Volatility Regime Classifier [AFD]

NOTE

本文为公开交易策略的技战术复盘，聚焦方法逻辑、交易场景与风险边界。

在交易中，判断方向永远不是唯一难题。很多时候，一套策略在震荡市里反复止损，或在单边市中过早止盈，根源未必是“看错方向”，而是没有识别出当前市场正处于怎样的波动环境里。今天要讨论的“波动率体制分类器”，就是为了给这类问题提供一个简洁而直观的答案。它由策略作者 AuctionFoundry 设计，核心思想非常简单：先度量这个品种自己最近“走得多厉害”，然后把它跟自己的历史记录比一比，最后用百分位和四档名称告诉你：现在是平静、正常、偏高，还是极端波动。

策略解读

通俗地说，这个策略在问一个问题：今天的市场“步子”，和它自己平时的“步子”相比，是迈得更大还是更小？

打个比方：一个人平时每天行走一万步，但今天突然走了两万步，我们就可以说他今天的活动量显著高于常态；反过来，如果他今天只走了三千步，那就明显低于常态。这里的关键是“和他自己比”，而不是和别人比。一只单价 10 元的股票，每天波动 0.1 元可能已属正常；而一只单价 1000 元的股票，每天波动 5 元可能仍然算安静。因此，使用绝对波动幅度在不同品种之间没有可比性，而与自己历史相比，则能实现某种“自适应性”。

这个策略的具体运作大致可以拆成三层：

第一层，度量“每根K线的移动距离”。这个距离可以是最低价到最高价的区间，也可以是更复杂的真实波幅，后者会考虑隔夜跳空的因素。之所以强调“自身价格柱”，是因为它不关心方向，只关心价格从这头走到那头总共花了多少“力气”。

第二层，将当前的移动距离放到一段历史窗口里排序。比如最近 200 根K线中，当前这根K线的移动距离排在第 90 个百分位，就意味着在过去 200 个样本里，只有 10% 的时间比现在更“剧烈”。这一百分位天然带着“相对历史水平”的含义。

第三层，把百分位映射到四个档位。通常可以把百分位分成几段：例如 0-20 为 QUIET，20-60 为 NORMAL，60-85 为 ELEVATED，85-100 为 EXTREME。当然，具体阈值需要自行定义，不同参数会直接改变输出结果。

更有意思的是，策略还同时给出了“近期波动”与“长期波动”的比较关系。如果把短期平均波幅视为分子、长期平均波幅视为分母，那么比值大于 1 说明短期波动正在快速膨胀，比值小于 1 说明短期波动正在收缩。再加上读数是否仍在升高或降低，就能知道当前环境处于“扩散”还是“衰减”阶段。

这种设计的底层逻辑，来自金融学中一个著名经验事实：波动率具有聚集效应。大涨大跌之后往往跟着更大的波动，而风平浪静之后也往往依旧是平静。识别当前处于哪个波动体制，可以帮助交易者提前调整仓位、止损距离和交易频率。例如，在 QUIET 阶段，突破策略的成功率往往整体偏低；而在 ELEVATED 或 EXTREME 阶段，趋势行情更容易出现，但同时也伴随着剧烈反向风险。

需要注意的是，这个工具并不预测方向。它像一份“天气报告”，只告诉你现在是暴风雨还是晴天，却不告诉你风从哪个方向吹来。正因为如此，它可以作为环境过滤器，叠加在趋势、反转、套利等各类策略之上。

名词解释

波动率（Volatility）：金融资产价格在一段时间内变动的剧烈程度，通常用标准差、真实波幅等指标衡量。波动率越大，价格不确定性越高。
ATR（平均真实波幅，Average True Range）：由 J. Welles Wilder 在 1978 年推广的波动率指标。它先取“当前K线的最高价与最低价之差”“当前最高价与前一收盘价之差”“当前最低价与前一收盘价之差”三者的最大值，称为真实波幅；再对一段周期内的真实波幅求平均，得到 ATR。它比简单的高低点之差更能反映跳空造成的真实移动。
百分位（Percentile）：将一组数据从小到大排列，某个数值的百分位表示有多少比例的数据小于或等于该值。例如第 90 百分位，意味着当前数值比历史 90% 的样本都高。
分位数（Quantile）：将样本累积分布切割成等份的临界点。25% 分位数、50% 分位数、75% 分位数等常用于划分低、中、高波动区间。
波动率聚集（Volatility Clustering）：金融时间序列中常见现象——大波动往往成群出现，小波动也往往成群出现。这种特征最早由 Robert Engle 通过 ARCH 模型于 1982 年系统描述。
体制转换（Regime Switching）：市场的内在规律并非一成不变，而是会在不同状态之间切换，例如低波动状态切换到高波动状态，再由高波动回归低波动。识别当前属于哪个体制，是定量分析的重要课题。
均值回归（Mean Reversion）：波动率虽然会偏离历史平均水平，但长期来看，它会向一个常态水平回归。这也是许多波动率分类指标能够成立的统计基础。

