股票术语：波动率 什么是实际波动率

1. 股票术语：波动率 什么是实际波动率

实际波动率，度量波动率的方法，是指对期权有效期内投资回报率波动程度的度量，大体上可分为参数法和非参数法两类。
要明确实际波动率，首先要从波动率的概念入手。波动率（Volatility）：是指关于资产未来价格不确定性的度量。它通常用资产回报率的标准差来衡量。也可以指某一证券的一年最高价减去最低价的值再除以最低价所得到的比率。业内将波动率定义为价格比率自然对数的标准差。波动率的种类有：实际波动率，隐含波动率，历史波动率等等，实际波动率便是波动率的一种。
波动率指数：
1、实际波动率
实际波动率又称作未来波动率，它是指对期权有效期内投资回报率波动程度的度量，由于投资回报率是一个随机过程，实际波动率永远是一个未知数。或者说，实际波动率是无法事先精确计算的，人们只能通过各种办法得到它的估计值。
2、历史波动率
历史波动率是指投资回报率在过去一段时间内所表现出的波动率，它由标的资产市场价格过去一段时间的历史数据（即St的时间序列资料）反映。这就是说，可以根据{St}的时间序列数据，计算出相应的波动率数据，然后运用统计推断方法估算回报率的标准差，从而得到历史波动率的估计值。显然，如果实际波动率是一个常数，它不随时间的推移而变化，则历史波动率就有可能是实际波动率的一个很好的近似。
3、预测波动率
预测波动率又称为预期波动率，它是指运用统计推断方法对实际波动率进行预测得到的结果，并将其用于期权定价模型，确定出期权的理论价值。因此，预测波动率是人们对期权进行理论定价时实际使用的波动率。这就是说，在讨论期权定价问题时所用的波动率一般均是指预测波动率。需要说明的是，预测波动率并不等于历史波动率，因为前者是人们对实际波动率的理解和认识，当然，历史波动率往往是这种理论和认识的基础。除此之外，人们对实际波动率的预测还可能来自经验判断等其他方面。
4、隐含波动率
隐含波动率是期权市场投资者在进行期权交易时对实际波动率的认识，而且这种认识已反映在期权的定价过程中。从理论上讲，要获得隐含波动率的大小并不困难。由于期权定价模型给出了期权价格与五个基本参数（St，X，r，T-t和σ）之间的定量关系，只要将其中前4个基本参数及期权的实际市场价格作为已知量代入期权定价模型，就可以从中解出惟一的未知量σ，其大小就是隐含波动率。因此，隐含波动率又可以理解为市场实际波动率的预期。
期权定价模型需要的是在期权有效期内标的资产价格的实际波动率。相对于当期时期而言，它是一个未知量，因此，需要用预测波动率代替之，一般可简单地以历史波动率估计作为预测波动率，但更好的方法是用定量分析与定性分析相结合的方法，以历史波动率作为初始预测值，根据定量资料和新得到的实际价格资料，不断调整修正，确定出波动率。

2. 什么是期权波动率，如何计算？

隐含波动率是制期权市场投资者在进行期权交易时对实际波动率的认识，而且这种认识已反映在期权的定价过程中。从理论上讲，要获得隐含波动率的大小并不困难。由于期权定价模型给出了期权价格与五个基本参数（St，X，r，T-t和σ）之间的定量关系。
只要将其中前4个基本参数及期权的实际市场价格作为已知量代入期权定价模型，就可以从中解出惟一的未知量σ，其大小就是隐含波动率。因此，隐含波动率又可以理解为市场实际波动率的预期。
期权定价模型需要的是在期权有效期内标的资产价格的实际波动率。相对于当期时期而言，它是一个未知量，因此，需要用预测波动率代替之，一般可简单地以历史波动率估计作为预测波动率。
但更好的方法是用定量分析与定性分析相结合的方法，以历史波动率作为初始预测值，根据定量资料和新得到的实际价格资料，不断调整修正，确定出波动率。

