《Volatility Trading》 by Euan Sinclair
Chapter 4 预测波动率
《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。
Chapter4勘误:在解释EWMA模型的不足时,“为什么使用指数递减的方式会有道理?……”这两句。结合上下文,原文表达的含义是由于公司不会在一次业绩公告后再进行一个小的业绩公告,因此指数递减的方式是无理的。这段的翻译则将这个行为前加上了“因为”两字变成使用EWMA的解释,容易引起误解。
第二章的讨论主要着眼于如何对当前的波动率进行估计,但是在实际交易中,成功的交易取决于成功的预测。在期权存续期内对波动率的预测更加重要,但也更难。
波动率是否可以被预测?
首先要确定的一点是,波动率到底是不是可预测的。尤金法玛(Eugene F. Fama)给出的有效市场假说(EMH)中,有几个显而易见的严格假设,从这几个假设的实现效果着手可以挖掘预测波动率的可能性。
无摩擦交易市场(交易费用为零)
显然,在真实交易中,交易费用并非为零(这让我一直认为衍生品交易是负和交易而非零和交易)。波动率交易中的佣金、买卖价差、税收、交易所费用,清算费用都需要考虑在内。此外,通过期权来交易波动率需要进行动态对冲,这会产生很大的交易费用,同时包含可观的与风险监控有关的间接费用。
信息有效(完美信息流)
所有信息能快速且无成本地传递给所有市场参与者。在现在这个条件是最容易达成的,但是内幕交易仍然被证明是有利可图的,个股期权基于内幕消息的交易尤为多。
理性人(对信息的价格影响力的共识)
EMH认为在有效市场中,一旦消息达到市场,价格就会立刻对消息做出反应。但是实际上,期权价格并不会立即对公开信息进行反应。某些情况下,价格调整需要话费数周的时间。这意味着此时市场各方对该消息的影响存在某种分歧。
综合这些来看,有效市场假说的假设条件并不完全符合。但是这不意味着市场是无效的,只是市场存在着足以让交易员赚钱的低效率,但这已经足够了。
预测波动率
第三章说明了波动率的基本特征:
- 波动率的大幅变化中,向上变化多于向下变化
- 波动率在局部上均值复归
最简单的预测方法就是假设未来N天的波动率和过去N天的一致。那么过去N天的波动率就是未来N天波动率的预测值。目前来看,似乎业界最基础的算法都是这样的。这种方法也被称为移动窗口法(Moving Window Method)。但是这个方法存在的明显问题是:股票价格的大幅变动,比如良好业绩的公布带来的利好,会在波动率估计的序列中保留N天后突然消失。 很明显,当股价向上跳空,波动率的预测是有偏的。这个波动率的跳跃是由某个大事件引发的,而这个大事件在短期内如果不会再发生,那波动率的预测就是不准确的。注意,这并没有给当前的波动率的估计带来偏差,因为当前的波动率确实是非常高的。
EWMA(Exponentially Weighted Moving Average)
解决这个问题的标准方法是使用指数加权移动平均(EWMA)模型,这个模型的表达式为:
σ t 2 = λ σ t − 1 2 + ( 1 − λ ) r 2 \sigma_t^2=\lambda\sigma_{t-1}^2+(1-\lambda)r^2 σt2=λσt−12+(1−λ)r2
EWMA对当前的平方收益率和前一期方差的加权平均来估计方差。常见的时间序列都是估计的方差。 λ \lambda λ越小,意味着越早期的波动率对当前波动率的影响越小,而越近期的波动率对当前波动率的影响越大。 λ \lambda λ通常取0.9-0.99,FRM考试里这个数被定为0.94。
EWMA简单易用,便于理解,但是不够灵敏。如果一个事件是异常事件,那在预测波动率时,应当直接将这个事件的影响剔除。指数加权确实可以在波动率预测中平滑价格跳空的影响,但是处理的方式过于简单粗暴。理论来说,应该让交易员对事件进行主观判断,如果是异常事件则直接剔除,如果是后续有可能发生的特殊事件,则对其赋予一定的权重后预测波动率。而在EWMA中,模型假设了事件的影响是指数递减的,这种方式是对这个问题的简单回避。书中举例为:如果公布业绩导致价格跳空,那公布业绩应该被认定为是异常事件,因此在预测未来波动率时,这个事件所带来的影响应当被直接剔除。但是,EWMA是将其做了指数递减。这显然是不够合理的。业绩公告只是一个一次性事件,公司不会在公布业绩随后再公布一个小点的业绩,再后再公布一个更小的业绩。所以面对这种问题,EWMA的处理是无理的。
EWMA的另一个问题是没有考虑到波动率估计量所处的市场环境。由于波动率是均值复归的,在高波动率后通常会有一个阶段的低波动率,vice versa。这里波动率的均值复归和波动率的聚类并不冲突,都是在局部体现的波动率的规律。EWMA没有把均值复归这一因素考虑进去。