策略思路讲解

这个策略本质上是一个“波动率制度雷达”。它的完整逻辑可以分为五个环节。

第一步：度量单根K线的波动强度。
需要对每一根K线计算一个“距离”，表示这根K线本身跳动得有多快。最常见的选择是真实波幅，也可以使用最高价与最低价的差价，甚至用K线的实体长度。无论采用哪种，都要保证横截面上的可比性——即不同时期用同样的计算方法。

第二步：构造历史样本窗口。
取过去一定数量的K线，比如 100、200 或 500 根，作为“该品种最近的自己”。这个窗口越短，反应越快，但噪声越大；窗口越长，统计上更稳定，但滞后更强。

第三步：计算当前波动距离的历史百分位。
将当前K线的波动距离放入历史窗口中排序，得到 0 到 100 的百分位。此时这个数值已经包含了“当前波动强于过去百分之多少的时间”这一信息。接下来，把百分位映射为四档。这里的关键是，分档本身是人为设定的，可以按均匀分段，也可以根据品种的具体分布做非均匀划分。例如，某品种在 80% 以上的时候波动都特别高，那么这个分位档位就需要更适应其“自身常态”。

第四步：补充短长期比较和动态趋势。
仅仅知道当前过去排第几还不够，还要知道近期波动相对长期是扩大还是缩小。策略会分别计算短期平均波动距离和长期平均波动距离，比如 20 根与 200 根，再比较两者的比值。此外，它还会追踪百分位序列自身的方向变化，相当于求一个“速度”：如果百分位从 70 加到 90，说明市场正在快速进入高波动状态；如果从 95 回落到 85，说明极端波动可能正在降温。

第五步：把以上结果用于实战。
例如：

当状态为 QUIET 时，波动收窄，可能预示着变盘临近，可以选择观望或为突破行情做准备。
NORMAL 是常规环境，可保持正常策略仓位。
ELEVATED 意味着波动已经明显放大，应该收窄止损、降低杠杆，或者顺势使用趋势跟踪策略。
EXTREME 往往是情绪化极端阶段，可能伴随价格尖峰或反转，此时追涨杀跌性价比降低，更适合等待极端情绪修复后的机会。

这个策略的核心价值不在于单独给出买卖信号，而在于为其他策略提供一个“环境坐标”。同样一个金叉信号，在 QUIET 环境下和 EXTREME 环境下，可靠性完全不同。通过波动率体制分类，交易者可以从“何时买卖”的执念中跳出来，先问一句：现在适合不适合交易？

优点

自适应性强
该系统基于单个品种自身的历史数据排序，不需要人为设定一个固定波幅数值。不同价格、不同波动水平的品种都能用同一套逻辑比较。
结果直观易用
0 到 100 的百分位比原始波幅数字要好理解得多，四档名称更是让新手一目了然。哪怕不懂统计知识，也能快速明白当前状态。
不依赖方向判断
该策略不预测涨跌，因此可以作为一个“环境过滤器”与任何方向性策略组合使用。不会因为方向判断错误而影响对波动环境的判断。
提供多维度信息
除百分位外，还包括“短长期比”和“动态趋势”，这些信息可以帮助交易者判断波动率处于放大、维持还是衰减的阶段，而不仅仅是当下的静态水平。
对历史分布形状相对稳健
使用百分位排序，不像标准差那样要求数据服从正态分布。即使价格出现极端的厚尾变化，排序法也不会像均值加减偏差那样被极端值过度扭曲。

缺点

存在天然滞后
所有计算都基于历史数据。当一波剧烈波动刚刚开始，如果此前是长期平静，那么当前波动可能还要等几根K线之后，才能真正挤进高分位区间。
无法区分涨跌方向
波动率升高可能是暴涨，也可能是暴跌。单纯依靠波动率分类，无法知道市场的风险在哪一边，需要配合趋势或方向类指标补充。
参数与阈值主观性太强
回溯窗口长度、分档阈值、短周期与长周期的周期数都会显著改变结果。对同一段行情，不同参数可能给出完全不同级别的分类，容易引向过度优化。
历史分布可能失效
当市场发生结构性变化时——例如突然改变交易规则、基本面发生剧烈改变、或者黑天鹅事件——过去的历史样本无法充分代表“该品种通常多大波动”。
单周期视角有局限
一个标的在日线上可能显示正常，但在小时线上已经极端。只观察单一周期，可能错过跨周期尺度上的波动风险。

