量化实战:用三种波动率模型给你的期货策略做个“体检”
螺纹钢期货的价格波动总是让人捉摸不透。上周刚因为一波流畅上涨赚了20%的收益,这周就被突如其来的回撤吞噬了一半利润——这种经历对量化交易者来说再熟悉不过。波动率就像是市场的体温计,它能告诉我们资产价格的"健康状态",但传统收盘价波动率就像是用手摸额头测体温,而Parkinson、Garman-Klass和Rogers-Satchell这三种模型则相当于专业的红外体温仪,能捕捉到盘中高低点带来的额外信息。本文将手把手教你用Python实现这三种专业波动率计算,并以螺纹钢期货为例,展示如何通过多维度波动率分析优化策略参数。
1. 为什么传统波动率模型不够用
大多数交易者熟悉的收盘价波动率(Close-to-Close)只利用了每日收盘价信息。这种计算方法简单直接,公式如下:
def close_to_close_volatility(returns, window=20):
return returns.rolling(window).std() * np.sqrt(252)
但它在三个方面存在明显缺陷:
- 信息浪费:忽略了日内最高价、最低价等宝贵数据
- 跳跃偏差:对隔夜跳空反应过度,可能夸大实际波动
- 周期依赖:对计算窗口长度非常敏感
实证对比:我们对螺纹钢主力合约2023年的数据进行了测算,发现:
| 波动率类型 | 年化波动率 | 最大单日波动 |
|---|---|---|
| Close-to-Close | 28.7% | 5.2% |
| Parki |
471



被折叠的 条评论
为什么被折叠?