扩展资料：
影响：
标的资产的波动率是布莱克-斯科尔斯期权定价公式中一项重要因素。在计算期权的理论价格时，通常采用标的资产的历史波动率：波动率越大，期权的理论价格越高；反之波动率越小，期权的理论价格越低。波动率对期权价格的正向影响。
可以理解为：对于期权的买方，由于买入期权付出的成本已经确定，标的资产的波动率越大，标的资产价格偏离执行价格的可能性就越大，可能获得的收益就越大，因而买方愿意付出更多的权利金购买期权；对于期权的卖方。
由于标的资产的波动率越大，其承担的价格风险就越大，因此需要收取更高的权利金。相反，标的资产波动率越小，期权的买方可能获得的收益就越小，期权的卖方承担的风险越小，因此期权的价格越低。 
参考资料来源：百度百科-波动率

3. 什么是波动率指数

原文链接：http://tecdat.cn/?p=19129
 
摘要
在学术界和金融界，分析高频财务数据的经济价值现在显而易见。它是每日风险监控和预测的基础，也是高频交易的基础。为了在财务决策中高效利用高频数据，高频时代采用了最先进的技术，用于清洗和匹配交易和报价，以及基于高收益的流动性的计算和预测。
 
高频数据的处理
在本节中，我们讨论高频金融数据处理中两个非常常见的步骤：（i）清理和（ii）数据聚合。
> dim(dataraw);[1] 48484 7> tdata$report;initial number	no zero prices	select exchange48484	48479	20795sales condition merge same timestamp20135 9105> dim(afterfirstclean)[1] 9105 7
高频数据的汇总
通常不会在等间隔的时间点记录价格，而许多实际波动率衡量方法都依赖等实际间隔的收益。有几种方法可以将这些异步和/或不规则记录的序列同步为等距时间数据。最受欢迎的方法是按照时间汇总，它通过获取每个网格点之前的最后价格来将价格强制为等距网格。
> # 加载样本价格数据> data("sample");> # 聚合到5分钟的采样频率：> head(tsagg5min);PRICE2008-01-04 09:35:00 193.9202008-01-04 09:40:00 194.6302008-01-04 09:45:00 193.5202008-01-04 09:50:00 192.8502008-01-04 09:55:00 190.7952008-01-04 10:00:00 190.420> # 聚合到30秒的频率：> tail(tsagg30sec);PRICE2008-01-04 15:57:30 191.7902008-01-04 15:58:00 191.7402008-01-04 15:58:30 191.7602008-01-04 15:59:00 191.4702008-01-04 15:59:30 191.8252008-01-04 16:00:00 191.670
在上面的示例中，价格被强制设置为5分钟和30秒的等距时间网格。此外，aggregates函数内置于所有已实现的度量中，可以通过设置参数align.by和align.period来调用该函数。在这种情况下，首先将价格强制等间隔的常规时间网格，然后根据这些常规时间段内执行观察值的收益率来计算实际度量。这样做的优点是，用户可以将原始价格序列输入到实际度量中，而不必担心价格序列的异步性或不规则性。
带有时间和波动率计算的价格示例：
> #我们假设stock1和stock2包含虚拟股票的价格数据：> #汇总到一分钟：> Price_1min = cbind(aggregatePrice(stock1),aggregatePrice(stock2));> #刷新时间聚合：refreshTime(list(stock1,stock2));> #计算跳跃鲁棒的波动性指标> #基于同步数据rBPCov(Price_1min,makeReturns=TRUE);> #计算跳跃和噪声鲁棒的波动性度量> #基于非同步数据：
实际波动性度量
高频数据的可用性使研究人员能够根据日内收益的平方来估计实际波动性（Andersen等，2003）。实际上，单变量波动率估计的主要挑战是应对（i）价格的上涨和（ii）微观结构噪声。因此多变量波动率估计也引起了人们的注意。高频软件包实施了许多新近提出的实际波动率方法。下面的示例代码说明了日内周期的估计：
> #计算并绘制日内周期> head(out);                           	returns	vol	dailyvol periodicvol2005-03-04 09:35:00 -0.0010966963 0.004081072 0.001896816	2.1515392005-03-04 09:40:00 -0.0005614217 0.003695715 0.001896816	1.9483792005-03-04 09:45:00 -0.0026443880 0.003417950 0.001896816	1.801941
 

