一、股票中波动率

很多在学习金融的朋友们可能会看到股票中有非常多的名词，例如说波动率，还有计算企业价值的市盈率。

很多玩儿就提出股票中波动率，还有市盈率，有什么样的分类，加下来就一起了解一下。

首先我们需要了解的就是这个波动率的含义，一般来说波动率其实是衡量标的物价格或者投资回报率波动的一个剧烈程度，某种程度上也是计算价格或者收益率的一个标准差，方差。

代表了一个风险

啊，对于波动率的分类主要有三个，一个是隐含波动率，一个是历史波动率，还有一个是已经实现的波动率。

隐含波动率其实是一种静态波动率的估计，是假定一定时期的波动率保持不变来计算历史波动率则是看过去一段时间。

市盈率其实最通常是用来评估企业价值的一种方式，企业价值也经常是用企业股价的。

水平来进行计算，而市盈率则是股价和每股盈余的一个比值，通过这样一个利率再来倒算企业的股价，得出企业价值。

通过市盈率的这个定义，我们大概就知道怎么样去计算了。

但是也对于每股盈余的选取可以分类分为静态，动态的还有滑动，预测市盈率以及发行市盈率。

无论是对于波动率还是市盈率的选取，其实他们的分类最主要的一个就是对于指标的选取不一样，就拿市盈率来说，通常而言静态市盈率他是用骨架和过去一年的每股收益进行一个比较。

动态市盈率则是一个增长性的比率，它是以静态市盈率作为一个基础数据，乘以一个动态系数。

滑动市盈率和预测市盈率的区别则是一个是根据过去指标，还有一个是根据过去指标进来推送未来指标得出的一个计算方式。

二、计算股票波动率

打开Eviews然后点击Quick然后点击Equation Estimation，然后选择ARCH方法，然后估计就行了

　　股票波动率:

　　波动率是指标的资产投资回报率的变化程度，有实际波动率和历史波动率之分。

它是江恩理论的一个重要内容，在期货期权市场的指导意义较股票市场更大。

下面我们将对波动率的计算及交易策略进行详细讲解，希望对股民有一定的指导意义，赶紧跟着小编一起学习波动率的知识吧！

　　一、波动率：概述

　　波动率是指标的资产投资回报率的变化程度，有实际波动率和历史波动率之分。

它是江恩理论的一个重要内容，在期货期权市场的指导意义较股票市场更大。

　　（一）、实际波动率

　　实际波动率又称作未来波动率，它是指对期权有效期内投资回报率波动程度的度量，由于投资回报率是一个随机过程，实际波动率永远是一个未知数。

或者说，实际波动率是无法事先精确计算的，人们只能通过各种办法得到它的估计值。

　　（二）、历史波动率

　　历史波动率是指投资回报率在过去一段时间内所表现出的波动率，它由标的资产市场价格过去一段时间的历史数据（即St的时间序列资料）反映。

这就是说，可以根据{St}的时间序列数据，计算出相应的波动率数据，然后运用统计推断方法估算回报率的标准差，从而得到历史波动率的估计值。

显然，如果实际波动率是一个常数，它不随时间的推移而变化，则历史波动率就有可能是实际波动率的一个很好的近似。

　　二、波动率：计算

　　江恩理论认为，波动率分上升趋势的波动率计算方法和下降趋势的波动率计算方法。

　　（一）、上升趋势的波动率计算方法是：在上升趋势中，底部与底部的距离除以底部与底部的相隔时间，取整。

　　上升波动率=（第二个底部-第一个底部）/两底部的时间距离

　　（二）、下降趋势的波动率计算方法是：在下降趋势中，顶部与顶部的距离除以顶部与顶部的相隔时间，取整。

并用它们作为坐标刻度在纸上绘制。

　　下降波动率=（第二个顶部-第一个顶部）/两顶部的时间距离

　　三、波动率：交易策略

　　对于投资者来说，期货市场上除了牛熊市之外，更多的时间处于一种无法辨别价格走势或者价格没有大幅变化的状况。

此时的交易策略可以根据市场波动率的大小具体细分。

当市场预期波动较小价格变化不大时，可采取卖出跨式组合和卖出宽跨式组合的策略。

当预期市场波动较大但对价格上涨和下跌的方向不能确定时，可采取买入跨式组合和买入宽跨式组合的策略。

　　卖出跨式组合由卖出一手某一执行价格的买权， 同时卖出一手同一执行价格的卖权组成。

　　采用该策略的动机在于：认为市场走势波动不大，可以卖出期权赚取权利金收益。

但是一旦市场价格发生较大波动，那就要面对遭受损失的风险。

　　“波动率”：波动率是江恩理论的一个重要内容，在期货期权市场的指导意义较股票市场更大。

经过上面对波动率计算方法和交易策略的学习，相信投资者对波动率有了一定的了解。

此外投资者在运用波动率指标时还需结合均线和波浪理论来综合分析.

