欢迎来到波动率的世界：风险的心跳

欢迎！如果你曾经好奇为什么股票价格有时候像坐“过山车”一样刺激，有时候却平静如水，那你观察到的其实就是波动率（Volatility）。在本章中，我们将学习如何量化这种“狂野”的波动。这是估值与风险模型（Valuation and Risk Models）部分的关键内容，因为如果我们无法评估价格变动的幅度，就无法精确计算风险价值（VaR）或进行期权定价。

如果刚开始看到数学公式觉得有点压力，请别担心。我们会将这些概念拆解成简单的步骤，并运用日常生活中的类比，让你轻松掌握重点！


1. 理解每日收益率与波动率

在衡量波动率之前，我们必须明确衡量的对象。通常，我们观察的是每日收益率（daily returns）。在 FRM 的领域中，我们常使用连续复利收益率（continuously compounded returns，即对数收益率），因为它们在数学运算上更为简便。

第 \(n\) 天的收益率 \(u_n\) 通常计算如下：
\(u_n = \ln(S_n / S_{n-1})\)

快速复习：波动率（\(\sigma\)）本质上就是这些收益率的标准差。它告诉我们预期价格变动的范围。而变异数（Variance）（\(\sigma^2\)）则是波动率的平方。

常见错误：考生常会搞混变异数与波动率。只需记住：变异数是“平方”后的数值，而波动率是“原始单位”的数值。如果题目要求计算波动率但给出的是变异数，记得要开根号！


2. 移动平均法（传统做法）

估计变异数最简单的方法，就是计算过去 \(m\) 天收益率平方的平均值：
\(\sigma_n^2 = \frac{1}{m} \sum_{i=1}^{m} u_{n-i}^2\)

问题所在：这种方法将昨日的市场崩盘与 30 天前的一次微小波动视为同等重要。但在现实中，昨日发生的事情对明天的预测通常具有更大的参考价值。

总结：简单移动平均法虽然容易计算，但反应“缓慢”，因为它对窗口内的所有数据点给予了相同的权重。


3. EWMA 模型：具有“记忆衰减”的模型

指数加权移动平均法（Exponentially Weighted Moving Average, EWMA）解决了权重分配不均的问题。它对最新的数据给予较高的权重，对较旧的数据给予较低的权重。

新变异数（\(\sigma_n^2\)）的计算公式为：
\(\sigma_n^2 = \lambda \sigma_{n-1}^2 + (1 - \lambda) u_{n-1}^2\)

组成要素：
1. \(\lambda\) (Lambda)：这是衰减因子（decay factor）。通常介于 0.90 到 0.99 之间（RiskMetrics 模型使用 0.94）。
2. \(\sigma_{n-1}^2\)：昨日的变异数估计值。
3. \(u_{n-1}^2\)：昨日实际收益率的平方。

类比：将 EWMA 想像成你对一家餐厅的记忆。昨天的用餐体验（\(u_{n-1}^2\)）对你的观感影响很大，但你长期的整体印象（\(\sigma_{n-1}^2\)）依然重要。随着时间过去，那次糟糕的晚餐记忆会逐渐“衰减”，影响力随之降低。

关键要点：\(\lambda\) 数值越高，代表模型拥有“长记忆”（变动较慢）；\(\lambda\) 数值越低，代表模型对新信息的反应越敏锐。


4. GARCH (1,1) 模型：加入均值回归

GARCH 代表广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity）。（别被名称吓到，它只是一个高大上的说法，意指“随时间变动且关注长期平均值的波动率”。）

虽然 EWMA 假设波动率可以任意飘移，但 GARCH (1,1) 假设波动率最终会回归到一个长期平均值。这就是所谓的均值回归（mean reversion）。

GARCH (1,1) 的公式为：
\(\sigma_n^2 = \omega + \alpha u_{n-1}^2 + \beta \sigma_{n-1}^2\)

三大要素：
1. \(\omega\) (Omega)：长期变异数（\(\gamma V_L\)）的加权版本。
2. \(\alpha\) (Alpha)：给予近期消息（昨日收益率）的权重。
3. \(\beta\) (Beta)：给予先前变异数的权重。

你知道吗？如果你设定 \(\omega = 0\) 且 \(\alpha + \beta = 1\)，GARCH 模型就会退化成 EWMA 模型！因此，EWMA 其实就是没有均值回归特性的 GARCH 特殊情况。

计算长期平均变异数（\(V_L\)）：

你可以透过以下公式找到长期变异数：
\(V_L = \frac{\omega}{1 - \alpha - \beta}\)

稳定性条件：为了使模型保持稳定并呈现“均值回归”，\(\alpha + \beta\) 的总和必须小于 1。如果 \(\alpha + \beta > 1\)，波动率就会呈现“爆炸性”增长，无法回归到平均值。

关键要点：在长期预测方面，GARCH (1,1) 通常被认为优于 EWMA，因为它考虑了波动率通常会在一段时间后回归稳定的事实。


5. 最大概似估计法（MLE）

你可能会问：我们该如何选择 \(\lambda\)、\(\alpha\) 或 \(\beta\) 的最佳数值呢？

我们使用一种称为最大概似估计法（Maximum Likelihood Estimation, MLE）的技术。在 FRM 考试中，你不需要进行复杂的微积分运算，但必须理解其概念。

MLE 的逻辑步骤：
1. 先为参数（\(\alpha, \beta\)）设定试探性数值。
2. 计算若这些参数为真，历史数据发生的概率（概似性）。
3. 利用计算机不断调整参数，直到找到能让该概率最大化的数值。
4. 这个“最贴合”的数值组合即成为你的模型参数。


6. 监控相关性与共变异数

波动率不仅涉及单一资产，我们也关心两种资产如何共同波动，这就是共变异数（covariance）。

好消息是，共变异数的数学计算几乎与波动率完全相同！你可以使用 EWMA 或 GARCH 来更新共变异数：
EWMA 共变异数公式： \(cov_n = \lambda cov_{n-1} + (1 - \lambda) x_{n-1} y_{n-1}\)

一旦你有了共变异数和个别资产的波动率，就可以求得相关系数（Correlation）（\(\rho\)）：
\(\rho_{xy} = \frac{cov_{xy}}{\sigma_x \sigma_y}\)

相关系数口诀：“共变异数除以标准差的乘积”。只要记住相关系数必须永远介于 -1 与 +1 之间。如果你的计算结果出现 1.2，请停下来检查一下计算过程！


7. 总结与复习

让我们回顾一下备考时最重要的几个重点：

  • 简单移动平均法：等权重，会有“幽灵效应”（旧数据突然被剔除）。
  • EWMA：指数权重，反应迅速，使用 \(\lambda\)。没有长期均值。
  • GARCH (1,1)：包含均值回归。最适合用来观察“大局”。
  • 持久性（Persistence）：在 GARCH 中为 \(\alpha + \beta\)。它决定了“波动率冲击”会持续多久。
  • 权重：在任何有效的模型中，权重总和必须等于 1。

温馨提示：这一章包含许多公式，但考试经常会询问关于这些模型的行为表现。重点在于理解改变 \(\lambda\) 或 \(\alpha\) 如何影响模型对市场的观点。你一定做得到的！