本文是 Datawhale《和Yibo零基础学习量化金融》Phase 2 第五章的学习总结包含核心概念、理论发展脉络、Python 代码实现和真实行情验证。标签量化交易Python波动率学习笔记Datawhale投资组合分类Python / 量化投资前言很多新手只关心「我能赚多少钱」但量化研究员更关心「为了赚这些钱我要承担什么风险」。这一章从两个收益完全相同、但持有体验天差地别的故事切入帮你建立对波动率的直觉并学会用 Python 真实计算它。一、为什么两只收益相同的股票体验完全不同想象你和朋友各拿1 万元分别买入两只股票连续观察5 天股票价格路径最终结果A100 → 105 → 110 → 115 → 12020%B100 → 80 → 130 → 70 → 12020%第 5 天两个人账户都是12,000 元相对本金都赚了20%。但持有体验完全不同股票 A像坐电梯稳稳上涨股票 B像坐过山车经历过 -20%、62.5%、-46.2% 的剧烈波动量化研究员不仅看「赚多少」还要看「中间有多颠」。二、什么是波动金融市场中价格从来不是直线运动的有些股票像坐电梯——缓缓上行偶尔停一停有些股票像坐过山车——尖叫、俯冲、再弹射量化里我们把这种**「不稳定程度」**叫做波动Volatility。右图红色阴影 从阶段高点跌下来的部分也就是账户「缩水」的时刻。三、为什么用收益率而不是价格问题解释价格会「越涨越高」100 元的 5% 和 200 元的 5%绝对金额差一倍不同股票价位差很多直接比价格涨跌不公平收益率是相对变化可以在不同股票、不同时期之间比较日收益率公式r t P t − P t − 1 P t − 1 r_t \frac{P_t - P_{t-1}}{P_{t-1}}rtPt−1Pt−Pt−1代码实现df[return]df[Close].pct_change()左图累计收益率曲线看长期方向右图日收益率直方图看日常分布是集中还是分散四、波动率 收益率的标准差标准差衡量的是数据的分散程度标准差含义越大收益率越分散 → 波动率越高越小收益率越集中 → 波动率越低样本标准差公式σ 1 n − 1 ∑ i 1 n ( r i − r ˉ ) 2 \sigma \sqrt{\frac{1}{n-1}\sum_{i1}^{n}(r_i - \bar{r})^2}σn−11i1∑n(ri−rˉ)2其中r i r_iri第 i 天的日收益率r ˉ \bar{r}rˉ日收益率的平均值n nn样本天数σ \sigmaσ标准差用来近似日波动率玩具案例验证5.1股票日波动率标准差A平稳上涨0.28%B大起大落58.85%B 的波动率约为 A 的210 倍和肉眼观察的「过山车」完全一致。真实数据AAPL日波动率标准差1.5469%粗略直觉典型单日涨跌幅度大约在±1.55%附近五、年化波动率日波动率只有「一天」尺度不同研报、不同软件口径不统一。业界习惯换算成**「一年尺度」**方便横向比较美股一年约252 个交易日年化因子取252 \sqrt{252}252公式σ a n n u a l σ d a i l y × 252 \sigma_{annual} \sigma_{daily} \times \sqrt{252}σannualσdaily×252一句话年化波动率 把「日波动」翻译成人人都懂的「年尺度」。六、三票波动率 PK苹果 vs 特斯拉 vs 英伟达用近 2 年真实数据计算三只科技龙头股的日/年化波动率股票日波动率年化波动率年化收益约苹果1.79%28.41%26.01%特斯拉3.83%60.77%47.06%英伟达2.98%47.29%45.17%结论最稳苹果28.4%—— 大公司、机构持仓多走势相对稳最刺激特斯拉60.8%—— 涨得猛跌得也猛七、同收益、不同波动净值路径模拟假设两位投资者一年后账户都赚了 20%投资者年收益年化波动率性格画像A20%10%平稳型 · 像坐电梯B20%60%过山车型 · 大起大落模拟结果投资者 A最终净值 1.11最大回撤-5.7%投资者 B最终净值 1.25最大回撤-43.3%终点一样路径完全不同。高波动的 B 中途回撤极大很多人可能在低点「受不了」而卖出。八、小实验你会选哪一个规则未来 5 年不能卖出。你只能选一只。选项预期年收益年化波动率A40%50%B20%10%用 8 只真实股票 2 个虚构选项做风险-收益散点近 2 年历史数据一览名称年化收益年化波动可口可乐18.0%17.6%摩根大通35.6%25.3%苹果26.0%28.4%微软-2.3%26.5%Meta22.3%37.4%英伟达45.2%47.3%特斯拉47.0%60.8%Coinbase7.6%78.1%我的选择选项 B20% 收益10% 波动率理由5 年不能卖我需要一个能让我睡得着觉的组合。