GARCH(Generalized Auto-Regressive Conditional Heteroskedasticity)
广义自回归条件异方差(GARCH)模型可以解决这类问题。GARCH引入了长期均值水平,因此如果当前方差处于高位,尽管短期和EWMA一样会维持一定程度的高位,但是最终会回归到正常水平。GARCH(1,1)的表达式为:
σ t 2 = γ V + α r t − 1 2 + β σ t − 1 2 \sigma_t^2=\gamma V+\alpha r_{t-1}^2+\beta\sigma_{t-1}^2 σt2=γV+αrt−12+βσt−12
其中V为长期方差。显然 α + β + γ = 1 \alpha+\beta+\gamma=1 α+β+γ=1。当 γ = 0 , α = 1 − λ , β = λ \gamma=0, \alpha=1-\lambda, \beta=\lambda γ=0,α=1−λ,β=λ时,就得到了GARCH的特例EWMA。
GARCH模型的一般表达式为:
σ t 2 = ω + α r t − 1 2 + β σ t − 1 2 \sigma_t^2=\omega+\alpha r_{t-1}^2+\beta \sigma_{t-1}^2 σt2=ω+αrt−12+βσt−12
长期方差等于:
V = ω 1 − α − β V=\frac{\omega}{1-\alpha-\beta} V=1−α−βω
这段没有给出证明,个人理解为,由于存在均值复归,则 σ t 2 = σ t − 1 2 \sigma_t^2=\sigma_{t-1}^2 σt2=σt−12,同时,在长期来看,收益率的期望为0可以推出:
σ t 2 = E [ ( r t − μ ) 2 ] = E ( r t 2 − 2 r t μ + μ 2 ) = E ( r t 2 ) − μ 2 = E ( r t 2 ) \sigma_t^2=\mathbb{E}[(r_t-\mu)^2]=\mathbb{E}(r_t^2-2r_t\mu+\mu^2)=\mathbb{E}(r_t^2)-\mu^2=\mathbb{E}(r_t^2) σt2=E[(rt−μ)2]=E(rt2−2rtμ+μ2)=E(rt2)−μ2=E(rt2)
对GARCH两边求期望可以推导出:
E ( σ t 2 ) = E ( ω ) + E ( α r t − 1 2 ) + E ( β σ t − 1 2 ) \mathbb{E}(\sigma_t^2)=\mathbb{E}(\omega)+\mathbb{E}(\alpha r_{t-1}^2)+\mathbb{E}(\beta \sigma_{t-1}^2) E(σt2)=E(ω)+E(αrt−12)+E(βσt−12)
长期来看 V = E ( σ t 2 ) V=E(\sigma_t^2) V=E(σt2),从而推导出:
V = ω + α V + β V V=\omega+\alpha V+\beta V V=ω+αV+βV
同样,可以对GARCH做进一步修正,加入过去 p p p期的收益率和过去 q q q期的方差带来的影响,从而得到GARCH(p,q)模型为:
σ t 2 = ω + α 1 r t − 1 2 + ⋯ + α p r 1 − p 2 + β 1 σ t − 1 2 + ⋯ + β q σ 1 − q 2 \sigma_t^2=\omega+\alpha_1r_{t-1}^2+\dots+\alpha_pr_{1-p}^2+\beta_1\sigma_{t-1}^2+\dots+\beta_q\sigma_{1-q}^2 σt2=ω+α1rt−12+⋯+αpr1−p2+β1σt−12+⋯+βqσ1−q2
在用GARCH估计波动率时一般使用迭代的方法计算。在未来某个时点:
σ t + τ 2 = ω + α r t + τ − 1 2 + β σ t + τ − 1 2 \sigma_{t+\tau}^2=\omega+\alpha r_{t+\tau-1}^2+\beta\sigma_{t+\tau-1}^2 σt+τ2=ω+αrt+τ−12+βσt+τ−12
或者使用V可以写作:
σ t + τ 2 = ( 1 − α − β ) V + α r t + τ − 1 2 + β σ t + τ − 1 2 \sigma_{t+\tau}^2=(1-\alpha-\beta)V+\alpha r_{t+\tau-1}^2+\beta\sigma_{t+\tau-1}^2 σt+τ2=(1−α−β)V+αrt+τ−12+β<