起源年份考证

需要说明的是，本文讨论的“波动率体制分类器”是一个具体工程化实现，而不是一个全新理论。我们要考证的是“该类方法”的起源与发展时间线。

1970 年代：大众化波动率指标诞生。
Wilder 在 1978 年发布 ATR、通道突破等技术与算法，为后续基于真实波幅的波动率测量奠定了工具基础。
1980 年代初：波动率动态建模起步。
Robert Engle 于 1982 年提出 ARCH 模型（自回归条件异方差模型），首次系统刻画了波动率聚集现象。此后 Tim Bollerslev 于 1986 年提出 GARCH 模型，使波动率预测在实际中大规模应用。这是“波动率状态分类”的计量经济学源头。
1989 年：马尔可夫体制转换模型出现。
James Hamilton 提出马尔可夫体制转换模型，允许时间序列在不同状态（例如高波动、低波动）之间随机切换。这直接催生了“波动率体制”的思想，是这类分类器的学术鼻祖。
1993 年：波动率指数走向大众。
CBOE 于 1993 年推出 VIX 波动率指数，将市场对未来波动的预期做成一个可交易的指数。此后波动率从学术概念变成交易者熟悉的日常工具。
2010 年以后：公开交易社区中的实用化。
随着在线图表与量化社区兴起，许多将波动率转化为百分位、分档、彩色状态标签的小工具开始流行。这类“波动率体制分类器”属于对这些学术方法的一种轻量化、可视化重新表达。具体这个策略作者的作品发布时间无法精确考证，但可以推断其流行期在 2015 年之后。

因此，该策略的“根”跨越了至少四十年：从 ATR 到 ARCH/GARCH，再到马尔可夫体制转换，最后落到大众交易社区的简易工程实现。

改进建议

自适应动态阈值
不要使用固定百分位作为分档边界，而是定期重新计算品种的波动分布，根据最新历史动态调整四档的临界值，从而适应不同市场阶段的整体水平变化。
增加多周期验证
将日线、4小时线、1小时线等多周期同时纳入，只有当多个周期均显示同一状态时才给出较强信号。这样可以过滤单一周期上的局部噪声。
引入成交量或持仓量确认
波动幅度放大如果伴随显著放量，说明是真正的资金行为；如果只是窄幅无量的价格抖动，则可能是流动性缺失。结合成交量，可以更准确判断波动率体制变化的可信度。
使用指数加权平均
相对简单移动平均，指数加权平均对近期数据赋予更高权重，可以更快捕捉到波动率突然扩张或收缩的信号，降低滞后性。
分离上行与下行波动率
分别统计“上涨K线”的波动距离和“下跌K线”的波动距离，形成波动率偏斜指标。例如，如果下行波动率远超上行波动率，则当前高波动状态更偏空风险。
加入波动率加速度
除当前百分位和变化方向外，还可以计算百分位的二阶变化量，也就是“变化速度的变化”。当百分位已经位于 95 以上，但加速度开始减弱，可能意味着极端波动接近尾声。
与动态仓位管理绑定
将四档状态映射到建议仓位比例：QUIET 时保持基础仓位，NORMAL 时正常仓位，ELEVATED 时减半，EXTREME 时降至最小。这种规则化用法能帮助交易者克服极端行情中的情绪冲动。
针对品种进行回测校准
不同品种的波动性格不同，有的天生容易暴涨暴跌，有的长期低迷。对每一个品种单独回测，找出最适合它的窗口长度和分档阈值，是提高策略实用性的重要步骤。

总结

波动率体制分类器，是一类不预测价格方向、只专注“环境判断”的工具。它通过把当前波动距离与自身历史比较，转换成一个 0 到 100 的百分位，并进一步划分为平静、正常、偏高、极端四档，让交易者能够快速建立对当前市场“体温”的感知。这种设计背后的核心逻辑是波动率的聚集性与体制转换性：波动不是随机散落的，而是有记忆、有集群、有周期的。

它有三个最重要的使用心态：第一，它是“工具”而不是“圣杯”，不能直接告诉你买或卖；第二，它的输出是相对排名，因此天然具有品种自适应性，但也因此受到历史样本的限制；第三，它最适合与方向策略、仓位管理、止损规则配合使用，作为决策链条中的一层过滤器。

理解这样一种指标，不只是为了多掌握一个技术工具，更是为了树立一种交易观：在问“买什么、卖什么”之前，先问“现在这个市场，还正常吗？” 当市场剧烈颤抖时，最好的动作往往不是冲进去，而是先系好安全带。

这种从“方向”转向“环境”的思维方式，或许比任何单一指标都更有价值。