[The Path to QUANT] 《Volatility Trading》by Euan Sinclair 读书笔记 Chapter 3

Chapter 3 收益率和波动率的典型事实

《波动率交易》一书阅读笔记，交叉参照英文原版及机械工业出版社翻译版。
Chapter3勘误：中文版翻译杠杆效应时，原文写作：“Assuming no debt is issued, a fall in the stock price causes the company’s financial leverage to increase, which increases its risk.”此处应理解为：当没有新发行债务时，股价下跌会导致杠杆上升，从而增加风险，导致高波动率。而非翻译的“假设没有债务时……”
本章主要定性地讨论了一些empirical的事实，作者将其认为是一个在金融市场上相似的，具有共性的，统计显著的特征。这些特征无法定量精确地描述，但是了解类似的特征可以在波动率交易中有一个经验上的指导。
需要注意的是，由于原书作者对传统close-to-close波动率估计的不认可，所以书中的波动率多数使用了第二章提出的绝对收益率计算方法，即取收益率的绝对值的均值后乘以19.896。在我自己的实证检验中，将不对不同的波动率计算方法做出区分，统一使用传统方式计算波动率。对于两种不同波动率计算方法得到的差异，可以参见第二章读书笔记中的分析。

典型事实列表

• 波动率并非常数，存在均值复归，聚集和记忆性。
• 大收益率会发生的相对频繁，大的波动后会有后续的波动（肥尾效应）。
• 大多数市场中，波动率与收益率呈负相关。这个效应是非对称的：负收益会导致波动率快速上升，正收益会导致波动率小幅下降。这点在股票中体现尤为明显。
• 波动率和成交量有很强的正相关性。
• 波动率的分布接近对数正态分布。

波动率并非常数

波动率是常数是很多经典模型的基础假设，但是显然在实务中这个假设很难成立。书中对方差进行了时间序列分析，尝试使用上证指数复现了两个基本情况。
选取30天的年化波动率，可以看出大的波动后会紧接大的波动，小的波动后也会紧接小的波动。

import tushare as ts
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
df = ts.get_hist_data('sh')[['open', 'close']]  # 选取上证指数的开盘/收盘价
df['log_return'] = np.log(df['close']/df['close'].shift(-1))  # 计算对数收益率
df['volatility'] = df['log_return'].rolling(
    21).std().shift(-20)*np.sqrt(244)  # 年化30天波动率
df.dropna(inplace=True)


plt.xticks([])
plt.xlabel('2017/01/18-2019/06/17')
plt.ylabel('volatility')
plt.title('SH_000001 close-close return_volatility')
plt.plot(df.index, df['volatility'])
# plt.savefig('SH_index_vol.png')
plt.show()

显然波动率并不平稳。
对波动率进行一阶差分后做ADF检验，发现一阶差分后的波动率已经平稳。（其实从图像上看是存在conditional heteroscedasticity的，但是这里不做后续处理。）

from statsmodels.tsa.stattools import acf, pacf, adfuller
plt.xticks([])
plt.title('volatility after first-difference')
plt.plot(df.index, df['first_diff'])
# plt.savefig('vol_stationary.png')
plt.show()

df['first_diff'] = df['volatility'].diff(-1)
df.dropna(inplace=True)
adfuller(df['first_diff'])

Augmented Dickey-Fuller test results:
test statistic: -6.12649764466
p-value: 8.6038491076e-08
used lags: 17
number of observations: 561
critical values (1%): -3.442060292264578
critical values (5%): -2.866705729876777
critical values (10%): -2.569521171354946

通过以上观察可以看出，波动率存在显著的自相关性，即波动率聚类。同时波动率也具有记忆性。
此外，书中给出其他一些事实：

• 成熟市场的波动率聚集比新兴市场明显
• 熊市中波动率聚集比牛市中明显，但衰减速度也更快
• 在暴跌或其他大的恐慌期间，自相关性衰减最快

波动率同样存在均值复归。但是，确定波动率的真实均值是不可能的。在不同期限内，可以观测到波动率都在对应的区间内产生均值复归，但是不同区间的均值往往也大不相同。

收益率分布

实际上，收益率并不服从正态分布。对证指数收益率作图，比较使用同样均值方差得出的正态分布图像，可以明显看出收益率呈现左偏的尖峰厚尾。

import matplotlib.mlab as mlab

plt.title('log_return versus normal distribution')
plt.hist(df['log_return'], bins=50)
plt.hist(np.random.normal(df['log_return'].mean(),
                          df['log_return'].std(), len(df)), bins=50)
plt.legend(['log_return', 'normal_distribution'])
plt.savefig('log_distribution.png')
plt.show()

书中给出了这种现象的几个解释，例如影响股价的事件通常在收盘后公布，因此隔夜收益率会带来较多峰度。此外，当合约标的价格下跌时，波动率趋向于上涨。这是由于当当前债务不发生变化时，股价的下跌会导致权益下降，杠杆上升，从而提高公司整体风险，导致波动率的上升。这个情况被称作杠杆效应。

成交量和波动率

成交量和波动率是互相影响的。成交量会推动合约标的的价格变化，从而产生波动率。同时，波动率也会诱使投资者进行交易，从而增加成交量。
此外成交量与波动率的关系也与杠杆效应有一定联系，但是这个思路没有进一步发展。无论如何，在预测波动率时，考虑成交量的因素是有必要的。

波动率分布

大量的研究都认为，波动率的分布是对数正态的。但也有研究认为波动率的尾部可以用幂律分布描述。
对于波动率来说，分布的特定形式并没有那么重要，重要的是需要认识到相比于正态分布，波动率的分布会严重右偏，即发生高波动率的频率会更高。
另外，波动率在牛市和熊市中的分布也不尽相同。