摘要： 本文是“从零开始搭建期权量化交易系统”系列的第三篇。上一篇我们学习了期权基础、数据获取和Black-Scholes定价模型。今天，我们将深入期权量化交易最核心的领域——波动率分析。我们将系统梳理历史波动率与隐含波动率的计算方法，理解波动率微笑与波动率曲面的含义，并介绍如何使用GARCH模型预测波动率。通过Python代码实现波动率计算与可视化，为后续的波动率交易策略打下坚实的理论与实践基础。

---

大家好，我是你们的老朋友。

在前两篇文章中，我们了解了期权的基础知识和定价模型。如果说期权定价有什么最难把握的地方，那一定非波动率莫属。方向可以判断，时间可以计算，但波动率既是市场的“恐惧指数”，又是期权价格的“温度计”。几乎所有的专业期权交易策略，本质都是在交易波动率。

今天这篇文章，我们就来揭开波动率的神秘面纱，并学会用Python去计算、分析和预测它。掌握了波动率，你就掌握了期权量化的钥匙。

一、波动率的种类与计算

波动率在期权世界里有多重身份，理解它们的区别是第一步。

1.1 历史波动率

历史波动率（Historical Volatility, HV）是从标的历史价格数据中计算出的实际波动率。它反映的是过去一段时间价格的真实“颠簸”程度。

计算步骤很简单：

1. 计算每日对数收益率或简单收益率。
2. 计算这些收益率的标准差。
3. 将标准差年化（乘以√252）。

以下是使用akshare获取沪深300ETF数据并计算历史波动率的代码：

    import akshare as ak
    import pandas as pd
    import numpy as np

    # 获取沪深300ETF日线数据
    etf = ak.fund_etf_hist_em(symbol='510300', period='daily', start_date='20230101', end_date='20241231')
    etf['日期'] = pd.to_datetime(etf['日期'])
    etf.set_index('日期', inplace=True)

    # 计算对数收益率
    etf['log_return'] = np.log(etf['收盘'] / etf['收盘'].shift(1))

    # 计算30日历史波动率（年化）
    etf['hv_30'] = etf['log_return'].rolling(30).std() * np.sqrt(252)

    print(etf[['收盘', 'hv_30']].tail())

通过rolling(30).std()我们获得了过去30个交易日的日收益率标准差，乘以√252就得到年化历史波动率。

1.2 隐含波动率

隐含波动率（Implied Volatility, IV）则完全不同。它不是从历史数据算出的，而是从期权的市场价格反推出来的波动率。它代表市场对未来波动率的预期。

当市场恐慌时（如大跌），投资者愿意为期权支付更高的价格，隐含波动率就会飙升。我们可以将市场上的期权价格代入上一篇文章实现的implied_volatility函数来求解IV。这里再次回顾一下实现方式：

    from scipy.stats import norm

    def black_scholes(S, K, T, r, sigma, option_type='call'):
        if T <= 0:
            return max(0, S - K) if option_type == 'call' else max(0, K - S)
        d1 = (np.log(S / K) + (r + 0.5 * sigma**2) * T) / (sigma * np.sqrt(T))
        d2 = d1 - sigma * np.sqrt(T)
        if option_type == 'call':
            return S * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2)
        else:
            return K * np.exp(-r * T) * norm.cdf(-d2) - S * norm.cdf(-d1)

    def implied_volatility(price, S, K, T, r, option_type='call', tol=1e-6, max_iter=100):
        lo, hi = 0.001, 5.0
        for _ in range(max_iter):
            mid = (lo + hi) / 2
            bs_price = black_scholes(S, K, T, r, mid, option_type)
            if bs_price > price:
                hi = mid
            else:
                lo = mid
            if abs(bs_price - price) < tol:
                return mid
        return (lo + hi) / 2

实际使用时，只需将某期权合约的市场价、标的价格、行权价、剩余时间和无风险利率代入即可得到IV。

1.3 波动率微笑与波动率偏斜

在Black-Scholes模型的假设中，波动率是常数。但在现实市场中，不同行权价的期权合约有着不同的隐含波动率，将行权价与IV画成图，就会得到著名的波动率微笑或波动率偏斜。

• 股票/ETF期权：通常呈现偏斜形态，即低行权价（虚值看跌）的IV明显高于高行权价（虚值看涨）的IV。这是因为市场更担心崩盘风险，愿意为看跌期权支付更高的保险费用。
• 货币期权：有时呈现对称的微笑，因为汇率可能向任一方向大幅波动。
• 商品期权：偏斜方向取决于供需格局。