 
波动性预测
学术研究人员普遍认为，如果进行适当的管理，对高频数据的访问将带来优势，可以更好地预测未来价格变化的波动性。早在2003年Fleming等人（2003年）估计，投资者将愿意每年支付50到200个点，来预测投资组合绩效的收益，这是通过使用高频收益率而不是每日收益率来进行波动率预测的。 
尽管HAR和HEAVY模型的目标相同，即对条件波动率进行建模，但它们采用的方法不同。HAR模型专注于预测收盘价变化。HAR模型的主要优点是，它易于估计（因为它本质上是一种可以用最小二乘方估计的线性模型）， HEAVY模型的主要优点在于，它可以模拟收盘价和收盘价的条件方差。此外，HEAVY模型具有动量和均值回归效应。与HAR模型相反，HEAVY模型的估计是通过正态分布的最大似然来完成的。接下来的本文更详细地介绍HAR模型和HEAVY模型，当然还要讨论并说明如何使用高频收益率来估计这些模型。
 
HAR模型
示例
将HARRV模型拟合到道琼斯工业指数，我们加载每日实际波动率。
> #每天获取样本实际波动率数据> DJI_RV = realized$DJI; #选择 DJI> DJI_RV = DJI_RV[!is.na(DJI_RV)]; #删除缺失值
第二步，我们计算传统的异构自回归（HAR）模型。由于HAR模型只是线性模型的一种特殊类型，因此也可以通过以下方式实现：harModel函数的输出是lm的子级harModel lm，线性模型的标准类。图绘制了harModel函数的输出对象，水平轴上有时间，在垂直轴上有观察到的实际波动率和预测的实际波动率（此分析是在样本中进行的，但是模型的估计系数可以显然用于样本外预测）。从图的检查中可以清楚地看出，harModel可以相对快速地拟合波动水平的变化，
[1] "harModel" "lm"> x;Model:RV1 = beta0 + beta1 * RV1 + beta2 * RV5 + beta3 * RV22Coefficients:beta0	beta14.432e-05	1.586e-01r.squared	adj.r.squared0.4679	0.4608> summary(x);Call:"RV1 = beta0	+	beta1 * RV1 +	beta2 * RV5 +	beta3 * RV22"Residuals:Min	1Q	Median	3Q	Max-0.0017683 -0.0000626 -0.0000427 -0.0000087	0.0044331Coefficients:Estimate Std. Error t value Pr(>|t|)beta0 4.432e-05 3.695e-05 1.200 0.2315beta1 1.586e-01 8.089e-02 1.960 0.0512 .beta2 6.213e-01 1.362e-01 4.560 8.36e-06 ***beta3 8.721e-02 1.217e-01 0.716 0.4745---Signif. codes: 0 ^a˘ A¨ Y***^a˘ A´ Z 0.001 ^a˘ A¨ Y**^a˘ A´ Z 0.01 ^a˘ A¨ Y*^a˘ A´ Z 0.05 ^a˘ A¨ Y.^a˘ A´ Z 0.1 ^a˘ A¨ Y ^a˘ A´ Z 1Residual standard error: 0.0004344 on 227 degrees of freedomMultiple R-squared: 0.4679, Adjusted R-squared: 0.4608F-statistic: 66.53 on 3 and 227 DF, p-value: < 2.2e-16
HARRVCJ模型拟合
估计harModel的更复杂版本。例如，在Andersen等人中讨论的HARRVCJ模型。可以使用示例数据集估算，如下所示：
> data = makeReturns(data); #获取高频收益数据> xModel:sqrt(RV1) = beta0 + beta1 * sqrt(C1) + beta2 * sqrt(C5) + beta3 * sqrt(C10)+ beta4 * sqrt(J1) + beta5 * sqrt(J5) + beta6 * sqrt(J10)Coefficients:beta0	beta1	beta2	beta3	beta4	beta5-0.8835	1.1957	-25.1922	38.9909	-0.4483	0.8084beta6-6.8305r.squared	adj.r.squared0.9915	0.9661
最后一个示例是仅将日内收益作为输入就可以估算的一种特殊类型HAR模型。
 
