【python量化】股指期货IF分钟波动率统计策略

PART
1
股指期货分钟级别波动率观察

在A股市场，股指期货是由一揽子股票组成的股票现货指数，所对应的期货。由于期货市场敏锐的价格发现作用，股指期货的价格运动往往领先于股票现货市场，波动率相比较股票市场也会更高，可以说股指期货是股票市场的风向标。

对于股指期货这样一个重要的风向标，我们先来统计一下它在分钟级别最精细的颗粒：1分钟K线下的波动特征。我们尝试用Python Pandas库的方法读入格式为csv文件的股指期货1分钟K线数据，并计算出股指期货1分钟的收益率数据，然后我们调用seaborn库的distplot、kdeplo、rugplot方法，绘制出股指期货1分钟K线波动的频率分布。

根据绘制的股指期货1分钟K线波动频率分布，与大多数金融资产一样，波动分布存在着尖峰厚尾的特征。从下图也可以看出，在-6 Sigma的区域，仍然存在相当显著的频率分布。

因此，我们可以判断，股指期货的分钟级波动，存在着“厚尾效应”，接下来我们将尝试，能否利用这些“厚尾效应”。

PART
2
统计“厚尾”波动发生后，行情会出现什么特征

我们分别以0.3、0.5、1的百分比阈值为例，统计“厚尾”波动发生后，接下来1分钟的收益率情况，并采用subplot语法，将3种不同的阈值，绘制在同一张输出图，以便比较。

观察统计结果，随着波动率阈值的升高，均值附近的分布比率下降、两侧的分布比率增加，说明下1分钟的波动率与上1分钟的波动率呈现正向相关的关系。

由于0.5%的阈值，在统计频数、分布规律上都比较显著。后续，我们选择0.5%作为统计和计算的阈值。

PART
3
[h1]“厚尾”波动的分类与思考[/h1]
我们在前文中计算的波动率，是按照收盘价与上一个收盘价（pre_close to close）的变化比率来衡量的，这就存在一个问题，即 close to close 的变化比率，可以由K线实体（open to close）的大幅变动产生，同样也可以由K线之间的跳空（pre_close to open）的大幅变动产生。

K线实体（open to close）的大幅变动通常发生在盘中，而K线之间的跳空（pre_close to open）几乎都发生在开盘的第1分钟。因此，我们将这两类厚尾波动分为实体波动以及跳空波动。

PART
4
[h1]实体波动的统计规律[/h1]
将实体的厚尾波动，再按向上波动（大幅上涨）和向下波动（大幅下跌）分为两类，波动的阈值按照此前设计的0.5%来截取，分为上涨、下跌进行统计，是为了避免混合在一起，某一方向的强特性掩盖了另一方向的弱特性。我们统计未来1分钟的收益率，并对收益率进行累积处理。

从统计结果可以看到，实体分钟K线的大幅波动，对后1分钟的预测结果呈现弱趋势线。即盘中股指期货，在前1分钟大幅上涨或下跌，后1分钟有较大的概率延续前1分钟的运动方向，而上涨的延续性，相比较下跌的延续性更强。

PART
5
[h1]跳空波动的统计规律[/h1]
我们以同样的方式，来统计跳空厚尾波动的接下来1分钟的行情运动规律。

我们看到了与实体波动完全不同的统计规律，第一点，跳空波动中厚尾波动发生的频率、频数，远高于实体波动，这一点也很好理解，因为开盘的跳空，消化的是停盘几个小时国内外发生的所有消息和事件；第二点，跳空波动在下1分钟的运动轨迹呈现显著的反转特征，开盘大幅的跳高、跳低在下1分钟反转的成功率高、多空性质稳定。

PART
6
[h1]构建IF分钟波动率统计策略[/h1]
通过比较实体波动与跳空波动的统计规律，跳空波动无论是在频率、还是稳定性上，均要优于实体波动。我们将根据跳空波动的规律，来构建一个简单的股指期货IF分钟波动率统计策略。

当股指期货IF大幅高开，超过我们设定的阈值，我们进场在接下来的1分钟时间内做空；而当股指期货IF大幅低开，超过我们设定的阈值乘以-1，在接下来的1分钟时间内做多。我们先按照统计规律中0.5%的阈值，测试这个策略想法。

我们改变阈值，将厚尾跳空波动的认定范围提高到1%，其他条件不变再次测试。

PART
7
[h1]对策略衍生的思考[/h1]
由于持有时间仅1分钟，策略的单笔利润较为微薄，在严格的费率和冲击下，有可能会侵蚀相当程度的测试利润。如果该策略需要应用到实际交易，仍需要进一步测试，是否有延长持有时间、或是截断亏损让利润奔跑的常规趋势出场操作的改进机会。

这个策略更大的应用价值，在于对大多数趋势策略在开盘触发止损（止盈）信号的叠加。试想，当我们的趋势策略持有与隔夜大幅跳空反向时，按照趋势策略常规的出场逻辑，我们会在开盘价附近直接止损，下图就是一个典型的策略信号。

而根据我们这个策略的测试，大幅度的隔夜跳空，会带来下1分钟极高概率的反向运动。因此，更优的做法是，我们在反向隔夜跳空触发策略出场时，等待1分钟，再进行出场的操作。相当于在原始策略收益的基础上，叠加了这个策略的利润，且对于叠加的策略，无需付出任何冲击、交易成本（因为我们本身也是要做同样的交易）。

如果想要获取本次分享的完整代码，或是任何关于数据分析、量化投资的问题，欢迎扫码下方二维码，添加技术宅微信

往期干货

[h1]【数量技术宅 | Python爬虫系列分享】实时监控股市重大公告的Python爬虫[/h1]