三、什么是波动率指数

原文链接：http://tecdat.cn/?p=19129

摘要

在学术界和金融界，分析高频财务数据的经济价值现在显而易见。

它是每日风险监控和预测的基础，也是高频交易的基础。

为了在财务决策中高效利用高频数据，高频时代采用了最先进的技术，用于清洗和匹配交易和报价，以及基于高收益的流动性的计算和预测。

高频数据的处理

在本节中，我们讨论高频金融数据处理中两个非常常见的步骤：（i）清理和（ii）数据聚合。

> dim(dataraw);[1] 48484 7> tdata$report;initial number no zero prices select exchange48484 48479 20795sales condition merge same timestamp20135 9105> dim(afterfirstclean)[1] 9105 7

高频数据的汇总

通常不会在等间隔的时间点记录价格，而许多实际波动率衡量方法都依赖等实际间隔的收益。

有几种方法可以将这些异步和/或不规则记录的序列同步为等距时间数据。

最受欢迎的方法是按照时间汇总，它通过获取每个网格点之前的最后价格来将价格强制为等距网格。

> # 加载样本价格数据> data("sample");> # 聚合到5分钟的采样频率：> head(tsagg5min);PRICE2008-01-04 09:35:00 193.9202008-01-04 09:40:00 194.6302008-01-04 09:45:00 193.5202008-01-04 09:50:00 192.8502008-01-04 09:55:00 190.7952008-01-04 10:00:00 190.420> # 聚合到30秒的频率：> tail(tsagg30sec);PRICE2008-01-04 15:57:30 191.7902008-01-04 15:58:00 191.7402008-01-04 15:58:30 191.7602008-01-04 15:59:00 191.4702008-01-04 15:59:30 191.8252008-01-04 16:00:00 191.670

在上面的示例中，价格被强制设置为5分钟和30秒的等距时间网格。

此外，aggregates函数内置于所有已实现的度量中，可以通过设置参数align.by和align.period来调用该函数。

在这种情况下，首先将价格强制等间隔的常规时间网格，然后根据这些常规时间段内执行观察值的收益率来计算实际度量。

这样做的优点是，用户可以将原始价格序列输入到实际度量中，而不必担心价格序列的异步性或不规则性。

带有时间和波动率计算的价格示例：

> #我们假设stock1和stock2包含虚拟股票的价格数据：> #汇总到一分钟：> Price_1min = cbind(aggregatePrice(stock1),aggregatePrice(stock2));> #刷新时间聚合：refreshTime(list(stock1,stock2));> #计算跳跃鲁棒的波动性指标> #基于同步数据rBPCov(Price_1min,makeReturns=TRUE);> #计算跳跃和噪声鲁棒的波动性度量> #基于非同步数据：

实际波动性度量

高频数据的可用性使研究人员能够根据日内收益的平方来估计实际波动性（Andersen等，2003）。

实际上，单变量波动率估计的主要挑战是应对（i）价格的上涨和（ii）微观结构噪声。

因此多变量波动率估计也引起了人们的注意。

高频软件包实施了许多新近提出的实际波动率方法。

下面的示例代码说明了日内周期的估计：

> #计算并绘制日内周期> head(out); returns vol dailyvol periodicvol2005-03-04 09:35:00 -0.0010966963 0.004081072 0.001896816 2.1515392005-03-04 09:40:00 -0.0005614217 0.003695715 0.001896816 1.9483792005-03-04 09:45:00 -0.0026443880 0.003417950 0.001896816 1.801941

波动性预测

学术研究人员普遍认为，如果进行适当的管理，对高频数据的访问将带来优势，可以更好地预测未来价格变化的波动性。

早在2003年Fleming等人（2003年）估计，投资者将愿意每年支付50到200个点，来预测投资组合绩效的收益，这是通过使用高频收益率而不是每日收益率来进行波动率预测的。

尽管HAR和HEAVY模型的目标相同，即对条件波动率进行建模，但它们采用的方法不同。

HAR模型专注于预测收盘价变化。

HAR模型的主要优点是，它易于估计（因为它本质上是一种可以用最小二乘方估计的线性模型）， HEAVY模型的主要优点在于，它可以模拟收盘价和收盘价的条件方差。

此外，HEAVY模型具有动量和均值回归效应。

与HAR模型相反，HEAVY模型的估计是通过正态分布的最大似然来完成的。

接下来的本文更详细地介绍HAR模型和HEAVY模型，当然还要讨论并说明如何使用高频收益率来估计这些模型。

HAR模型

示例

将HARRV模型拟合到道琼斯工业指数，我们加载每日实际波动率。

> #每天获取样本实际波动率数据> DJI_RV = realized$DJI; #选择 DJI> DJI_RV = DJI_RV[!is.na(DJI_RV)]; #删除缺失值

