波动率锥：用历史分位给期权定价与择时

「IV 是 28%，该卖期权吗？」——这个问题没法回答。28% 对一只平时 15% 的股票是天价，对一只危机里 60% 的指数却是地板价。脱离了历史分布，单个 IV 数字毫无意义。

波动率锥（Volatility Cone）要解决的正是这件事：它把「在每一个特定期限下，滚动已实现波动率历史上落在什么区间」画成一组随期限展开的喇叭形分位带。你再看当前 IV / 当前已实现波动落在喇叭的哪个位置，就能回答：现在波动算贵还是算便宜？该卖溢价还是该买翅膀？要不要先降仓避险？

下面用一段模拟的随机波动率指数序列（含偶发崩盘冲击）从零把整套方法跑通，所有图表均为真实计算、非占位图。

一、波动率锥是怎么画出来的#

核心就三步：

1. 对每个特定期限 w（10/20/30/60/90/120/180 日），算全样本上「滚动 w 日年化已实现波动」这条时间序列；
2. 对每条序列取历史分位（5 / 25 / 50 / 75 / 95）；
3. 把不同 w 的分位点在图上连起来——短期限波动聚集在窄带、长期限被更多样本平均、带子更宽，于是自然形成「喇叭」。

import numpy as np

def rolling_ann_vol(ret, w):
    """ret: 日收益(%)；返回年化滚动已实现波动序列（前 w-1 个为 NaN）。"""
    n = len(ret)
    rv = np.full(n, np.nan)
    for i in range(w, n):
        rv[i] = np.std(ret[i - w + 1:i + 1], ddof=1) * np.sqrt(252)
    return rv

windows = [10, 20, 30, 60, 90, 120, 180]
pcts    = [5, 25, 50, 75, 95]
cone = {w: rolling_ann_vol(ret, w) for w in windows}

band = {p: [] for p in pcts}
for w in windows:
    valid = cone[w][~np.isnan(cone[w])]
    for p in pcts:
        band[p].append(np.percentile(valid, p))
# band[50] 即各期限中位数；band[5]/band[95] 即「常态区间」上下沿

读图要点：中位数（蓝线）是「公平值」，25–75 分位（浅蓝填充）是「常态区」，5/95 分位是极端边界。 当某个期限的当前波动戳到 95 分位以上，说明它处在该期限自身历史上的「最慌」那 5%。

二、把当前 IV 放进锥里：它是贵还是便宜#

波动率锥最直白的用途是相对定价。假设你交易的是 30 日期限期权，拿到一个 IV=35% 的报价：

• 查锥上 30 日那一点：中位数可能是 22%、95 分位是 33%；
• IV=35% > 95 分位 → 这个期权相对于「该标的自身历史波动」明显偏贵 → 倾向卖出（收溢价）；
• 反过来 IV 跌破 5 分位 → 便宜 → 倾向买入（买翅膀/买跨式）。

注意一个常见坑：比较要在「同一期限」上做。用 30 日 IV 去对标 10 日锥是错位；IV 与已实现波动的期限结构本来就不平。

三、分位时序：把「现在慌不慌」做成信号#

单看某一日的分位还不够，把它沿时间画成序列，就得到一张「波动率温度计」：

def vol_percentile_series(ret, w=60, look=252):
    """每日 60 日已实现波动，在过去 1 年分布中的历史分位（0-100）。"""
    rv = rolling_ann_vol(ret, w)
    n = len(rv)
    pct = np.full(n, np.nan)
    for i in range(w + look, n):
        hist = rv[i - look:i + 1]
        hist = hist[~np.isnan(hist)]
        pct[i] = (hist < rv[i]).mean() * 100.0
    return pct

pct_series = vol_percentile_series(ret, w=60, look=252)

图上 90 分位（红虚线）以上标「卖波动区」、10 分位（绿虚线）以下标「买波动区」。它能干两件事：

• 择时信号：分位突破 90 → 波动进入自身历史极端高位，通常对应恐慌/急跌，此时卖溢价最危险（IV 可能继续飙、或 realized 随后反扑），应谨慎；分位跌破 10 → 波动被压到地板上，期权极便宜，是买权布局的好窗口。
• 状态识别：不是预测方向，而是回答「我现在处于什么波动状态」——这是后面所有期权结构选择的前提。

