预测波动率的重要意义

预测波动率主要有两类理论模型，它们涉及的数学都非常复杂，我本不想在此讨论这两个模型。但是，很多专业交易员和期权做市商都会用到这两个模型，而且预测波动率预测未来波动率或检验布莱克-斯科尔斯与其他定价模型的结果时，也会接触到这两个模型。因此，在此简要进行说明。预测波动率预测波动率第一个或者说第一组模型是GARCH模型。GARCH是缩写，没人曾说出它代表什么，因为全称非常绕口，是指广义自回归条件异方差模型（Generalized Auto-Regressive Conditional Heteroscedasticity）。GARCH这个模型基本就是我们第6章之前讨论的内容。自回归是指均值回归，条件异方差则指之前讨论的波动率的其他特征。过去10年间，这些模型逐渐流行起来。在模型使用中，你需要判断给均值回归赋予多少权重，给序列相关性以及其他特征因素赋予多少权重。事实上，模型的起源也非常有趣。20世纪60年代早期，一位英国经济学家在英格兰银行工作，我猜当时银行要求他构建一个模型预测英国的通货膨胀情况，预测波动率以调整货币供给。经济学家研究一段时间后，提出了这个模型。大家都认为模型非常好。但一段时间后，模型消失了——大家抛弃了这个模型。

但是10年后，期权交易员开始考虑波动率时，他们偶然发现了这个通货膨胀模型。有人认识到通货膨胀与波动率有很多共同的特征，这个预测波动率模型也适用于波动率预测。就这样，模型产生了，只是稍微换了个名字。原来的模型实际上叫“ARCH”，推广到期权上，则被称为“GARCH”。另一类模型的使用范围没有这么广，也许是因为预测波动率模型是由物理学家而不是数学家构建的。模型的缩写为“VARIMA”，是指向量自回归移动平均（Vector Auto-Regressive Integrated Moving Average）。预测波动率和GARCH模型一样，自回归是指均值回归（每个讨论中你都会看到它），波动率的其他特征在模型中也有体现，但加权公式有所不同。交易中很少会用到这一模型，在此不再详述。但是，预测波动率学者们有时会讨论这个模型。

以上，已经概括了构建和执行真实的波动率交易时，所有会用到的重要策略因素。我们预测波动率已经讨论了如何将这些因素融合到一起：开始时如何建立Delta中性持仓，如何在交易过程中再次对冲以保持持仓的Delta中性，以及何时平仓。你也了解到找出正确波动率的困难之处，以及波动率的基本特征，这都有助于你预测波动率。此外，我们也讨论了加权波动率的特征及预测未来波动率的两类模型。