HEAVY模型
 
将HEAVY模型拟合到道琼斯工业平均指数。第一步，我们加载道琼斯工业平均指数。然后，我们从该库中选择每日收益和每日实际核估计（Barndorff-Nielsen等，2004）。现在，作为HeavyModel输入的数据矩阵的第一列为收益率，第二列为Realized Kernel估计值。我们进一步将参数设置为采样期内日收益率和平均实际核估计方差。现在，我们来估算HEAVY模型。根据模型的输出，图绘制了由模型中的第二个方程式估算的条件方差。
 
> # heavy模型在DJI上的实现:> returns = returns[!is.na(rk)]; rk = rk[!is.na(rk)]; # 删除NA> startvalues = c(0.004,0.02,0.44,0.41,0.74,0.56); #初始值> output$estparams[,1]omega1 0.01750506omega2 0.06182249alpha1 0.45118753alpha2 0.41204541beta1 0.73834594beta2 0.56367558

流动性
交易量和价格
交易量和价格通常作为单独的数据对象提供。对于许多与交易数据有关的研究和实际问题，需要合并交易量和价格。由于交易量和价格可能会收到不同的报告滞后影响，因此这不是一个简单的操作（Leeand Ready 1991）。函数matchTradesQuotes可用于匹配交易量和价格。根据Vergote（2005）的研究，我们将价格设置为2秒作为默认值。
 
流动性衡量
可以使用函数tqLiquidity根据匹配的交易量和价格数据计算流动性指标。表中计算了主要实现的流动性衡量指标，并且可以用作函数tqLiquidity的参数。以下示例说明了如何：（i）匹配交易和报价，（ii）获取交易方向，以及（iii）计算流动性衡量指标。
> #加载数据样本> #匹配交易量和价格数据> tqdata = matchTradesQuotes(tdata,qdata);> #在tqdata中显示信息> colnames(tqdata)[1:6];[1] "SYMBOL" "EX" "PRICE" "SIZE" "COND" "CORR"> #根据Lee-Ready规则推断的交易方向> #计算有效价差> es = tqLiquidity(tqdata,type="es");

最受欢迎的见解
1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率
2.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较
3.波动率的实现：ARCH模型与HAR-RV模型
4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
5.使用R语言随机波动模型SV处理时间序列中的随机波动率
6.R语言多元COPULA GARCH 模型时间序列预测
7.R语言基于ARMA-GARCH过程的VAR拟合和预测
8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

4. 江恩理论中的“波动率”怎么算？

江恩理论第八节-波动法则与实战意义4

5. 江恩理论中的“波动率”怎么求？

市场上对波动率有两种观点：　　　　第一种，在市场中单位时间内价格上升或下降的幅度。　　第二种，市场每一段时间运行多少个周期，即频率。　　 　　在江恩角度线上的运用应选择第一种描述。这里有个不可忽略的概念就是单位时间，它与图表的时间轴刻度有关，而且还涉及到各种不同时间划分的图表，如日线图、周线图、月线图、分时图。现在有些分析软件扩充到季线图、年线图和自定义线图。　　 　　由于时间不同，波动率就有所不同了，也就是说波动率不是固定的。 投资者可能根据自身的需要特别关心某一类型的时间段图表，以把握其中最佳交易时机，但 建议投资者多结合不同时间段图表分析。　　 
在《江恩角度线与时间之窗》一书里曾提到过波动率的算法（这是国内惟一一本介绍了波动率算法的书）。 　它认为，波动率分上升趋势的波动率计算方法和下降趋势的波动率计算方法。上升趋势的波动率计算方法是：在上升趋势中，底部与底部的距离除以底部与底部的相隔时间，取整。下降趋势的波动率计算方法是：在下降趋势中，顶部与顶部的距离除以顶部与顶部的相隔时间，取整。并用它们作为坐标刻度在纸上绘制。　　 　　上升波动率＝（第二个底部－第一个底部）／两底部的时间距离　　 
下降波动率＝（第二个顶部－第一个顶部）／两顶部的时间距离