四、定价视角：隐含 vs 已实现（期限结构对照）#

波动率锥给的是「已实现」的历史分布；期权交易的是「隐含」。把两者摆在一起，才能做真正的相对价值。

经验规律：IV 通常系统性高于 RV，这部分价差叫波动率风险溢价（VRP）——投资者愿意为「保险」付费，所以期权卖方便能有正的预期 carry。但 VRP 不是常数：

• 当 IV 相对 RV 的溢价处于自身历史高位（锥的上沿）→ 卖溢价更划算；
• 当溢价被压缩甚至倒挂（IV < RV，常发生在剧烈真实波动中）→ 卖溢价吃亏，应转向买方策略。

所以定价 = 看 IV 相对「锥上的 RV 分布」贵不贵；方向 = 看 VRP 处在自身历史的哪个分位。两个维度交叉，才构成完整的期权相对价值判断。

五、择时视角：把锥当成风险叠加层（vol overlay）#

波动率锥最稳妥的实战用法，不是去赌「波动一定会回归」，而是当风险叠加层：当当前波动处于历史高位（>90 分位）时，降低风险敞口。

下面用底层资产的「波动率择时叠加层」来演示这一逻辑——高波动区往往对应崩盘与剧烈回撤，锥把「现在是否危险」量化出来：

def vol_overlay_backtest(ret, pct_series, threshold=90):
    """波动分位 > threshold 时降仓至 0（现金），否则满仓。"""
    r = ret / 100.0
    strat, bench = [1.0], [1.0]
    start = np.where(~np.isnan(pct_series))[0][0]
    for t in range(len(r)):
        danger = (t >= start) and (pct_series[t] >= threshold)
        x = 0.0 if danger else 1.0
        strat.append(strat[-1] * (1 + x * r[t]))
        bench.append(bench[-1] * (1 + r[t]))
    return np.array(strat), np.array(bench)

在我们这段含偶发崩盘冲击的模拟路径上，效果非常直接：

叠加层没让收益飞起，但做对了一件事：在风暴区把仓位的「致命回撤」砍掉约 40%，并把夏普从负拉正。这正是波动率锥作为择时工具该有的样子——不追求多赚，而追求「别在最容易死的地方满仓」。

六、不同波动状态，该用哪类期权结构#

把锥的读数翻译成期权动作，是这篇文章的落脚点：

• 分位 > 90（恐慌/高波动）：IV 贵、realized 可能反扑。慎卖裸溢价；若一定要卖，用价差（定义好最大亏损）而非裸卖；可小仓买虚值认沽做尾部保险。
• 分位 50–90（正常偏热）：VRP 通常丰厚，卖出期权收割溢价（铁秃鹰 / 看跌价差贷方）的甜蜜区，但严控仓位、做好对冲。
• 分位 10–50（正常偏冷）：方向性波动率不高，卖溢价收益薄，适合价差组合或轻仓趋势结构。
• 分位 < 10（极致压抑）：期权极便宜，是买入跨式 / 买翅膀布局「波动醒来」的窗口；成本极低，赔率极佳。

七、三大实战陷阱#

1. 前视偏差（最致命）：分位必须用「截至当日的过去数据」算。若不小心把「未来波动」混进历史分布，分位信号会偷偷看到答案，回测虚高。严格滚动、滚动窗口内只向前看。
2. 非平稳与结构突变：一段大牛市的「常态波动」和危机后的「新常态」天差地别。固定全样本分位会严重滞后。实务上用滚动窗口（如过去 1–2 年）而非全样本，并定期重置。
3. IV ≠ RV 的瞬时错位：锥讲的是 realized 的历史，但交易的是 implied。极端行情里 IV 会滞后、会跳变，单看 realized 分位会误判「IV 已便宜」。务必把第四节的 IV/RV 期限结构对照一起看。

八、小结#

波动率锥的价值，不在于预测波动往哪走，而在于给「贵贱」和「状态」一个可量化的标尺：

• 对定价：它让 IV 的贵贱变成「相对自身历史分位的相对值」，而不是一个孤立数字；
• 对择时：它把「现在慌不慌」量化成 0–100 的分位，直接驱动卖/买期权与降仓决策；
• 对风控：它是最朴素也最稳健的风险叠加层——在波动率自身历史的极端区，先活下来。

从卡尔曼滤波的在线估计，到波动率锥的历史分位，量化里真正难的从来不是写出公式，而是给每一个数字找到它在「分布中的位置」。锥，就是波动率的那个位置标尺。