高波动带来的心理压力可能导致我在低点割肉最终实际收益反而不如低波动组合。九、挑战任务结果等级任务结果Lv.1计算 AMD 年化波动率69.34%Lv.2加入 MSFT 对比TSLA 44.78% NVDA 35.83% MSFT 27.62% AAPL 24.56%Lv.3MSFT 日收益率分布直方图已生成Lv.4近 1 年波动率最高AMD (69.34%) COIN (68.48%) TSLA (44.78%)十、核心公式汇总公式含义出处r t P t − P t − 1 P t − 1 r_t \frac{P_t - P_{t-1}}{P_{t-1}}rtPt−1Pt−Pt−1日收益率5.3σ 1 n − 1 ∑ i 1 n ( r i − r ˉ ) 2 \sigma \sqrt{\frac{1}{n-1}\sum_{i1}^{n}(r_i - \bar{r})^2}σn−11∑i1n(ri−rˉ)2样本标准差5.4σ a n n u a l σ d a i l y × 252 \sigma_{annual} \sigma_{daily} \times \sqrt{252}σannualσdaily×252年化波动率5.5年化收益 ( 1 r ˉ ) 252 − 1 \text{年化收益} (1 \bar{r})^{252} - 1年化收益(1rˉ)252−1年化收益率几何5.5十一、关键收获波动率是投资体验的量化以前只觉得「风险大」现在知道可以用标准差精确测量年化换算的重要性不同频率的数据必须标准化到同一尺度才能比较历史 ≠ 未来波动率是无法直接观测的隐变量我们只能估算高波动的隐性成本不只是数学上的标准差更是行为学上的「拿不住」核心金句「投资最重要的不是赚得最快而是长期活下来。」—— 巴菲特波动率不仅是数学指标也是投资体验。体验太差会导致错误的操作——最终「理论上的收益」你根本拿不到。它属于无法直接观测的隐变量我们只能通过历史行情近似估算。历史波动率 ≠ 未来波动率参考资源课程仓库datawhalechina/quant-for-beginners本章 Notebook01_理解波动率.ipynb
Datawhale 量化入门学习笔记：理解波动率
发布时间：2026/7/23 1:58:19
本文是 Datawhale《和Yibo零基础学习量化金融》Phase 2 第五章的学习总结包含核心概念、理论发展脉络、Python 代码实现和真实行情验证。标签量化交易Python波动率学习笔记Datawhale投资组合分类Python / 量化投资前言很多新手只关心「我能赚多少钱」但量化研究员更关心「为了赚这些钱我要承担什么风险」。这一章从两个收益完全相同、但持有体验天差地别的故事切入帮你建立对波动率的直觉并学会用 Python 真实计算它。一、为什么两只收益相同的股票体验完全不同想象你和朋友各拿1 万元分别买入两只股票连续观察5 天股票价格路径最终结果A100 → 105 → 110 → 115 → 12020%B100 → 80 → 130 → 70 → 12020%第 5 天两个人账户都是12,000 元相对本金都赚了20%。但持有体验完全不同股票 A像坐电梯稳稳上涨股票 B像坐过山车经历过 -20%、62.5%、-46.2% 的剧烈波动量化研究员不仅看「赚多少」还要看「中间有多颠」。二、什么是波动金融市场中价格从来不是直线运动的有些股票像坐电梯——缓缓上行偶尔停一停有些股票像坐过山车——尖叫、俯冲、再弹射量化里我们把这种**「不稳定程度」**叫做波动Volatility。右图红色阴影 从阶段高点跌下来的部分也就是账户「缩水」的时刻。三、为什么用收益率而不是价格问题解释价格会「越涨越高」100 元的 5% 和 200 元的 5%绝对金额差一倍不同股票价位差很多直接比价格涨跌不公平收益率是相对变化可以在不同股票、不同时期之间比较日收益率公式r t P t − P t − 1 P t − 1 r_t \frac{P_t - P_{t-1}}{P_{t-1}}rtPt−1Pt−Pt−1代码实现df[return]df[Close].pct_change()左图累计收益率曲线看长期方向右图日收益率直方图看日常分布是集中还是分散四、波动率 收益率的标准差标准差衡量的是数据的分散程度标准差含义越大收益率越分散 → 波动率越高越小收益率越集中 → 波动率越低样本标准差公式σ 1 n − 1 ∑ i 1 n ( r i − r ˉ ) 2 \sigma \sqrt{\frac{1}{n-1}\sum_{i1}^{n}(r_i - \bar{r})^2}σn−11i1∑n(ri−rˉ)2其中r i r_iri第 i 天的日收益率r ˉ \bar{r}rˉ日收益率的平均值n nn样本天数σ \sigmaσ标准差用来近似日波动率玩具案例验证5.1股票日波动率标准差A平稳上涨0.28%B大起大落58.85%B 的波动率约为 A 的210 倍和肉眼观察的「过山车」完全一致。