20250430 籌碼結構「分歧現象」

若出現 chip1 與 chip2 標註位置不一致（不 aligned），則屬於籌碼結構「分歧現象」，這在實務上具有極高解析價值，具體解讀如下：

---

🔍 解釋層級：非一致的結構解碼

類型	chip1 解讀（未加權）	chip2 解讀（加權後）
Call 壓力不一致	表面大量合約出現在 A 點	但高均價集中在 B 點 → 真正資金壓力在 B
Put 支撐不一致	名目上有大單掛在 A 點	但大資金選擇更低/更高履約價建立防守 → B 為主防

---

🔄 核心邏輯：chip1 看「表象流量」，chip2 看「資金真意圖」

1. chip1 強調：合約數量壓力 / 視覺上的多空張力

2. chip2 強調：資金流加權後的意圖重心

➡ 若二者 位置一致，代表：

數量與成本重心一致 → 機構在該價位密集佈局、防守/封鎖強烈

➡ 若二者 不一致，代表：

機構操作有遮蔽（可能以低成本佈大量單，再在別處建均價部位）
此時應優先解讀 chip2 的加權位置為真正資金意圖點

---

🧠 策略應用建議

分歧方向	操作含義
chip1 支撐 > chip2 支撐	表面撐高但資金防守偏低 → 風險更大
chip1 壓力 < chip2 壓力	表面封鎖在低檔，但資金其實看得更上面
兩者完全錯位	短線波動誘敵、籌碼轉移跡象
chip2 沉重但 chip1 無量	暗中大資金建倉，尚未出現顯性成交

20250429

最新調教成功的ChatGPT說明在FB社團

20250429 VWAP的介紹

• 【A】VWAP的真正數學原理

• 【B】VWAP在職業交易中的定位

• 【C】VWAP適合與不適合的使用時機

• 【D】進階應用（多日VWAP、Anchored VWAP）

---

📋【A】VWAP（Volume-Weighted Average Price）真正數學原理

➤ 定義

VWAP = 成交量加權平均價。

核心公式：

$$VWAP(t) = \frac{\sum_{i=1}^{t} (P_i \times V_i)}{\sum_{i=1}^{t} V_i}$$

其中：

• $P_i$ = 第i筆成交價格

• $V_i$ = 第i筆成交量

換句話說：

• Numerator（上面）是「價格 × 成交量」累積和（也就是價值總量）

• Denominator（下面）是「純成交量」累積和

• VWAP就是一個「單位量成交平均價格」

---

📚【B】VWAP在職業交易中的定位

層次	意義
對機構	機構交易部會以VWAP作為「執行績效」的比較基準。（例如：買單如果成交價低於VWAP，績效被認為良好）
對專業個人交易員	VWAP代表一日中「資金主流平均進場成本」，作為支撐/壓力的重要判斷依據。
對程式交易系統	作為【流動性中心】的參考：離VWAP太遠容易有均值回歸壓力；靠近VWAP區域則屬於「主流資金集結區」。

✅ 重要：「VWAP並非純粹的技術指標，它本質上是流動性結構」
（這跟例如MACD、RSI這種振盪類指標完全不同）

---

📈【C】VWAP適合與不適合的使用時機

➤ 最適用時機（強力使用）

情境	原因
開盤第一小時（08:45～09:45）	VWAP會迅速拉出「早盤資金中心區」，極具指標性。
盤整震盪盤	VWAP常成為主力回補/反壓的分界線。
多空轉折時刻	穿越VWAP通常伴隨趨勢切換跡象。

