4、波动率口径详解：历史波动率、已实现波动率、隐含波动率、波动率锥

波动率是量化回测与期权定价中最核心的风险度量指标。不同口径的波动率在计算逻辑、数据来源与应用场景上存在本质差异。本章系统梳理四种主流波动率口径，并重点说明其在回测标签校准与模型训练中的对齐方式。

4.1 四种波动率口径总览

4.2 历史波动率（HV）

历史波动率基于过去 N 个交易日的收盘价对数收益率计算标准差，再年化。公式如下：

# 历史波动率计算（Python 示例）
import numpy as np

def historical_volatility(prices, window=20, trading_days=252):
    log_returns = np.log(prices[1:] / prices[:-1])
    rolling_std = np.sqrt(np.sum((log_returns[-window:])**2) / (window - 1))
    return rolling_std * np.sqrt(trading_days)

• 窗口选择： 常用 20 日（月）、60 日（季）、252 日（年）。窗口越短，波动率对近期事件越敏感，但噪声越大。
• 局限性： 等权处理所有历史数据，无法反映波动率聚集的时变特征；对跳跃事件反应滞后。
• 回测角色： 作为特征（X）用于波动率预测模型，或作为波动率锥的输入之一。

4.3 已实现波动率（RV）

已实现波动率利用日内高频数据（如 5 分钟、1 分钟或 tick 级数据）计算，是真实波动率的无偏估计量。RV 是回测标签生成的首选口径。

# 已实现波动率计算（5 分钟频率示例）
def realized_volatility(high_freq_prices, trading_days=252):
    # high_freq_prices: 日内等间隔价格序列
    log_returns = np.log(high_freq_prices[1:] / high_freq_prices[:-1])
    rv = np.sqrt(np.sum(log_returns**2) * trading_days)
    return rv

4.4 隐含波动率（IV）

隐含波动率是从期权市场价格反推出的波动率，反映市场对未来波动率的预期。IV 是前瞻性指标，与 HV/RV 存在系统性偏差。

• 计算方式： 通过期权定价模型（如 Black-Scholes）迭代求解，使模型价格等于市场价格。
• 关键特征：
  • 波动率微笑/偏斜： 不同行权价的 IV 不同，反映市场对尾部风险的定价。
  • 期限结构： 不同到期日的 IV 不同，形成波动率曲面。
  • 风险溢价： IV 通常高于 RV（方差风险溢价），差值可作为特征。
• 回测角色： 作为特征（X）或作为标签校准的参考基准（例如，当 IV 显著高于 RV 时，可能预示波动率高估）。

4.5 波动率锥（Volatility Cone）

波动率锥通过计算不同持有期下 RV 的分位数（如 10%、25%、50%、75%、90%），形成波动率的期限结构分布。它解决了“当前波动率是否异常”的问题。

波动率锥在回测标签校准中的应用：

• 异常值检测： 若当前 RV 超过 90% 分位线，标记为极端波动事件，在标签生成中做截断或 Winsorize 处理。
• 阈值设定： 根据锥的中位数（50%）和四分位距（IQR）设定波动率标签的“高/中/低”分类阈值。
• 期限结构对齐： 回测持有期与锥的持有期必须一致。例如，20 日持有期回测应使用 20D RV 及其对应的锥分位数。

4.6 四种口径在回测标签校准中的协同