我们可以用某一天的期权链数据绘制波动率偏斜图，直观感受市场情绪。

二、波动率曲面与套利观察

将不同行权价和不同到期日的隐含波动率放在一起，就构成了波动率曲面。它为交易者提供了全面的定价信息。

波动率曲面通常具有以下特征：

• 到期日效应：临近到期日的期权波动率变化更剧烈。
• 行权价结构：曲面在平值附近可能有“凹陷”或“凸起”。

量化策略可以通过波动率曲面寻找套利机会：

• 垂直套利：当同一到期日不同行权价的IV差偏离正常范围时，可以买入低估合约、卖出高估合约。
• 水平套利（日历价差）：当近月与远月IV差过大时，可以做空近月波动率、做多远月波动率。

虽然个人投资者较难直接交易波动率曲面套利，但理解其结构对把握期权定价偏差至关重要。我们可以使用akshare获取多条合约数据后，用matplotlib的三维绘图功能可视化波动率曲面。

三、波动率预测：GARCH模型

历史波动率反映过去，隐含波动率反映当下预期。如果想更进一步，我们需要预测未来波动率。GARCH（广义自回归条件异方差）模型是应用最广泛的波动率预测模型之一。

3.1 GARCH模型原理

金融时间序列常表现出波动聚集现象：高波动之后往往跟着高波动，低波动之后往往跟着低波动。GARCH模型正是为捕捉这种特性而设计的。其基本思想是：当期的波动率可以由过去的波动率和过去的收益率扰动来预测。

一个标准的GARCH(1,1)模型如下：

    σ_t² = ω + α * ε_{t-1}² + β * σ_{t-1}²

其中σ_t²是当期方差，ε_{t-1}²是上一期收益率残差的平方，σ_{t-1}²是上一期方差。α + β 越接近1，波动持续性越强。

3.2 Python实现与预测

我们可以使用arch库非常方便地拟合GARCH模型。首先安装：

    pip install arch

然后导入并建模：

    import pandas as pd
    import numpy as np
    from arch import arch_model

    # 准备收益率数据（去掉空值）
    returns = etf['log_return'].dropna() * 100  # 转换为百分比

    # 拟合GARCH(1,1)模型
    model = arch_model(returns, vol='Garch', p=1, q=1)
    fitted = model.fit(disp='off')
    print(fitted.summary())

    # 预测未来5天的波动率
    forecast = fitted.forecast(horizon=5)
    predicted_vol = np.sqrt(forecast.variance.iloc[-1, :])
    print('未来5天预测日波动率（%）：', predicted_vol.values)

将预测得到的日波动率乘以√252，即可转换为年化波动率。预测结果可以用于期权定价、调整仓位大小或设置止损幅度。

3.3 预测波动率 vs 隐含波动率

将GARCH预测的波动率与当前隐含波动率进行比较，是波动率交易的经典思路：

• 如果预测波动率 > 隐含波动率，说明期权可能被低估，适合买入期权（做多波动率）。
• 如果预测波动率 < 隐含波动率，说明期权可能被高估，适合卖出期权（做空波动率）。

当然，模型预测一定有误差，实盘中需要加入安全边际并严格风控。

四、波动率指数简介

提到波动率，就不得不提VIX指数（波动率指数）。它是由期权价格推算出来的、反映市场对未来30天波动预期的指数，通常被称为“恐慌指数”。

• 美国有标普500的VIX指数。
• 中国也有基于上证50ETF期权的上证50ETF波动率指数（简称“中国波指”或“iVX”）。

波动率指数与标的指数通常呈负相关：市场大跌时，恐慌情绪上升，波动率指数飙升。有些交易者直接交易VIX期货或期权来对冲市场风险。

我们可以利用akshare获取波动率指数数据进行分析，比如观察波动率指数的均值回复特性。

五、本篇总结

今天我们深入了期权交易最核心的变量——波动率：

• 历史波动率：基于历史价格计算，反映实际波动。
• 隐含波动率：从期权价格反推，反映市场预期。
• 波动率微笑与曲面：不同行权价和到期日的IV分布，蕴含市场情绪和套利机会。
• GARCH模型：预测未来波动率的有效工具，可用于与IV比较，制定交易策略。

掌握了这些工具，你就有了判断期权“贵不贵”的能力，这是所有波动率交易策略的前提。在下一篇文章中，我们将开始构建具体的期权策略，首先从方向性策略（备兑、保护性看跌、价差策略）入手，用Python进行完整回测。

下一篇预告：期权量化交易系列（四）——经典方向性策略：备兑、保护性看跌与价差策略

你准备好用代码构建自己的期权策略了吗？咱们下篇见！