DataWhale—量化金融（task6-理解波动率）

📈 量化金融笔记 ------ 理解波动率

目录

1. 波动率理论发展脉络
2. 为什么两只收益相同的股票，体验完全不同？
3. 什么是波动？
4. 用收益率观察波动
5. 波动率是什么？
6. 波动率度量与区间预测
7. 波动率的基础定义详解及公式推导
8. 高级主题：方差修正与偏差校正
9. 三股票日/年化波动率对比
10. 10只Ticker批量波动率排名
11. 波动率为什么会让人亏钱？
12. 作业解答
13. 本期学习总结与个人感悟
14. 完整代码附录

---

一、波动率理论发展脉络

时间	人物	贡献
1900年	路易·巴舍利耶	《投机理论》，首次用布朗运动描述股价
1952年	马科维茨	现代投资组合理论，用方差度量风险
1973年	布莱克-斯科尔斯	BS期权定价模型，引入隐含波动率
1982年	恩格尔	ARCH模型，波动率聚类现象
1986年	泰勒	实现波动率（Realized Volatility）
1993年	摩根大通	VaR（风险价值）模型，RiskMetrics
1994年	丹斯肯-兰德	随机波动率模型（SV）
2003年	安德森-玻勒斯莱夫	实现波动率理论完善

---

二、为什么两只收益相同的股票，体验完全不同？

核心洞察：收益率相同 ≠ 投资体验相同

股票A	股票B
第1年：+10%	第1年：+50%
第2年：+10%	第2年：-30%
两年总收益：21%	两年总收益：+5%
年化收益：10%	年化收益：2.5%
体验：安稳睡觉	体验：心脏病发作

数学解释：

• 算术平均：A=(10+10)/2=10%，B=(50-30)/2=10%
• 几何平均（实际收益）：A=sqrt(1.11.1)-1=10%，B=sqrt(1.50.7)-1=2.5%

波动率侵蚀收益：高波动导致"复利衰减"，同样的算术平均，波动越大，实际几何收益越低。

---

三、什么是波动？

波动= 价格变动的幅度和频率

类型	定义	例子
上行波动	价格上涨的剧烈程度	利好消息后的暴涨
下行波动	价格下跌的剧烈程度	黑天鹅事件后的暴跌
双向波动	价格上下震荡的幅度	震荡市中的反复拉锯

关键区分：

• 波动 ≠ 风险（波动是中性概念，风险是主观感受）
• 波动 ≠ 亏损（高波动可能带来高收益）
• 波动 = 不确定性（未来价格的不确定程度）

---

四、用收益率观察波动

4.1 收益率的计算

简单收益率：

R_t = (P_t - P_{t-1}) / P_{t-1} = P_t / P_{t-1} - 1

对数收益率：

r_t = ln(P_t / P_{t-1}) = ln(P_t) - ln(P_{t-1})

为什么用对数收益率？

• 时间可加性：r_{t1,t2} = r_{t1} + r_{t2}
• 对称性：+10%和-10%的绝对值相等
• 近似等于简单收益率（小幅度时）

4.2 收益率序列可视化

通过观察收益率的分布，可以直观感受波动：

• 波动大的股票：收益率分布"胖尾"，极端值多
• 波动小的股票：收益率分布"瘦尾"，集中在0附近

---

五、波动率是什么？

5.1 波动率的定义

波动率 = 收益率的标准差

sigma = sqrt( (1/(N-1)) * sum((R_i - R_mean)^2) )

其中：

• R_i = 第i期的收益率
• R_mean = 平均收益率
• N = 样本数量

5.2 波动率的本质

波动率不是预测未来价格，而是量化"未来价格的不确定性"。

波动率	含义
10%	价格相对平稳，日波动约±0.6%
30%	价格波动剧烈，日波动约±1.9%
60%	价格极不稳定，日波动约±3.8%
100%	价格可能翻倍或腰斩

---

六、波动率度量与区间预测

6.1 年化波动率

日波动率 → 年化波动率：

sigma_annual = sigma_daily * sqrt(252)

（252为一年交易日数量）

为什么是sqrt(252)而不是252？

• 波动率具有"时间平方根法则"
• 方差（波动率的平方）具有时间可加性
• 波动率本身不具有时间可加性

6.2 期权交易中的区间预测

在正态假设下，未来价格落在某个区间的概率：

区间	概率
±1σ	68.3%
±2σ	95.4%
±3σ	99.7%

应用：当前股价100美元，年化波动率30%，则1年后：

• 68.3%概率：70美元 ~ 130美元
• 95.4%概率：40美元 ~ 160美元
• 99.7%概率：10美元 ~ 190美元

---

七、波动率的基础定义详解及公式推导

7.1 总体方差 vs 样本方差

总体方差（已知全部数据）：

sigma^2 = (1/N) * sum((R_i - mu)^2)