6. 波动率聚类的含义是什么？以及出现的原因是什么？

一些金融时间序列常常会出现某一特征的值成群出现的现象。如对股票收益率建模，其随机搅动项往往在较大幅度波动后面伴随着较大幅度的波动，在较小波动幅度后面紧接着较小幅度的波动，这种性质称为波动率聚类(volatilityclustering)。该现象的出现源于外部冲击对股价波动的持续性影响，在收益率的分布上则表现为出尖峰厚尾(fattails)的特征。这类序列随机搅动项的无条件方差是常量，条件方差是变化的量。

7. 如何计算一组数据的波动率

　　　　波动率=[有重要意义的第二高(低)点-有重要意义的第一髙(低)]/两高(低)点间的时间。
　　这个公式的意义是：
　　(1)预测是根据历史的数据。进一步讲，新股只有经过一段时间的运动观察后，才可以进行预测。
　　(2)重要的低点是判断的关键，点选错了，就不具有计算的意义。
　　(3)高低重要(支)点的选择要注意与时间同期结构相符合，月周线的高低点不一定符合日线、小时线的要求。要在特定的时间坐标内观察有意义的重要(支)点。
　　波动率，简单的说，就是一种经济形态，它倒底是如何波动，波动的结构倒底是如何进行的实质类问题。和桌子上摆放的苹果，是通过色，香，味，状来表达自己的存在一样，波动率的概念是对波动这样一种实体进行抽象和表达。因为它的存在实际上到了最后，是一种自然率，（不可思议的几何率）,故而，称之为"波动率“.波动率的意思，重点放在了波动体的结构上。

8. 期权波动率的分类与特征？

      波动率源于数理统计，是一个用于衡量价格波动水平的指标，能够反映出价格偏离平均值幅度。波动率越大，意味着价格波动幅度就越大，反之波动率越小，就表示价格波动幅度越小。在期权理论中会涉及到三种波动率，分别是历史波动率、隐含波动率和已实现波动率。
1、历史波动率

历史波动率
       我们站在现在时点B回顾过去，从A到B这段时间的历史行情我们是知道的，但是基于过去一段时间，标的价格的历史数据计算出来的波动率，就是历史波动率。历史波动率用来反映标的价格，在过去一段时间的波动水平。
2、隐含波动率

隐含波动率
       同样站在现在这个时间点B我们不仅可以回顾过去，还可以展望未来，虽然未来的标的价格我们不得而知，但是我们可以通过期权市场去发现投资者对于标的价格来来一段时间波动水平的普遍预期，这种基于期权市场价格计算出来的，反映市场对于未来标的价格波动预期的指标，这就是隐含波动率。
       例如X公司股票期权以24%的隐含波动率进行交易，而Y公司股票以8%的隐含波动率进行交易，这就反映了出来市场中的一个观点，那就是市场普遍认为，未来X公司股票比Y公司股票的波动性更强。
3、已实现波动率

已实现波动率
       表示未来的一段时间内，标的价格波动的真实水平，如果我们站在未来时点C，那么它就是历史波动率，但是我们是出于现在这个时点B，因此我们并不能准确计算出已实现波动率。已实现波动率通常用于和隐含波动率进行对比，反映出投资者对未来的预期是否准确，换言之就是投资者交易期权是否会盈利。
       三者之间的区别主要有以下两点：
       ①历史波动率和已实现波动率都是基于标的价格计算出来的，反映了标的价格真实的波动水平。二者的区别是计算的时间段不同，历史波动率是从过去到现在，而已实现波动率是从现在到未来。
       ②隐含波动率则是基于期权价格而非标的价格计算出来的波动率，反映的是市场参与对于未来标的价格波动率水平的普遍预期。隐含波动率通常和已实现波动率进行对比，用来反映投资者的预期是否准确。
       希望能帮到您，小编专注期货、期权交易知识解说，提供投资者交流平台，为更好交易，欢迎关注！