原来基金经理都偷偷用这个指标选股，难怪回撤小还赚钱

你知道吗？不少稳健型基金经理都有一个"秘密武器"------自波动率。通过观察股票的波动情况，他们能挑选出低回撤、高胜率的股票组合，让资金在波动的市场里依然稳健增长。今天，我就教你怎么像基金经理一样，用波动率选股和控制风险。

什么是自波动率？为什么重要

简单来说，自波动率就是股票自身价格的波动幅度，通常用对数收益率的标准差来衡量。

为什么重要？因为波动率直接反映风险：

低波动率股票：通常价格平稳，波动小，组合回撤低。
高波动率股票：价格剧烈波动，收益可能高，但风险也大。

也难怪很多稳健型基金经理在做资产配置时，经常偏好低波动资产，尤其在震荡或熊市中，这些股票能有效保护资金安全。

那么问题来了：怎么计算"自波动率"？

花姐用最简单的思路，带你走一遍👇

1️⃣ 取历史价格数据

今天就不用xtquant+miniQMT了，我们用akshare库，通过ak.stock_zh_a_hist获取一段时间内的行情数据。

2️⃣ 计算对数收益率

假设收盘价记作 <math xmlns="http://www.w3.org/1998/Math/MathML"> X t X_t </math>Xt，那对数收益率 <math xmlns="http://www.w3.org/1998/Math/MathML"> Y t Y_t </math>Yt的计算公式是：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> Y t = log ⁡ ( X t ) − log ⁡ ( X t − 1 ) Y_t = \log(X_t) - \log(X_{t-1}) </math>Yt=log(Xt)−log(Xt−1)

这样做的好处是能消除价格级别的影响，让波动性更可比。

3️⃣ 算标准差，并年化 先算出日收益率的标准差，再乘以 <math xmlns="http://www.w3.org/1998/Math/MathML"> 252 \sqrt{252} </math>252 （假设一年 252 个交易日），就得到了年化波动率。

下面是一个简单示例，用茅台最近 252 个交易日的收盘价计算自波动率：

python 复制代码

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

data = ak.stock_zh_a_hist(symbol="600519", start_date='20200101',period="daily", adjust="qfq")


# 计算对数收益率
data['log_ret'] = np.log(data['收盘']) -np.log(data['收盘'].shift(1))

# 这2个计算公式同上面这一个
# data['log_ret'] = np.log(data['收盘'] / data['收盘'].shift(1))
# data['log_ret'] = np.log(data['收盘']).diff(1)

# 选取最新的252个数据，计算日波动率（标准差），再年化
daily_vol = data['log_ret'].tail(252).std()
# 年化波动率
annual_vol = daily_vol * np.sqrt(252)

print(f"最近252个交易日的自波动率为：{annual_vol:.2%}")

✅ 运行结果示例：年化波动率约 27.3%。

这个数意味着啥？

如果你要做低波动选股，茅台这个数值可以用来和别的股票比较。
你还能根据波动的变化，调整仓位大小，比如波动率升高时减仓，降低整体组合的风险。
对衍生品定价来说，波动率也是关键输入，甚至能帮你反推隐含波动率，从而判断价格是不是被高估或低估。

滚动波动率：动态观察风险

前面我们只是算了一个单一的年化自波动率，它能帮我们快速知道这只股票的"总体风险水平"。但实盘中，行情是一直变化的，如果我们每一天都往前推固定天数（比如252天）来算波动率，就能得到一条随时间变化的曲线，也就是滚动波动率。

Python 示例：

python 复制代码

import numpy as np
import pandas as pd
import akshare as ak
import matplotlib.pyplot as plt

symbol = "600519"  # 茅台
window = 252  # 1年
data = ak.stock_zh_a_hist(symbol=symbol, start_date='20200101',period="daily", adjust="qfq")
# 计算对数收益率
data['log_ret'] = np.log(data['收盘']) -np.log(data['收盘'].shift(1))