真实数据AAPL日波动率标准差1.5469%粗略直觉典型单日涨跌幅度大约在±1.55%附近五、年化波动率日波动率只有「一天」尺度不同研报、不同软件口径不统一。业界习惯换算成**「一年尺度」**方便横向比较美股一年约252 个交易日年化因子取252 \sqrt{252}252公式σ a n n u a l σ d a i l y × 252 \sigma_{annual} \sigma_{daily} \times \sqrt{252}σannualσdaily×252一句话年化波动率 把「日波动」翻译成人人都懂的「年尺度」。六、三票波动率 PK苹果 vs 特斯拉 vs 英伟达用近 2 年真实数据计算三只科技龙头股的日/年化波动率股票日波动率年化波动率年化收益约苹果1.79%28.41%26.01%特斯拉3.83%60.77%47.06%英伟达2.98%47.29%45.17%结论最稳苹果28.4%—— 大公司、机构持仓多走势相对稳最刺激特斯拉60.8%—— 涨得猛跌得也猛七、同收益、不同波动净值路径模拟假设两位投资者一年后账户都赚了 20%投资者年收益年化波动率性格画像A20%10%平稳型 · 像坐电梯B20%60%过山车型 · 大起大落模拟结果投资者 A最终净值 1.11最大回撤-5.7%投资者 B最终净值 1.25最大回撤-43.3%终点一样路径完全不同。高波动的 B 中途回撤极大很多人可能在低点「受不了」而卖出。八、小实验你会选哪一个规则未来 5 年不能卖出。你只能选一只。选项预期年收益年化波动率A40%50%B20%10%用 8 只真实股票 2 个虚构选项做风险-收益散点近 2 年历史数据一览名称年化收益年化波动可口可乐18.0%17.6%摩根大通35.6%25.3%苹果26.0%28.4%微软-2.3%26.5%Meta22.3%37.4%英伟达45.2%47.3%特斯拉47.0%60.8%Coinbase7.6%78.1%我的选择选项 B20% 收益10% 波动率理由5 年不能卖我需要一个能让我睡得着觉的组合。高波动带来的心理压力可能导致我在低点割肉最终实际收益反而不如低波动组合。九、挑战任务结果等级任务结果Lv.1计算 AMD 年化波动率69.34%Lv.2加入 MSFT 对比TSLA 44.78% NVDA 35.83% MSFT 27.62% AAPL 24.56%Lv.3MSFT 日收益率分布直方图已生成Lv.4近 1 年波动率最高AMD (69.34%) COIN (68.48%) TSLA (44.78%)十、核心公式汇总公式含义出处r t P t − P t − 1 P t − 1 r_t \frac{P_t - P_{t-1}}{P_{t-1}}rtPt−1Pt−Pt−1日收益率5.3σ 1 n − 1 ∑ i 1 n ( r i − r ˉ ) 2 \sigma \sqrt{\frac{1}{n-1}\sum_{i1}^{n}(r_i - \bar{r})^2}σn−11∑i1n(ri−rˉ)2样本标准差5.4σ a n n u a l σ d a i l y × 252 \sigma_{annual} \sigma_{daily} \times \sqrt{252}σannualσdaily×252年化波动率5.5年化收益 ( 1 r ˉ ) 252 − 1 \text{年化收益} (1 \bar{r})^{252} - 1年化收益(1rˉ)252−1年化收益率几何5.5十一、关键收获波动率是投资体验的量化以前只觉得「风险大」现在知道可以用标准差精确测量年化换算的重要性不同频率的数据必须标准化到同一尺度才能比较历史 ≠ 未来波动率是无法直接观测的隐变量我们只能估算高波动的隐性成本不只是数学上的标准差更是行为学上的「拿不住」核心金句「投资最重要的不是赚得最快而是长期活下来。」—— 巴菲特波动率不仅是数学指标也是投资体验。体验太差会导致错误的操作——最终「理论上的收益」你根本拿不到。它属于无法直接观测的隐变量我们只能通过历史行情近似估算。历史波动率 ≠ 未来波动率参考资源课程仓库datawhalechina/quant-for-beginners本章 Notebook01_理解波动率.ipynb
![[Android] 可视化音乐制作 -短视频超火的音乐视频制作工具](http://pic.xiahunao.cn/yaotu/[Android] 可视化音乐制作 -短视频超火的音乐视频制作工具)