✔️ 在這些時候，靠近VWAP附近佈局（搶反彈或跟趨勢）勝率高。

---

➤ 不適合時機（避免誤用）

情境	原因
趨勢爆發盤（如一日單邊2%）	VWAP會「失效延遲」，一直被遠遠甩開，不能拿來當支撐壓力。
超低成交量窒息盤	VWAP跳動很小，無指標意義。

✔️ 在這些時候，VWAP就不能再當支撐/壓力看待，只能當作流動性聚集歷史資料參考。

---

🛠️【D】進階應用（多日VWAP、Anchored VWAP）

➤ 多日VWAP

• 有些量化交易會計算【多日累積VWAP】，例如過去3天的成交量加權平均。

• 可以捕捉中期資金平均成本層。

適合盤整區間做「中期流動性中心」推估。

---

➤ Anchored VWAP（指定起點VWAP）

• Anchored VWAP = 以特定時間點為起點，重新累積成交量加權平均價

• 例如：以「當日低點」、「當日高點」、「重要新聞發布點」作為Anchor

• 可以用來捕捉「特定事件後資金的真實平均進場成本」

實際範例：

• CPI公布 → 從公布時間Anchor開始計算VWAP

• FOMC會議 → 從FOMC聲明釋出時間Anchor開始計算VWAP

✅ Anchored VWAP非常強大，能補足傳統VWAP固定從開盤計算的缺點。

---

✅ 小結論（高水準版）

• VWAP是主流資金成本結構，而非一般技術指標。

• 真正意義是「資金流動平均心態價位」，而非單純均線。

• 正確使用VWAP，可以提高當沖、波段切換、資金跟隨交易的勝率。

• 進階可以利用Anchored VWAP來追蹤事件驅動後的資金移動核心。

 

20250428 ChatGPT

 

1️⃣ 【裸K線 結構診斷】

區段	現象	解讀
04/23-04/24	強勁單邊上漲波段，從18800一路推到20000	資金明顯做多進場，推升速度快，成交量同步放大
04/24後半段	出現高位急跌回測（接近19600附近止跌）	高檔拋壓出現，先行多單獲利了結
04/25以後	底部回踩成功，形成新支撐平台	多方重新整理完成，但動能收斂
04/26〜04/28	走勢轉為緩升 + 高檔橫向震盪，高低點收斂至19900〜20050區間	主力進入收租模式，未再大力推動

📍 裸K結構結論：

• 明顯完成一個完整上漲波段 → 進入盤整期

• 震盪收斂型態成型

• 高檔攻擊力道明顯減弱，主力採觀望或調節態勢

---

2️⃣ 【chip1 資金分佈診斷】

資金位階	現象	解讀
20000	最強 Sell Call 賣壓集中	明顯的心理整數位壓制
19500	明顯 Sell Put 支撐帶存在	空方有護盤需求，資金不願讓價跌破19500
NetAcc / Delta	在Spot附近（19900〜20000）進入負值盤整，無新積極建倉訊號	短線籌碼鎖定，高低兩端賣壓與支撐力量抵消

📍 chip1結論：

• 資金分佈已經固定成雙鎖區間盤

• 市場主力在20000上不願追價、多方怕拉太高

• 空方也只敢守壓，不敢主動砍破19500以下

• 典型【高檔壓制，低檔托底】結構成型

---

🎯 綜合後得出【Institutional-Level結論】

項目	說明
盤型定性	📦 高檔收斂震盪盤，未脫離壓力束縛
主力動向	📈 多方守底、防守偏強，但無新攻勢
短線策略	🎯 高勝率Range Trading：20000上賣Call；19500下賣Put
中線策略	🎯 等待向上突破20050或跌破19450才能重新布局方向單
特別警戒	❗ 若急速穿越VWAP + 高賣壓集中區（20000-20050），要快速反應方向單

---

🔥 Final Strategic View (Institutional Playbook)

策略分類	建議
賣方交易	✅ 賣20000 Call＋賣19500 Put，收取時間值，且兩邊都有自然防禦力
防守設定	📏 嚴格設定：上穿20100強制認錯；下破19450重新評估空方動能
槓桿控制	📉 減小手數，控制在原本期貨曝險的30%-50%，避免假突破誘發追單風險
新趨勢觸發點	🚀 突破20100強勢翻多；跌破19450強勢翻空

20250425

 

20250424

 

20250422 K 線資料建構「預期波動率」指標

Replicating the CBOE VIX using a synthetic volatility index trading algorithm

https://www.tandfonline.com/doi/full/10.1080/23322039.2019.1641063

歷史隨機波動率模擬（Stochastic SVIX）方法：Cary & van Vuuren（2019）提出，利用標的資產的隨機模型（如 GARCH 類或 Monte Carlo 模型）模擬未來方差，並將其映射至 0–100% 區間，即得 SVIX。

本質說明：其 Stochastic SVIX 並非直接提取選擇權 (options) 隱含波動率，而是：
1. 以 K 線估計隨機波動率模型（如 GARCH, Heston, GARCH, EGARCH, Stochastic Volatility... 等）
2. 由今日起模擬未來 30 天的價格路徑，計算每條路徑的年化方差
3. 平均後映射至 0–100，形成 SVIX
4. 僅需 K 線資料即可建構「預期波動率」指標

