KNOWECON WIKI

ARTICLE

波动率

波动率 (Volatility) 波动率是金融学和计量经济学中衡量资产价格或收益率变动幅度的核心概念。它通常定义为金融资产收益率在单位时间内的标准差，反映了资产价格的不确定性和风险水平。波动率越高，意味着价格波动越剧烈，投资回报的不确定性越大，投资者要求的风险溢价也越高。 波动率概念在金融学中具有基础性地位：它是资产定价理论的重要输入变量，是风险管理实践的核

浏览 7 更新 2025-10-30

波动率 (Volatility)

波动率是金融学和计量经济学中衡量资产价格或收益率变动幅度的核心概念。它通常定义为金融资产收益率在单位时间内的标准差，反映了资产价格的不确定性和风险水平。波动率越高，意味着价格波动越剧烈，投资回报的不确定性越大，投资者要求的风险溢价也越高。

波动率概念在金融学中具有基础性地位：它是资产定价理论的重要输入变量，是风险管理实践的核心度量指标，也是投资组合优化中风险考量的根本依据。

历史波动率与隐含波动率

从数据来源的角度，波动率可分为历史波动率和隐含波动率两大类。

历史波动率基于过去的价格数据计算，反映资产已实现的波动水平。最常用的方法是计算对数收益率在一段固定滚动窗口内的样本标准差：

σ=1n−1∑i=1n(ri−rˉ)2\sigma = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}\left(r_i - \bar{r}\right)^2}

其中 ri=ln⁡(Pi/Pi−1)r_i = \ln(P_i / P_{i-1}) 为第 ii 期的对数收益率，rˉ\bar{r} 为窗口内的平均收益率。窗口长度的选择至关重要——较短的窗口对最新信息反应灵敏但估计噪声较大，较长的窗口估计更稳定但可能无法及时反映市场结构变化。实践中，常用的窗口长度为 20 个交易日（约一个月）或 60 个交易日（约一个季度）。

隐含波动率则是从期权的市场价格中反向推导出的波动率，反映市场对未来波动的一致预期。通过布莱克-舒尔斯模型等期权定价公式，将期权的市场价格、标的资产价格、执行价格、剩余期限和无风险利率代入，反解出模型中唯一的未知参数——波动率。隐含波动率被视为市场对未来的"恐惧指数"，是市场情绪和预期的重要风向标。值得注意的是，不同执行价格和到期日的期权往往对应不同的隐含波动率，这一现象被称为波动率微笑或波动率偏斜，反映了市场对极端事件（尾部风险）的定价。

波动率的统计特征

金融资产收益率序列的波动率表现出若干重要的统计特征：

  • 波动率聚集：大幅波动往往跟随大幅波动，小幅波动往往跟随小幅波动。这表明波动率存在正的自相关性，即高波动时期和低波动时期会聚类出现，而非随机交替。
  • 均值回复：尽管波动率会聚集，但它不会无限发散。从长期来看，波动率倾向于回复到某个长期平均水平，这一特征称为均值回复。
  • 杠杆效应：资产价格的下跌往往伴随波动率的上升，而价格上涨则倾向于降低波动率。这一不对称现象在股票市场中尤为显著，通常归因于财务杠杆的变化——股价下跌会导致公司的债务-权益比上升，从而增加股票的风险。
  • 厚尾分布：金融资产收益率的分布通常呈现出比正态分布更厚的尾部，即极端事件发生的概率远高于正态分布的预测。这一特征与波动率的时变性密切相关。

这些特征的发现对传统金融模型构成了挑战，并推动了波动率建模理论的发展。

波动率建模方法

为刻画上述特征，计量经济学家发展了一系列波动率模型。

自回归条件异方差模型 族是最重要的波动率建模框架。由 Engle 于 1982 年提出的 ARCH 模型允许条件方差依赖于过去残差的平方。Bollerslev 于 1986 年将其推广为 GARCH 模型。GARCH(1,1) 的标准形式为：

σt2=ω+αεt−12+βσt−12\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2

其中 σt2\sigma_t^2 是第 tt 期的条件方差，εt−12\varepsilon_{t-1}^2 是上期新息的平方，σt−12\sigma_{t-1}^2 是上期条件方差。参数 α\alpha 衡量新息对条件方差的当期影响，β\beta 衡量方差的持续性。α+β\alpha + \beta 越接近 1，冲击越持久；当 α+β=1\alpha + \beta = 1 时，模型退化为集成 GARCH 模型，意味着冲击对波动率的影响是永久性的。

为捕捉杠杆效应，学者们开发了指数 GARCH 模型和门限 GARCH 模型等非对称 GARCH 模型，允许正负冲击对波动率产生不同影响。

随机波动率模型将波动率本身视为一个不可观测的隐随机过程，通常设定为对数方差服从自回归过程。与 GARCH 类模型相比，随机波动率模型引入了额外的随机扰动项，因此更为灵活，但参数估计也更为复杂，通常需要借助马尔可夫链蒙特卡罗方法或卡尔曼滤波等工具。

已实现波动率利用高频数据计算日内的平方收益和，在无套利假设下是真实波动率的一致估计量。对于长度为 MM 的日内区间，已实现波动率定义为 RVt=∑j=1Mrt,j2RV_t = \sum_{j=1}^{M} r_{t,j}^2，其中 rt,jr_{t,j} 是第 tt 日第 jj 个区间内的收益率。已实现波动率提供了比传统日间方法更精确的波动率度量，为波动率建模和预测提供了新的视角。

波动率的实际应用

波动率在金融实践中扮演着多重角色。在风险管理中，风险价值和期望损失等核心风险度量指标均依赖于波动率的准确估计。在资产定价中，资本资产定价模型以贝塔系数衡量系统性风险，而贝塔的计算基础正是资产收益率与市场收益率的协方差和市场的方差。在投资组合优化中，马科维茨均值-方差模型直接以波动率（标准差）作为风险度量，决定了最优资产权重的配置。

波动率指数本身已成为重要的金融创新。芝加哥期权交易所于 1993 年推出 VIX 指数，最初基于标普 100 指数期权的隐含波动率，后于 2003 年改为基于标普 500 指数期权，采用更稳健的无模型计算方法。VIX 指数被称为"恐慌指数"，在市场动荡时期急剧攀升。基于 VIX 的期货和期权产品为投资者提供了直接交易和对冲波动率的工具，推动了波动率作为独立资产类别的发展。

总结

波动率是金融世界中最基本也最重要的风险度量之一。从投资组合构建到衍生品定价，从风险管理到金融监管，波动率贯穿金融实践的方方面面。准确理解波动率的统计特征、熟练运用波动率模型、合理利用波动率信息，是金融从业者和研究者的核心技能。随着金融数据频率的不断提高和计算方法的持续进步，波动率的度量和预测将变得更加精确，为金融决策提供更有力的支持。