【Option 101】【未完成】历史波动率的不同度量方法

以下所有材料均整理总结自 Volatility Trading(2nd edition)
by Euan Sinclair . 自行翻译、整理以供学习交流。侵删。

1. Close-to-close

公式: $\hat{\sigma }=\sqrt{\frac{{\Sigma }_{i=1}^{i=N}(r_i-\mu {)}^2}{N}}$ 再年化

优点: 简单易懂

缺点:

1. 没考虑隔夜跳空，容易低估。

2. biased，会系统性低估。这可以依赖参数修正，具体方法见Volatility Trading. 但这个调整系数也是基于标的GBM算出来的，在jumps的情况下有多准暂时没看到文献。

3. 最致命的：inefficient(即estimator本身的variance很大，且随着样本数量N递减速度很慢，只有$O(\sqrt{N})$)。

   直观地看，一个30%vol的股票的30日close-to-close estimator，标准差能达到3.8%个vol，也就是说实际30%的vol测出来个37.6%也是两个标准差之内的事情，很正常的。显然误差太大。

以下为理论， 重点关注biase产生的原因，更正方法适用条件；inefficiency的度量和产生原因。实际操作中可以忽略。

数学上，

1. Return独立就会产生低估的biase，现实中非独立的return Baise可能会更大。

基础统计告诉我们，把return的平方和加起来，然后对biase做调正，就能得到unbiased的的方差estimator，即:

$$\widehat{Var(r)}=\frac{{\Sigma }_{i=1}^{i=N+1}{r}_i^2}{N-1}$$是unbiased。注意这个式子不论$r$是不是normal都成立。

我们的close-to-close是这个estimator开根号，即

$$\widehat{{\sigma }_{ctc}}=\sqrt{\widehat{Var(r)}}$$.

但这个close-to-close estimator却是biased的，因为

$$\mathbb{E}(\widehat{{\sigma }_{ctc}})=\mathbb{E}(\sqrt{\widehat{Var(r)}})\le \sqrt{\mathbb{E}(\widehat{Var(r)})}=\sigma$$

其中不等号来自于Jensen’s inequality(期望是平均，而平方根是凸的。所以平均的平方根大于平方根的平均。)

2. 正态分布假设下，可以推导出Biase的更正系数

假设标的符合drift为0，波动率为$\sigma$的几何布朗运动。$s=\widehat{{\sigma }_{ctc}}$有如下的概率密度：

对$s$求积分得到

$$\mathbb{E}(s)=b(N)\sigma$$, 其中

大致的$b(N)$的值如下：

还有个毛估估的公式:

问题是，现实中的Data Generation Process是未知的，而且return的分布会更肥尾，靠谱的correction factor应该是基于类似t-distribution推导的出的，但这方面的文献暂时没看到。所以correction factor实操里暂时不使用。

3. Inefficiency：具体形式依赖于Normal Distribution，但从常识来讲，越厚尾的distribution实现值就散的越开，那基于实现值加总的estimator也就散的越开。也就是说，现实里$\widehat{{\sigma }_{ctc}}$的variance只会更大。

在正态分布下，close-to-close的variance是

利用下式稍加化简，

$Var(s)$里$N$最高次幂是1，这一项是

从这个式子可以看出estimator的方差只随着$N$的平方根线性递减，降得很慢。

图像上，variance和N个反比例关系，也印证了estimator的误差随着$N$平方根递减。

2. Parkinson 1980. aka High low HV

公式: $\hat{\sigma }=\sqrt{\frac{{\Sigma }_{i=1}^{i=N}(ln\frac{h_i}{l_i}{)}^2}{4Nln2}}$ 再年化

理解:

4Nln2是标的布朗运动假设下，振幅的second moment和波动率之间的转换系数。具体如下：

对于一个drift为0的布朗运动（注意，标的是Geometric Brownian Motion，log标的就是Brownian Motion），记每个小段时间为$t$，振幅range为$l$, 即 $l=x_{max}-x_{min}$.

Feller 1951 证明了 $\mathbb{E}(l^2)=(4ln2){\sigma }^{2}t$。取t = 1, 并在年化时对比例做调整即得到Parkinson HV。

优点: 有日内信息，而且也很直观

缺点:

1. 没有跳空

2. High Low数据不稳定

3. 系统性低估，且不知道怎么调整. range和只适用于GBM的标的过程，而现实当中标的是jumps（即我们用的模型是连续的GBM，现实中更像是Poisson Arrival），所以会系统性地低估。这在国内商品期货上能得到验证

   低估到底有多剧烈？Garman & Klass(1980)用jumps来生成stock price，然后用Parkinson去测波动率，发现HV20这个estimator的平方差不多是真实variance的64%（粗略开根号一下，vol本身是80%）。

   当然在GBM的假设下，可以把调整系数推出来，但还是会碰到和close-to-close调整一样的问题，即不知道调整系数本身有多准。

3. Garman-Klass 1980, aka High Low Close HV

公式:

$$\hat{\sigma }=\sqrt{\frac{1}{2N}{\Sigma }_{i=1}^{i=N}(ln\frac{h_i}{l_i}{)}^2-\frac{1}{N}{\Sigma }_{i=1}^{i=N}(2ln2-1)(ln\frac{c_i}{c_{i-1}}{)}^2}$$

理解: 系数和符号？

优点: 有日内信息

缺点: 和Parkinson本质上是一样的

注意: 计算时需要取到$c_0$的数据。

4. Rogers & Satchell 1991, OHLC

公式:

$$\hat{\sigma }=\sqrt{\frac{1}{N}{\Sigma }_{i=1}^{i=N}[ln(\frac{h_i}{c_i})ln(\frac{h_i}{o_i})+ln(\frac{l_i}{c_i})ln(\frac{l_i}{o_i})]}$$

理解: 结合振幅和涨跌，计算波动率

优点: 日内信息更加细致，high low的错误影响相对减小

缺点: 没有跳空

5. Yang & Zhang 2001, OHLC + Jump

(图片引自邱紫华老师 上期所期权高级培训师课程 课件)

理解: 系数和加权方法？

优点: 日内日间都有

缺点: 跳空实际上是瞬间的，这里把跳空当做一个交易时间段处理，也就是用测diffusion的$\sigma$的方法去测jump的$\sigma$，会低估

注意: 计算时需要取到$c_0$, $o_0$的数据。