模型推薦排序與理據

模型類型	說明
SV 模型	最靈活、具隨機波動處理能力、預測誤差最小
EGARCH	能處理槓桿效應與負面衝擊放大、無零界約束
GARCH	基本模型，結構簡單，適合入門應用

a. 若追求準確與靈活性 → 優先採用 SV 模型
b. 若求次佳但計算輕量 → 考慮 EGARCH
c. 若以簡便為主，可從 GARCH(1,1) 入手

最後的程式實作採用 SV (Stochastic Volatility) 模型, 並以XS script 寫成, 且提供75600筆分K資料做在地化的參數重置, 執行在XQ軟體, 用15分K線系統呈現如下:

另有製作一個告警旗標 (藍色粗線): 由 -1 拉升至 +1 (警報響起); 由 +1 回落至 -1 (警報解除)

上圖: 告警旗標在 2025/03/28 10:30 警報響起 (預期波動率變大)

警報時間完整涵蓋此次川普製造的漲停與跌停區間

以前文章說過: 價差絕對不是某些老師講一定要的紀律, 而是因每個人的條件不同, 該用的時候就用, 不該用的時候就不用 -> 視需求做價差(spread on demand)

由於有這告警系統的幫助, 可以讓你輕鬆達到 "視需求做價差(spread on demand)" 的目標

下圖: 告警旗標在 2025/04/11 13:30 警報解除 (預期波動率變小)

20250422 有關於VIX

前陣子在某論壇回答了網友關於波動率的疑惑, 對觀念的釐清應該很有幫助

https://www.optionshare.tw/forum.php?mod=viewthread&tid=6108&fbclid=IwY2xjawJ0GvdleHRuA2FlbQIxMABicmlkETFTOG1TQ1hmQXlqckRHMHZPAR7nldNtYGa_T64A3yJ5zTEped2rfwBs-or6KTGekUlzrwN7YCS1-2vM34aFZQ_aem_kvmUrXISkHNbijKoH8TZbQ

dlin

發表於 2025-2-20 13:49:38 | 只看該作者 回帖獎勵

想建構,每個履約價的Delta值.

這時候就需要知道,每一個履約價的vix值.

.

剛開始是, 輸入通用Vix值, 全部履約價用相同的, 期交所每日Vix, 例如19.8.

算出來的結果, 有點不甚滿意. 越價外就偏離越多.

(我的計算值和券商公告值做比較)

.

.

Vix計算方法

https://www.taifex.com.tw/file/taifex/CHINESE/files/7/VIX_book.pdf

.

結果又陷入 十里迷霧.

海市蜃樓, 好像對又好像不對.

.

.

要Delta值, 就需要有Vix值

要Vix值, 就需要有 委買價 委賣價. 加上時間計算, 加上無風險利率計算,

.

.

那, 最原始的問題就是

委買價, 委賣價, 又怎麼評斷的.

造市商怎麼估算??

自營家

發表於 2025-3-8 14:49:22 | 只看該作者

本帖最後由 EntrepreneurOPs 於 2025-3-8 15:48 編輯

您提到的第一句: 想建構,每個履約價的Delta值. 這時候就需要知道,每一個履約價的vix值

就已經進入了誤區, vix 雖然目前已有便捷算法了

但還是和各履約價相關, 如此變成了您的困惑 (雞生蛋 蛋生雞)

計算delta要知道的不是 vix, 而是標的物(underlying)的 未來波動率 (1 年之後價格分配(常態分配)的1個標準差)

因為 [未來] 波動率沒人知道, 所以大家都有自己的估計

可以參考我寫過的有關於波動率相關的四篇文章

例如1 https://individual-trader.blogspot.com/2013/09/blog-post_11.html

您當然可以用 vix 當成這未來波動率的估計值

可是會發生您這循環論證問題之外, 也不夠精準

才會發生您觀察到的愈價外偏離愈多的問題

常用的估計值有很多方法, 論文可以自己去找

流行的是用歷史波動率去估計, 當然也不夠準

每個造市商可能會有自己獨特的估計法, 不可能告訴大家

連我這個小人物也有自己覺得很準的估計法, 也不可能公諸於世

如果您發現各個免費平台的理論價相同 那代表著他們背後用著公版軟體(ex: 三竹)