# 这2个计算公式同上面这一个
# data['log_ret'] = np.log(data['收盘'] / data['收盘'].shift(1))
# data['log_ret'] = np.log(data['收盘']).diff(1)

data['rolling_vol'] = data['log_ret'].rolling(window=window).std() * np.sqrt(252)
data.dropna(inplace=True)

# 可视化
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号 '-' 显示为方块的问题

fig, ax1 = plt.subplots(figsize=(12,5))

# 绘制滚动波动率（左轴）
ax1.plot(data['日期'], data['rolling_vol'], color='blue', label=f'{window}日波动率')
ax1.set_xlabel("日期")
ax1.set_ylabel("波动率", color='blue')
ax1.tick_params(axis='y', labelcolor='blue')

# 创建第二个 y 轴，共享 x 轴
ax2 = ax1.twinx()
ax2.plot(data['日期'], data['收盘'], color='orange', label='收盘价')
ax2.set_ylabel("收盘", color='orange')
ax2.tick_params(axis='y', labelcolor='orange')

# 合并图例
lines_1, labels_1 = ax1.get_legend_handles_labels()
lines_2, labels_2 = ax2.get_legend_handles_labels()
ax1.legend(lines_1 + lines_2, labels_1 + labels_2, loc='upper left')

plt.title(f"{symbol} {window}日波动率与收盘价")
plt.show()

橘线是收盘价，蓝线是波动率

这条曲线有意思的地方在于：

它不仅告诉你"风险有多大"，还告诉你"风险什么时候变大"。
你可以通过它，感知市场情绪的冷暖、风险的起伏，就像医生通过心电图判断病人的状态。

不过，这里还有一个关键问题------我到底该用多长的时间窗口（window）来算波动率？

不同窗口波动率的实盘应用

波动率并不是单一数字就够的，我们通常会用不同窗口观察股票，原因很简单：不同窗口反应不同层次的市场信息。

1️⃣ 短周期波动率（20~60日）

反应速度：非常快，对突发行情特别敏感。
优点：能及时捕捉到情绪波动和行情拐点。
缺点：噪音多，容易出现"假信号"。
实盘用法：
- 做短线策略时，当短周期波动率突然飙升，通常意味着市场正在加速波动，可以结合突破策略或区间突破止盈/止损。
- 仓位控制上，短周期波动率大幅高于中周期时，可以减仓避险。

2️⃣ 中周期波动率（120~252日）

反应速度：适中，能平衡灵敏度与稳定性。
优点：波动趋势更平滑，干扰少。
实盘用法：
- 趋势策略：在低波动环境中，趋势策略胜率更高。
- 风控基准：当中周期波动率超过设定阈值，触发降低杠杆或提高止损阈值的信号。

3️⃣ 长周期波动率（500日及以上）

反应速度：非常慢，几乎不受短期市场波动影响。
优点：稳定性强，能刻画股票的长期风险特征。
实盘用法：
- 资产配置：判断这只股票在长期中属于高风险还是低风险类别。
- 组合优化：作为协方差矩阵的输入，让组合分散更科学。

实战组合玩法

要把波动率用得溜，可以考虑这些组合思路：

双窗口监控：短周期 + 中周期同时观察。当短周期波动率急剧上升、明显高于中周期时，往往是市场进入高风险阶段的信号。
波动率分层选股：用长周期波动率筛选低风险股票池，再用短周期波动率选出当下波动较低的优质标的。
动态仓位控制：把仓位和波动率挂钩，波动率高时减仓，波动率低时加仓，让回撤可控的同时提高资金利用效率。
策略切换：低波动时期用趋势跟踪策略，高波动时期用套利或区间震荡策略，适应不同市场环境。

关于波动率叠加热点的想法

我们是不是可以把自波动率这个指标和热点板块结合起来玩，比如近期热门的数字货币、创新药、军工、机器人，然后在这些热点板块里挑选个股，尝试选择几个低波动的优先上车（也可以结合MACD、RSI、均线等指标），这样即便板块整体热度下降，组合回撤也能控制住。然后每周或者几周的调仓一次，有心的朋友可以尝试尝试。

今天关于自波动率的分享就到这里了，希望大家有所收获，爱你们的花姐！