在需要建模、预测或解读波动率（EWMA/GARCH…

适用于金融时间序列与期权数据中的波动率建模、预测、归因和风险解释。

适用场景

解决思路

1. 用 EWMA 更新方差：按 sigma^2_t = lambda * sigma^2_{t-1} + (1 - lambda) * r^2_{t-1} 计算；lambda 为衰减因子，RiskMetrics 日频标准取 0.94，月频取 0.97；r_{t-1} 通常去均值，日频可假设均值为 0；sigma^2_{t-1} 为上期方差估计。
2. EWMA 操作要点：对过去平方收益赋指数衰减权重；有效窗口约为 1/(1 - lambda)，lambda=0.94 时约 17 天；它等价 IGARCH（alpha+beta=1），无均值回复，波动冲击不会衰减；只需一个参数，适合简单短期预测。
3. 用 GARCH(1,1) 更新方差：按 sigma^2_t = omega + alpha * r^2_{t-1} + beta * sigma^2_{t-1} 计算；omega>0 决定长期方差水平，alpha>=0 衡量对近期冲击反应，beta>=0 衡量过去方差记忆。
4. 估计 GARCH(1,1) 后检查平稳性：必须 alpha + beta < 1，才满足协方差平稳和均值回复；否则长期方差不定义，模型为 IGARCH 或爆炸。
5. 计算 GARCH(1,1) 长期方差：V_L = omega / (1 - alpha - beta)。
6. 计算长期年化波动率：sigma_L = sqrt(V_L * 252)。
7. 解释持续性：用 alpha + beta 衡量波动率回到长期水平的速度，数值越高回归越慢。
8. 计算波动率冲击半衰期：h = -ln(2) / ln(alpha + beta)；因为 alpha+beta<1，ln(alpha+beta)<0，所以 h 为正。
9. 做多步 GARCH(1,1) 预测：E[sigma^2_{t+h}] = V_L + (alpha + beta)^h * (sigma^2_t - V_L)；随 h 增大收敛到 V_L。
10. 提取隐含波动率：把 sigma 代入期权定价模型（通常 Black-Scholes），使理论价格等于市场观察价格；欧式看涨公式 C = S * N(d1) - K * exp(-rT) * N(d2)，其中 d1 = [ln(S/K) + (r + sigma^2/2) * T] / (sigma * sqrt(T))，d2 = d1 - sigma * sqrt(T)。
11. 求解 IV：令 C_model(sigma) = C_market，对 sigma 做数值求解，因为没有闭式解；可用 Newton-Raphson 或二分法等。
12. 分析波动率微笑：检查 IV 是否按行权价变化；若深度价内和深度价外期权 IV 都更高，呈 U 形，常见于外汇市场。
13. 分析波动率偏斜/ smirk：检查低行权价（价外看跌）IV 是否高于价外看涨；这是股票市场主导形态，反映下行保护需求和左尾厚尾。
14. 量化 skew：计算 25-delta put 与 25-delta call 的 IV 差，或 90% moneyness 与 110% moneyness 行权价之间的 IV 差。
15. 分析波动率期限结构：比较不同到期日期权的 IV；正常上倾表示长期 IV 高于短期，倒挂表示短期 IV 高于长期（常见于市场压力、财报、选举、危机），驼峰表示 IV 在中间期限见顶（可能围绕特定预期事件）。
16. 构建/使用波动率曲面：在行权价（或 delta/moneyness）与到期期限两个维度上组织 IV；对曲面插值以给任意行权价/到期组合定价；跟踪曲面平移、倾斜、弯曲等动态，用于期权组合风险管理。
17. 计算波动率风险溢价 VRP：VRP = IV - RV_subsequent；其中 RV_subsequent 是随后实现的波动率。
18. 解读 VRP：IV 平均系统性高于随后 RV，因为投资者愿为期权/保险付溢价，期权卖方要求承担尾部风险补偿；VRP 通常为正且是波动率卖方的持续收益来源。
19. 跟踪 VRP 时点变化：VRP 随时间变化，市场压力期更大；卖波动率可稳定收割溢价，但暴露于大而罕见的损失；极端事件中 VRP 可能转负。
20. 解读 VIX：CBOE Volatility Index 衡量市场对未来 30 天年化波动率的预期，来自 S&P 500 期权价格；以年化百分点报价，VIX=20 表示约 20% 预期年化波动率。
21. 计算/理解 VIX：VIX 用一篮子价外看跌和看涨期权计算，不来自 Black-Scholes 模型；水平分档：12-15 低/自满，15-20 正常，20-30 偏高，30+ 高压力，40+ 危机；VIX 强均值回复，市场抛售时易飙升（“恐慌指数”）。
