全部期权指南
波动率动态阅读约10分钟
波动率聚集与GARCH模型详解
解释平静与剧烈行情为何成群出现、GARCH如何更新条件方差，以及把预测用于期权估值时必须注意的限制
由 Mark 编写 · 官方资料列于文末
直接答案
波动率聚集是大幅收益常靠近其他大幅收益、平静波动也连续出现的现象。GARCH把这种持续性转化为条件方差预测，但不会预测涨跌方向，也不能单独判断期权便宜或昂贵，仍须比较风险溢价与交易成本
波动率会随时间变化
恒定波动率模型无论今天平静还是剧烈，都以同一种方式处理明日不确定性。真实市场收益往往不符合这种简化
大绝对收益之后常继续大幅波动，平静期也容易延续。收益符号可以正负交替，但波动幅度仍保持高位
这就是波动率聚集。它描述收益幅度或收益平方的依赖关系，并非可靠的涨跌方向规律
条件方差是今天作出的预测
无条件方差概括长期分布。条件方差则询问在已知当前信息时，下一期收益有多大不确定性
ARCH用近期冲击的平方更新预测。意外波动越大，无论上涨还是下跌，下一期方差估计都会升高
估计依赖模型、数据频率、收益定义、样本区间与参数，并不是市场直接观察到的事实
GARCH同时记住冲击与先前方差
常见GARCH(1,1)写作 hₜ = ω + αε²ₜ₋₁ + βhₜ₋₁。h是条件方差，ε是上一期收益的意外冲击
阿尔法控制新平方冲击的即时影响，贝塔延续先前方差，使剧烈或平静状态具有持续性
欧米伽提供基线。参数是联合估计的，只读阿尔法或贝塔会曲解模型动态
持续性有明确含义
在基础模型中，阿尔法与贝塔之和常被用作持续性指标。越接近1，冲击在方差预测中衰减越慢
若两者之和小于1，预测会回归均值。基本假设下，长期方差等于欧米伽除以1减阿尔法与贝塔
接近1并不表示高波动永久存在，而是模型把冲击影响分配到较长预测区间
基础模型对正负冲击对称
标准GARCH使用冲击平方，因此同等幅度的上涨与下跌会带来相同的即时方差反应
股票波动率可能在下跌后反应更强。非对称变体加入符号或门槛项，但也增加估计选择与过拟合风险
模型选择应依据用途与样本外证据，而不是参数数量或最佳样本内拟合
方差预测不是期权估值结论
GARCH通常从现实世界收益过程估计。期权IV是包含供求与波动率风险补偿的风险中性价格
IV高于GARCH预测并不自动代表昂贵。差异可能补偿跳跃、偏斜、模型误差、对冲成本或波动率风险溢价
应先匹配期限与单位，再分析收益结构、曲面、交易成本与情景。预测排名不能单独建立预期利润
预测误差也需要计划
结构变化、事件、陈旧参数、异常值、隔夜缺口与抽样选择，可能压倒平滑的递归预测
检查残差、参数稳定性、其他窗口，并只用当时可得信息重建预测。回测不能使用未来校准值
与其依赖一个精确数字，不如使用多种波动率情景。投入资金前看清失效方式，模型才更有用
常见问题
GARCH能预测股票涨跌吗？
不能。标准GARCH预测独立均值过程周围的条件方差，并不直接提供收益方向信号
GARCH中的阿尔法加贝塔代表什么？
它衡量基础模型的方差持续性。越接近1衰减越慢，但需要满足平稳性与估计假设
GARCH波动率等于隐含波动率吗？
不等于。GARCH通常预测现实条件方差，IV从期权价格反推并包含风险溢价
为什么事件后GARCH预测会失效？
事件可能产生近期数据没有的跳跃或状态变化。递归模型在观察冲击后适应，无法提前知道未知信息
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权