20. 事件驱动的波动率预测模型：GARCH模型、隐含波动率与已实现波动率的关系、预测误差分析

各位做事件驱动交易的朋友，咱们今天聊点硬核的。波动率预测，说白了就是猜市场接下来会怎么「抖」。我做了这么多年量化，发现一个规律：事件发生前，波动率像弹簧；事件发生后，弹簧要么弹开，要么断掉。怎么预测这个「弹」的力度？这就是本章要解决的问题。

20.1 GARCH模型：波动率的「记忆效应」

先说说GARCH模型。这玩意儿在金融时间序列里，地位相当于炒菜时的盐——基础，但不可或缺。

GARCH模型的核心思想很简单：今天的波动率，跟昨天的波动率有关，也跟昨天的「意外」有关。你想想看，如果昨天市场因为某个突发事件剧烈波动，今天大概率也不会太平静。这就是波动率的「聚集效应」。

我习惯用的标准GARCH(1,1)模型长这样：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

其中：

• σ²_t：今天的条件方差（波动率平方）
• ε²_{t-1}：昨天的「冲击」——实际收益率与预期收益率的差平方
• σ²_{t-1}：昨天的条件方差
• ω, α, β：待估参数

我在项目中遇到过一个问题：直接用GARCH预测事件前后的波动率，效果很差。为什么？因为GARCH假设波动率是「平滑」变化的，但事件驱动交易中，波动率往往是「跳变」的。比如财报发布前，隐含波动率可能瞬间飙升50%，GARCH根本反应不过来。

20.2 隐含波动率 vs 已实现波动率：谁更「聪明」？

这里有个经典问题：隐含波动率（IV）和已实现波动率（RV），到底谁预测谁？

我个人经验是：在事件发生前，IV是RV的「领先指标」；在事件发生后，RV反过来修正IV。说白了，期权市场里的聪明钱，早就把事件预期「定价」进去了。

来看一个典型的对比：

时间点	隐含波动率（IV）	已实现波动率（RV）	关系
事件前5天	快速上升	缓慢上升	IV > RV，溢价明显
事件前1天	达到峰值	小幅波动	IV 远高于 RV
事件当天	剧烈波动	瞬间飙升	RV 追赶 IV
事件后1天	快速回落	高位震荡	IV < RV，溢价消失

你想想看，这个规律能用来做什么？嗯，套利。当IV远高于RV时，做空波动率；当IV远低于RV时，做多波动率。但要注意——事件当天的「瞬间飙升」可能让你爆仓，所以仓位管理必须严格。

20.3 预测误差分析：为什么模型总「猜错」？

做预测，误差是逃不掉的。关键是怎么分析误差，怎么改进。

我常用的误差指标有三个：

• 均方根误差（RMSE）：对大误差「惩罚」更重，适合风险厌恶型交易
• 平均绝对误差（MAE）：更直观，单位跟波动率本身一致
• 赫芬达尔-赫希曼指数（HHI）：衡量预测误差的「集中度」，如果误差集中在某个方向，说明模型有系统性偏差

举个例子。有一次我预测某科技公司的财报波动率，GARCH模型给出的RMSE是0.15，看起来不错。但仔细一看MAE，发现正误差（预测值低于实际值）占了80%。这说明模型系统性低估了事件冲击。后来我加入了「行业波动率因子」，把RMSE降到了0.11。

20.4 核心逻辑框架图

下面这张图，是我自己总结的事件驱动波动率预测的核心逻辑。你看一眼就能明白整个流程：

这张图的核心逻辑是：数据输入 → 模型计算 → 输出预测 → 误差分析 → 反馈修正。闭环迭代，才能让模型越来越准。

20.5 实战中的几个坑

最后，分享几个我踩过的坑：

1. 不要迷信GARCH：事件驱动场景下，GARCH的「平滑假设」经常失效。我建议你同时跑一个「跳跃扩散模型」做对比。
2. 隐含波动率不是免费的午餐：IV里包含了风险溢价，不是纯波动率预期。直接用IV做预测，会有系统性偏差。
3. 误差分析要「分时段」做：事件前、事件中、事件后，误差模式完全不同。混在一起分析，等于白做。

嗯，今天就聊到这儿。波动率预测这事儿，没有银弹。多试几种模型，多分析误差，慢慢就能找到感觉。