22. 按关键公式执行计算：EWMA 方差、GARCH(1,1) 方差、GARCH 长期方差、GARCH 半衰期、GARCH h 步预测、Black-Scholes 看涨、VRP、EWMA 有效窗口。
23. 按示例 1 更新 EWMA：给定 sigma^2_{t-1}=0.0004、r_{t-1}=-0.03、lambda=0.94，计算 sigma^2_t=0.94*0.0004+(1-0.94)*(-0.03)^2=0.000430，日波动率 sqrt(0.000430)=0.02074=2.074%；注意高 lambda 会抑制对冲击的反应。
24. 按示例 2 计算 GARCH：给定 omega=0.000002、alpha=0.08、beta=0.91，先检查 alpha+beta=0.99<1；计算 V_L=0.000002/(1-0.99)=0.0002，日波动率 sqrt(0.0002)=1.414%，年化 0.01414*sqrt(252)=22.45%，半衰期 -ln(2)/ln(0.99)=68.97≈69 个交易日（约 3 个月）。
25. 按示例 3 解读 IV：股票 $100、3 个月 ATM call K=$100 价格 $6.50、无风险利率 5%，用 Black-Scholes 数值求解得到 IV=30%；与已实现波动率 22% 比较，VRP=30%-22%=8%。
26. 按示例 3 做决策解释：正 8 个百分点 VRP 可能表示市场预期波动率上升、期权卖方要求尾部风险溢价、或即将发生事件；系统化卖波动率策略会卖出该期权，若实现波动率接近 22% 可获利，但承担实现波动率超过 30% 的风险。
27. 用历史波动率估计器作基准：用 close-to-close、Parkinson、Yang-Zhang 估计已实现波动率，与 GARCH 预测和隐含波动率比较。
28. 把波动率预测输入风险模型：将 EWMA/GARCH 波动率预测用于参数法和 Monte Carlo VaR 计算。
29. 把波动率估计用于绩效指标：波动率进入 Sharpe、Sortino 等风险调整比率的分母；使用前瞻性 GARCH 波动率可得到条件绩效比率。
30. 运行脚本：用 `uv run scripts/volatility_modeling.py`；PEP 723 头会自动解析 numpy 和 scipy 依赖。也可在 `pip install numpy scipy` 后运行 `python3 scripts/volatility_modeling.py`。
31. 使用脚本模式：裸运行会在合成 GARCH 动态收益上打印演示，包括 EWMA 波动率、GARCH(1,1) 估计和多步预测、已实现和 Parkinson 波动率、期限结构、波动率锥。
32. 验证脚本：运行 `--verify` 重跑关键计算并断言输出与本技能工作示例一致（打印 PASS/FAIL，不匹配时非零退出）。
33. 查看脚本接口：运行 `--help` 列出可用类和方方法。
34. 作为模块导入：例如 `from volatility_modeling import VolatilityModeling`。
35. 选择 EWMA lambda：lambda 显著影响响应速度；lambda=0.94 对冲击反应快（有效窗口约 17 天），lambda=0.97 更平滑（有效窗口约 33 天）；选择应与应用期限匹配。
36. 避免过度拟合 GARCH：更高阶 GARCH(p,q) 或扩展（EGARCH、TGARCH、GJR-GARCH）可能样本内过拟合；多数金融收益序列中 GARCH(1,1) 样本外很难被击败；从 GARCH(1,1) 开始，并说明增加复杂度的理由。
37. 处理长周期日频 GARCH 预测：日频 GARCH 长期会收敛到无条件方差；用 E[sigma^2_{t+h}] = V_L + (alpha+beta)^h * (sigma^2_t - V_L) 计算，并适当聚合。
38. 区分历史波动率与前瞻波动率：历史/已实现波动率衡量已发生，隐含波动率反映市场对未来预期；两者回答不同问题，可能显著背离。

适用边界 · 注意事项

• 当 alpha + beta >= 1 时，不要用 GARCH(1,1) 的长期方差/均值回复公式；此时 V_L 未定义，模型为 IGARCH 或爆炸。
• 当需要长期波动率预测且预期均值回复时，不要只用 EWMA；EWMA 等价 IGARCH（alpha+beta=1），冲击永不衰减。
• 不要把 Black-Scholes 提取的隐含波动率当作无模型、无偏的真实未来波动率预测；它依赖对数正态、常数波动率、连续交易、无跳跃等假设，微笑/偏斜正说明这些假设被违反。