略高
适用场景	简单直观，适合快速估算	学术研究、衍生品定价、跨周期换算

案例拆解：跨周期波动率换算

某交易员使用对数收益率法计算得到某股票日波动率为 2.5%，需要估算周波动率（5 个交易日）和月波动率（21 个交易日）。由于对数收益率的可加性，周波动率 = 2.5% × √5 ≈ 5.59%，月波动率 = 2.5% × √21 ≈ 11.46%。若使用简单收益率，这种换算在理论上不成立，因为简单收益率不具备可加性。实际中，当收益率较小时（如日收益率小于 2%），两种方法的结果差异很小；但在高波动市场（如加密货币日波动率超过 10%），差异会显著放大。

常见误区

• 混用两种收益率：在同一模型中同时使用简单收益率和对数收益率会导致统计口径不一致，影响波动率估计的准确性。
• 忽略价格为零或负值的情况：对数收益率要求价格严格为正，若标的价格出现零或负值（如某些期货合约在极端情况下），则无法计算。

3.3 加权移动平均法：赋予近期数据更高权重

核心原理

加权移动平均法（Weighted Moving Average, WMA）的核心思想是：距离当前时间越近的数据，对当前波动率的影响越大。与简单标准差法等权处理不同，WMA 为每个历史收益率分配一个线性递减的权重。权重公式通常为：wᵢ = i / [N(N+1)/2]，其中 i 为从最远到最近的序号（i=1 为最远，i=N 为最近）。这样最近一天的权重最大，最远一天的权重最小，权重总和为 1。

操作流程

1. 确定窗口期 N 和权重序列：例如 N=5 时，权重分别为 1/15、2/15、3/15、4/15、5/15（从最远到最近）。
2. 计算加权平均收益率：R̄_w = Σ(wᵢ × rᵢ)。
3. 计算加权方差：σ²_w = Σ[wᵢ × (rᵢ - R̄_w)²]。
4. 开方并年化：σ_w = √σ²_w，再乘以 √252。

案例拆解：WMA 在商品期货波动率跟踪中的应用

以螺纹钢期货为例，取最近 5 个交易日的对数收益率：-0.8%、1.2%、0.5%、-0.3%、0.9%（从最远到最近）。权重分别为 1/15、2/15、3/15、4/15、5/15。加权平均收益率 = (1/15×(-0.008)) + (2/15×0.012) + (3/15×0.005) + (4/15×(-0.003)) + (5/15×0.009) = -0.00053 + 0.0016 + 0.001 + -0.0008 + 0.003 = 0.00427。加权方差 = 1/15×(-0.008-0.00427)² + 2/15×(0.012-0.00427)² + 3/15×(0.005-0.00427)² + 4/15×(-0.003-0.00427)² + 5/15×(0.009-0.00427)² ≈ 0.0000101 + 0.0000119 + 0.0000001 + 0.0000141 + 0.0000075 = 0.0000437。加权标准差 ≈ 0.00661，即日波动率 0.66%，年化约 10.5%。对比简单标准差法（等权）计算的结果约为 0.0081（年化 12.9%），WMA 因为给近期较小波动更高的权重，所以波动率估计更低，更贴近当前市场状态。

常见误区

• 权重设计不合理：权重必须单调递增（从远到近），且总和为 1。若权重跳跃或非单调，会导致波动率估计出现扭曲。
• 窗口期过短导致权重极端：当 N=3 时，最近一天权重为 3/6=50%，若该日出现异常波动，波动率会被过度放大。

3.4 指数加权移动平均法（EWMA）：风险管理的行业标准

核心原理

指数加权移动平均法（Exponentially Weighted Moving Average, EWMA）是 RiskMetrics 集团在 1994 年提出的波动率估计方法，至今仍是金融风险管理领域的事实标准。其核心公式为：

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

其中 σ²_t 为第 t 日的方差估计，λ 为衰减因子（0 < λ < 1），r_{t-1} 为第 t-1 日的对数收益率。该公式是一个递归过程：今天的方差是昨天方差与昨天收益率平方的加权平均。λ 越大，历史数据的影响衰减越慢，波动率曲线越平滑；λ 越小，近期数据权重越大，波动率对市场变化越敏感。RiskMetrics 建议对日数据使用 λ=0.94，对月数据使用 λ=0.97。

