期货 波动率指标 期货波动率指标在哪里看
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，它是梁模一个未知量，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橡森缓向影响。
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：春困百度百科-波动率
波动率指标怎么看
波动率指标上涨或下跌幅度越大，也就是股性越活跃，波动就大，把这个波动的大饥虚小用一个量化值来形容就是波动率。
其计算方法就是将股票过去一段时间每天的涨跌幅统计出来，再计算一个标准差大小，再折算成年化就是波动率，这种统计标的股票过去一段时间内涨跌幅计算出来的标准差，就叫做历史波动率。
隐含波动率是从期权价格里反推出来的一个指票，类似于期权的市盈率，经常讲现在隐波太高或太低了，可以理解成现在期权的估值太高或太低，通过隐含波动率可以对比不同时点，不同合约期权价格估值是更高还是更低。波动率锥，从期衍官网指数页面，可以找到这个指标，将鼠标移到曲线上能看到不同日期对应的隐波分位数，比如移到最左边，可以看到“历史上剩余期限为7天的合约，隐波分布情况，最高时36%、最低时11%，现在22处于55%分位，即正常位置，即现在的隐波不高不低，处于中等水平。
波动率是金融资产价格的波动程度，是对资产收益率不确定性的衡量，用于反映金融资产的风险水平。波动率越高，金融资产价格的波动越剧烈，资产收益率的不确定性就越强；波动率越低，金融资产价格的波动越平缓，资产收益率的确定性就越强搏贺。
预测波动率又称为预期波动率，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，预测波动率是对期权进行理论定价时实际使用的波动率。这就是基肢派说，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，但预测波动率并不等于历史波动率。
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，高频时信碰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：>滑巧谈 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宽蔽，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
波动率计算公式是什么
计算公式是：
波动率＝［有重要意义的第二高（低）点一有重要意义的第一高（低点）］／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。进一步来说的话，新股就需要经过一段时间的运动观察之后，才可以进行相应的预测。
（2）重要的低点是判断的关键，如果点选错了，那么就没有了计算的意义。
（3）在选择重要高低点的时候也是需要注意跟时间周期的历嫌芹结构相符合，月线、周线的高低点者樱并不一定要符合日线、小时线的要求。
意义
波动率也是分为上升趋势中的波动率和下跌趋势中的波动率计算方法。上升趋势中的波动率计算是需要在上升趋势中进行选取的，使用底部和底部之间的距离，然后除以两个底部之间相隔的时间。
而在下跌趋势的波动率计算需要取在下跌趋势中，顶部和顶部之肢毕间的距离，然后除以两个顶部之间的时间间隔。使用这个当作坐标的刻度绘制出1x1图形。