第二步，我们计算传统的异构自回归（HAR）模型。

由于HAR模型只是线性模型的一种特殊类型，因此也可以通过以下方式实现：harModel函数的输出是lm的子级harModel lm，线性模型的标准类。

图绘制了harModel函数的输出对象，水平轴上有时间，在垂直轴上有观察到的实际波动率和预测的实际波动率（此分析是在样本中进行的，但是模型的估计系数可以显然用于样本外预测）。

从图的检查中可以清楚地看出，harModel可以相对快速地拟合波动水平的变化，

[1] "harModel" "lm"> x;Model:RV1 = beta0 + beta1 * RV1 + beta2 * RV5 + beta3 * RV22Coefficients:beta0 beta14.432e-05 1.586e-01r.squared adj.r.squared0.4679 0.4608> summary(x);Call:"RV1 = beta0 + beta1 * RV1 + beta2 * RV5 + beta3 * RV22"Residuals:Min 1Q Median 3Q Max-0.0017683 -0.0000626 -0.0000427 -0.0000087 0.0044331Coefficients:Estimate Std. Error t value Pr(>|t|)beta0 4.432e-05 3.695e-05 1.200 0.2315beta1 1.586e-01 8.089e-02 1.960 0.0512 .beta2 6.213e-01 1.362e-01 4.560 8.36e-06 ***beta3 8.721e-02 1.217e-01 0.716 0.4745---Signif. codes: 0 ^a˘ A¨ Y***^a˘ A´ Z 0.001 ^a˘ A¨ Y**^a˘ A´ Z 0.01 ^a˘ A¨ Y*^a˘ A´ Z 0.05 ^a˘ A¨ Y.^a˘ A´ Z 0.1 ^a˘ A¨ Y ^a˘ A´ Z 1Residual standard error: 0.0004344 on 227 degrees of freedomMultiple R-squared: 0.4679, Adjusted R-squared: 0.4608F-statistic: 66.53 on 3 and 227 DF, p-value: < 2.2e-16

HARRVCJ模型拟合

估计harModel的更复杂版本。

例如，在Andersen等人中讨论的HARRVCJ模型。

可以使用示例数据集估算，如下所示：

> data = makeReturns(data); #获取高频收益数据> xModel:sqrt(RV1) = beta0 + beta1 * sqrt(C1) + beta2 * sqrt(C5) + beta3 * sqrt(C10)+ beta4 * sqrt(J1) + beta5 * sqrt(J5) + beta6 * sqrt(J10)Coefficients:beta0 beta1 beta2 beta3 beta4 beta5-0.8835 1.1957 -25.1922 38.9909 -0.4483 0.8084beta6-6.8305r.squared adj.r.squared0.9915 0.9661

最后一个示例是仅将日内收益作为输入就可以估算的一种特殊类型HAR模型。

HEAVY模型

将HEAVY模型拟合到道琼斯工业平均指数。

第一步，我们加载道琼斯工业平均指数。

然后，我们从该库中选择每日收益和每日实际核估计（Barndorff-Nielsen等，2004）。

现在，作为HeavyModel输入的数据矩阵的第一列为收益率，第二列为Realized Kernel估计值。

我们进一步将参数设置为采样期内日收益率和平均实际核估计方差。

现在，我们来估算HEAVY模型。

根据模型的输出，图绘制了由模型中的第二个方程式估算的条件方差。

> # heavy模型在DJI上的实现:> returns = returns[!is.na(rk)]; rk = rk[!is.na(rk)]; # 删除NA> startvalues = c(0.004,0.02,0.44,0.41,0.74,0.56); #初始值> output$estparams[,1]omega1 0.01750506omega2 0.06182249alpha1 0.45118753alpha2 0.41204541beta1 0.73834594beta2 0.56367558

流动性

交易量和价格

交易量和价格通常作为单独的数据对象提供。

对于许多与交易数据有关的研究和实际问题，需要合并交易量和价格。

由于交易量和价格可能会收到不同的报告滞后影响，因此这不是一个简单的操作（Leeand Ready 1991）。

函数matchTradesQuotes可用于匹配交易量和价格。

根据Vergote（2005）的研究，我们将价格设置为2秒作为默认值。

流动性衡量

可以使用函数tqLiquidity根据匹配的交易量和价格数据计算流动性指标。

表中计算了主要实现的流动性衡量指标，并且可以用作函数tqLiquidity的参数。

以下示例说明了如何：（i）匹配交易和报价，（ii）获取交易方向，以及（iii）计算流动性衡量指标。

> #加载数据样本> #匹配交易量和价格数据> tqdata = matchTradesQuotes(tdata,qdata);> #在tqdata中显示信息> colnames(tqdata)[1:6];[1] "SYMBOL" "EX" "PRICE" "SIZE" "COND" "CORR"> #根据Lee-Ready规则推断的交易方向> #计算有效价差> es = tqLiquidity(tqdata,type="es");

最受欢迎的见解

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率

2.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较

3.波动率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

5.使用R语言随机波动模型SV处理时间序列中的随机波动率

6.R语言多元COPULA GARCH 模型时间序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略