样本方差（仅知部分数据，用均值估计）：

s^2 = (1/(N-1)) * sum((R_i - R_mean)^2)

为什么样本方差分母是N-1？

• 因为用样本均值R_mean代替了总体均值mu
• 样本均值已经"拟合"了数据，导致偏差
• 自由度修正：N个数据，估计了1个均值，剩余N-1个自由变化

7.2 价格序列调整

除息调整：

P_adj = P_close - D

其中D为每股分红金额。分红后价格自然下跌，需调整避免虚假波动。

拆股调整：

P_adj = P_close * (1/S)

其中S为拆股比例（如1拆2，S=2）。拆股后价格减半，需回溯调整历史价格。

---

八、高级主题：方差修正与偏差校正

8.1 由样本推断总体方差：自由度修正

当用样本方差s^2

估计总体方差sigma^2时：

E[s^2] = sigma^2 * (N-1)/N

无偏估计：

s^2_unbiased = (N/(N-1)) * s^2 = (1/(N-1)) * sum((R_i - R_mean)^2)

8.2 詹森不等式与波动率偏差校正

詹森不等式：对于凸函数f，有Ef(X) >= f(EX)

波动率是标准差（方差的平方根），平方根是凹函数：

E[sqrt(s^2)] <= sqrt(E[s^2]) = sigma

结论 ：样本标准差s是总体标准差sigma的有偏低估估计量。

校正方法：

• 小样本：用c_4系数校正 s_corrected = s / c_4
• 大样本（N>30）：偏差可忽略

8.3 正态假设下的样本标准差分布

若收益率服从正态分布，则：

((N-1)*s^2) / sigma^2 ~ chi^2_{N-1}

即样本方差服从自由度为N-1的卡方分布。

---

九、三股票日/年化波动率对比

9.1 数据来源与计算

基于2024年7月至2026年7月的2年历史数据：

股票	市场	行业	日波动率	年化波动率
美光 (MU)	美股	存储芯片	3.61%	57.3%
SK海力士 (000660.KS)	韩股	存储芯片	3.89%	61.7%
兆易创新 (603986)	A股	存储芯片	5.68%	90.2%

9.2 波动率对比柱状图

关键发现：

• 三只同为存储芯片股，波动率差异巨大
• 兆易创新波动率最高（90.2%），A股特性+小市值
• SK海力士次之（61.7%），韩股波动较大
• 美光相对最低（57.3%），美股大盘蓝筹特性

---

十、10只Ticker批量波动率排名

10.1 计算结果

排名	Ticker	公司	市场	年化波动率
1	AMD	超微	美股	80.1%
2	TSLA	特斯拉	美股	76.8%
3	NVDA	英伟达	美股	66.7%
4	BABA	阿里巴巴	港股	62.0%
5	META	Meta	美股	51.7%
6	TCEHY	腾讯	港股	49.4%
7	AMZN	亚马逊	美股	44.0%
8	GOOGL	谷歌	美股	40.8%
9	AAPL	苹果	美股	34.9%
10	MSFT	微软	美股	30.2%

10.2 波动率排名图

关键发现：

• AMD波动率最高（80.1%），半导体行业高弹性
• 微软波动率最低（30.2%），大型蓝筹稳定性
• 芯片股（AMD/NVDA）波动率显著高于软件股（MSFT/AAPL）

---

十一、波动率为什么会让人亏钱？

11.1 波动率侵蚀收益的数学原理

算术平均 vs 几何平均：

几何平均 ≈ 算术平均 - (sigma^2)/2

波动率税（Volatility Tax）：高波动直接降低复利收益。

算术平均收益	波动率	几何平均收益	"波动税"
10%	10%	9.5%	-0.5%
10%	30%	5.5%	-4.5%
10%	50%	-2.5%	-12.5%
10%	80%	-22%	-32%

11.2 行为金融学视角

心理效应	表现
损失厌恶	下跌1%的痛苦 > 上涨1%的快乐
追涨杀跌	高波动触发情绪化交易
锚定效应	以买入价为锚，忽视波动本质
过度自信	误将波动视为"机会"，频繁交易

