最近持續在被期權策略折磨中（痛並快樂著
今天分享一下對波動率預測在期權策略應用的一些思考
波動率預測的本質問題
波動率預測在期權裡的應用，其實是一個關於「你在對什麼下注」的問題。
大部分人以為自己在預測波動率，但實際上他們在做的，是對波動率的二階導數下注，這兩件事表面上很像，但它們要求完全不同的分析框架，失效的方式也不同。
隱含波動率與已實現波動率的動態關係
隱含波動率不是市場對未來波動率的無偏預測，這一點很多人都知道。但更深的問題是：隱含波動率是誰的預期？它反映的是期權市場裡邊際定價者的風險偏好，而這個邊際定價者在不同的市場環境下是不同的人。在市場平靜的時候，邊際定價者可能是做市商，他們的定價邏輯是庫存管理和對沖成本；在市場出現壓力的時候，邊際定價者可能是恐慌的買方，他們的定價邏輯是不計成本的保護需求。
這意味著，隱含波動（IV）和已實現波動（RV）之間的關係，是一個隨市場參與者結構動態變化的函數。你的預測模型如果沒有把這個結構性因素考慮進去，它捕捉的只是歷史上某種平均狀態下的關係。
場景一：賣出或買入波動率的挑戰
然後說波動率預測在期權應用裡最具體的幾個場景，以及每個場景裡真正的困難在哪裡。
最常見的應用是決定賣出還是買入波動率。邏輯是：
- 預測的已實現波動率低於當前隱含波動率，賣出；
- 反之買入。
這個框架的問題在於它把一個連續的、動態的市場狀態，壓縮成了一個二元決策。
真實的情況是，即使你的預測方向是對的，隱含波動率在到期之前可以先大幅偏離你的預測方向，然後再回歸。如果你的倉位在這個偏離的過程中承受不了損失，你會在回歸發生之前被迫出場。這個路徑風險，在任何靜態的預測框架裡都是不可見的。
解決這個問題的方向，我的建議是把預測的輸出從「方向判斷」升級為「狀態概率分布」。你不應該問「波動率會上升還是下降」，你應該問「在未來的持倉週期裡，波動率的可能路徑分布是什麼，我的倉位在這個分布的哪些路徑上會出現無法承受的損失」。這是一個完全不同的問題，它要求你對波動率的動態過程建模，不只是對終點建模。
這裡有一個具體的技術困難。波動率的動態過程，通常被建模為均值回歸的隨機過程，但這個過程的參數，均值回歸速度、長期均值、波動率的波動率（vol of vol）。本身都是時變的，而且在市場壓力下會發生跳躍性的結構變化。你用歷史數據估計出來的參數，在市場狀態發生轉變的時候可能會失效。
這不是可以用更多數據解決的問題，這是模型假設的根本性局限。
場景二：波動率曲面的相對價值交易
第二個重要的應用場景是波動率曲面的相對價值交易。
這個方向比單純的方向性波動率交易更有意思，因為它不要求你預測波動率的絕對水平，只要求你識別曲面上不同點之間的相對定價偏差。理論上，這是一個更穩健的框架，因為你的風險敞口是相對的，不是絕對的。
但實際上，這個框架有幾個深層的困難。
波動率曲面的形狀，反映的是市場對不同情景的定價。偏度（Skew）反映的是市場對下跌的恐懼程度；期限結構反映的是市場對不同時間窗口內風險的判斷。這些不同維度的定價，背後有不同的驅動因素，它們之間的關係不是固定的。當你發現曲面上某個點的定價看起來偏離了「正常」水平，你需要先問自己：這個偏離是定價錯誤，還是市場在反映一個你的模型沒有捕捉到的信息？
這個問題沒有辦法從數據本身回答，它需要你對市場的結構性理解。而這種理解，是任何預測模型都無法替代的。
更具體的困難是，波動率曲面的套利需要同時持有多個倉位，而這些倉位的對沖關係在市場移動的時候會發生變化。你以為你持有的是一個相對價值的倉位，但在市場出現壓力的時候，你會發現這些倉位之間的相關性突然上升，你的淨風險敞口遠比你以為的要大。這個相關性的不穩定性，在回測裡很難被真實呈現。
重新定義波動率預測的目標
說到最後，我認為波動率預測在期權應用裡真正的目標，應該被重新定義。
與其預測波動率會在哪裡，不如建立一個對波動率不確定性的量化描述，然後用這個描述來端到端指導倉位規模、對沖頻率、以及最重要的，在什麼條件下你應該完全退出市場。
這個目標的轉換意味著，你的預測框架需要輸出的一個關於未來可能狀態的概率分布，以及這個分布在不同市場條件下的可靠性評估。這比單一的預測模型都複雜，但我認為更robust。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文