操作流程

1. 初始化方差：通常使用样本窗口内（如 30 日）的简单方差作为初始 σ²₀。
2. 逐日递推：从第 1 天开始，按公式 σ²_t = λ × σ²_{t-1} + (1 - λ) × r²_{t-1} 逐日计算。
3. 取平方根并年化：σ_t = √σ²_t，再乘以 √252。

案例拆解：EWMA 在外汇市场波动率监控中的实战

某外汇交易团队监控 EUR/USD 的日波动率，采用 EWMA 模型，λ=0.94。初始方差设为 0.0001（即日波动率 1%）。假设连续 5 日的收益率平方分别为：0.0004、0.0001、0.0009、0.000025、0.000225。递推过程如下：

第1天：σ²₁ = 0.94×0.0001 + 0.06×0.0004 = 0.000094 + 0.000024 = 0.000118
第2天：σ²₂ = 0.94×0.000118 + 0.06×0.0001 = 0.0001109 + 0.000006 = 0.0001169
第3天：σ²₃ = 0.94×0.0001169 + 0.06×0.0009 = 0.0001099 + 0.000054 = 0.0001639
第4天：σ²₄ = 0.94×0.0001639 + 0.06×0.000025 = 0.0001541 + 0.0000015 = 0.0001556
第5天：σ²₅ = 0.94×0.0001556 + 0.06×0.000225 = 0.0001463 + 0.0000135 = 0.0001598

第 5 天的日波动率为 √0.0001598 ≈ 1.26%，年化约 20.1%。对比简单标准差法（若用同样 5 天数据），简单标准差约为 1.18%，年化 18.7%。EWMA 因为对第 3 天的高波动（0.0009）赋予了更高权重（0.06），所以波动率估计更高，更及时地反映了近期风险上升。

常见误区

• 忽略初始值的影响：EWMA 的初始方差会影响前 N 天的估计结果，尤其在样本较短时。建议使用至少 30 天的历史数据来初始化。
• 盲目使用 λ=0.94：RiskMetrics 的 0.94 是针对大样本、多资产类别的经验值，并非所有市场都适用。加密货币、小盘股等波动聚集性强的资产可能需要更小的 λ（如 0.90）。
• 未处理极端收益率：若某日出现极端收益率（如 10% 的涨跌），EWMA 会将其平方值以 (1-λ) 的权重纳入，可能导致波动率瞬间跳升。可考虑对收益率进行截断或使用稳健统计方法。

3.5 四种方法对比与选择框架

方法	权重模式	灵敏度	平滑度	计算复杂度	适用场景
简单标准差法	等权	低	高	极低	低频策略、长期风险预算、教学演示
对数收益率法	等权（基于对数收益）	低	高	低	学术研究、跨周期换算、衍生品定价
加权移动平均法	线性递减	中	中	中	中频策略、周度调仓、趋势跟踪
EWMA	指数递减	高	低	低（递归）	高频交易、实时风控、VaR 计算

选择决策路径

1. 明确策略周期：日内或隔夜交易优先选择 EWMA（λ=0.90-0.94）；周度调仓选择 WMA 或 EWMA（λ=0.97）；月度调仓选择简单标准差法或对数收益率法。
2. 评估数据噪声：若标的价格经常出现跳空或异常值，简单标准差法容易失真，此时 EWMA 的平滑特性更稳健。
3. 考虑计算资源：EWMA 只需存储两个变量，计算效率最高；WMA 需要存储整个窗口的收益率序列，内存占用略高。
4. 回测验证：无论选择哪种方法，都应通过历史回测比较不同参数下的波动率预测误差（如使用均方根误差 RMSE 对比预测波动率与实际已实现波动率）。

在实际交易决策体系中，历史波动率不仅是期权定价的输入，更是仓位管理、止损设置、对冲比率计算的核心变量。交易者应建立一套波动率计算的标准化流程：首先确定策略周期与风险偏好，其次选择匹配的计算方法，然后通过滚动窗口持续更新波动率估计，最后将波动率信号与价格趋势、成交量等指标结合，形成完整的交易决策闭环。本章介绍的四种方法构成了从基础到进阶的完整工具链，交易者可根据自身需求灵活组合使用。