11.3 杠杆与波动

杠杆放大波动的影响：

• 2倍杠杆：波动率翻倍，"波动税"翻4倍
• 高波动+高杠杆 = 爆仓的温床

---

十二、作业解答

作业1：微软(MSFT)年化波动率计算

数据：MSFT 2024年7月-2026年7月

指标	数值
日波动率	1.90%
年化波动率	30.2%

加入四票对比：

排名	股票	年化波动率	市场
1	兆易创新	90.2%	A股
2	SK海力士	61.7%	韩股
3	美光(MU)	57.3%	美股
4	微软(MSFT)	30.2%	美股

结论：微软波动率最低，仅为兆易创新的1/3，体现了大型科技股的稳定性。

作业2：Histogram + 正态对比收益率分布图

上图：四只股票收益率分布直方图 + 正态分布曲线叠加

关键发现：

• 所有股票收益率分布均呈现"尖峰厚尾"（Leptokurtic）
• 极端收益频率高于正态分布预测
• 兆易创新尾部最厚，极端波动最多
• 微软最接近正态，但仍存在厚尾

作业3：近1年波动率最高的股票

排名	股票	近1年波动率
1	AMD	80.1%
2	TSLA	76.8%
3	NVDA	66.7%
4	BABA	62.0%
5	META	51.7%

近1年波动率最高：AMD（80.1%）

作业4：自选5-10个ticker批量计算

十三、总结

13.1 核心内容回顾

主题	关键收获
波动率定义	收益率的标准差，量化不确定性
年化处理	sigma_annual = sigma_daily * sqrt(252)
方差修正	样本方差用N-1，标准差有偏需校正
詹森不等式	波动率是凹函数，样本估计有偏低估
波动率税	高波动直接侵蚀复利收益
三票对比	同板块不同市场，波动率差异巨大
MSFT波动率	30.2%，远低于芯片股，体现蓝筹稳定性

13.2 个人感悟

1. 波动率是量化投资的"元概念"。理解波动率，才能理解风险、定价、对冲的一切。

2. 同样的收益，不同的体验。两只股票算术收益相同，几何收益可能天差地别。波动率就是隐形的"收益税"。

3. A股波动率显著高于美股。兆易创新90% vs 美光57%，这不仅是个股差异，更是市场结构和投资者结构的差异。

4. 正态假设是危险的。所有股票都呈现"尖峰厚尾"，黑天鹅比正态分布预测的更频繁。这就是为什么期权市场存在"波动率微笑"。

5. 波动率本身可以成为交易标的。VIX指数、波动率互换、方差互换------理解波动率，就打开了衍生品世界的大门。

---

十四、代码附录

14.1 波动率计算函数

import numpy as np
import pandas as pd

def calculate_volatility(prices, period='daily'):
    # 计算对数收益率
    log_returns = np.log(prices / prices.shift(1)).dropna()

    # 计算日波动率 (样本标准差，无偏估计)
    daily_vol = log_returns.std(ddof=1)

    # 年化
    if period == 'daily':
        return daily_vol
    elif period == 'annual':
        return daily_vol * np.sqrt(252)
    else:
        raise ValueError("period must be 'daily' or 'annual'")

14.2 批量计算多股票波动率

def batch_volatility(tickers_data):
    results = []
    for ticker, prices in tickers_data.items():
        log_returns = np.log(prices / prices.shift(1)).dropna()

        results.append({
            'ticker': ticker,
            'daily_vol': log_returns.std(ddof=1),
            'annual_vol': log_returns.std(ddof=1) * np.sqrt(252),
            'mean_return': log_returns.mean(),
            'skewness': log_returns.skew(),
            'kurtosis': log_returns.kurtosis(),
            'max_daily_gain': log_returns.max(),
            'max_daily_loss': log_returns.min()
        })

    return pd.DataFrame(results)

14.3 收益率分布可视化

import matplotlib.pyplot as plt
from scipy import stats

def plot_return_distribution(returns, ticker, ax=None):
    if ax is None:
        fig, ax = plt.subplots(figsize=(10, 6))

    # 直方图
    ax.hist(returns, bins=50, density=True, alpha=0.6, 
            color='steelblue', label='实际分布')

    # 正态分布拟合
    mu, sigma = returns.mean(), returns.std()
    x = np.linspace(returns.min(), returns.max(), 100)
    normal_pdf = stats.norm.pdf(x, mu, sigma)
    ax.plot(x, normal_pdf, 'r-', linewidth=2, label='正态分布')

    ax.set_title(f'{ticker} 收益率分布 vs 正态分布')
    ax.set_xlabel('对数收益率')
    ax.set_ylabel('概率密度')
    ax.legend()

    return ax