每個期商只是套著不同的外皮, 公版軟體當然用著相同波動率估計值

以前我寫程式開發自用 greeks 的時候

發現過同一個期商有著不同平台(ex: 手機版. 電腦版. web版..等)

在不同平台的同一個履約價的理論價都不相同

這意味著不同平台用不同的估計值而已

用對數常態分配原理來計算delta, 或是造市商要的理論價

不需要買入和賣出的報價

輸入值就以下幾個 只有volatility需要估計, 其他是確定值

S is the stock price

X is the strike price

T is the time to expiry

r is the risk free rate

v is the volatility

d is the dividend yield

所以結論是: 計算公式要的是 [未來] 波動率, 不等於估計波動率, 更是和 vix 差遠了 

20250421 用OHLC來合成波动率指数（SVIX）

合成波动率指数（SVIX）主要有以下几大类构造方法，每种方法都有相应的实证或应用验证：

1. 模型自由方差复制（Model‑Free Implied Volatility, MFIV）
   
   

• 方法：直接沿用 CBOE VIX 的“方差复制”思路，将标的期权跨行权价的隐含方差加权汇总，得到一个 30 天年化波动率指标。
  
  

• 验证：例如瑞典学者用 OMXS30 指数期权数据，从 2005–2015 年构建了日频 SVIX，研究表明它与官方 VIX 在统计特性上高度一致，且能良好描述市场波动 gupea.ub.gu.se。
  
  

2. 历史随机波动率仿真（Stochastic SVIX）
   
   

• 方法：Cary & van Vuuren（2019）提出，通过对标的收益率的随机模型（如 GARCH‐style 或 Monte Carlo）模拟未来方差，并将其缩放到 0–100% 量表，得出 SVIX。
  
  

• 验证：该文在美股历史数据上测试，SVIX 与 CBOE VIX 的日内相关系数很高，并在配合简单多头交易策略时取得正的胜率和净利润（空头效果不佳）​IDEAS/RePEc。
  
  

3. VIX Fix（Larry Williams 2007）
   
   

• 方法：以过去 N 日最高收盘价减当日最低价，再除以最高收盘价并乘 100，生成“波动率雷达”数值。不依赖期权，仅基于现货价格极值。
  
  

• 验证：虽无大型学术回测，但在 Active Trader 杂志及后续技术分析文章（Barnhart, 2015）中被证明能合理捕捉波动峰值，并在实盘指标库（TradingView）获得数千用户应用 TradingView。
  
  

4. GARCH / SV 模型预测
   
   

• 方法：利用 GARCH、EGARCH、Heston、SABR、3/2、Rough Vol 等模型，对历史或高频数据估计条件方差，将预测值作为 SVIX。
  
  

• 验证：大量文献表明，GARCH 系列模型对短期实现波动率有较好拟合与预测能力，但通常需与实证数据不断校准，且更适合“实现波动率”预测，非直接对应隐含波动率 Wikipedia。
  
  

---

归纳：

• MFIV 与 随机仿真 SVIX 已被学术文章用期权和现货数据回测验证，相关性与交易表现均佳。
  
  

• VIX Fix 在专业交易者社区广泛流传并多次实盘应用，有一定经验性支撑。
  
  

• GARCH/SV 模型 则是金融工程中用量化方法构造“条件波动率”的常规做法，虽未必完全匹配期权隐含波动，但对波动率动态具有良好描述力。
  
  

以上四种均为常见的 SVIX 构造途径，其中 MFIV 和 Stochastic SVIX（Cary & van Vuuren）在学术回测中被验证有效，VIX Fix 则在技术分析实践中受到广泛认可。

1. Cary & van Vuuren 的方法本质

他们的“Stochastic SVIX”并非直接提取期权隐含波动率，而是——

1. 先用历史价格数据（K 线的收盘价序列）去估计一个随机波动率模型（例如 GARCH, Heston，或其它能产生随机方差过程的模型）；
   
   

2. 用模型从“今天”开始向前模拟未来 30 天（或其它期限）的价格路径，并计算每条路径的年化方差；
   
   

3. 对众多模拟路径做平均，得到一个 30 天的“合成预期波动率”数值，再映射到 0–100 范围，形成 SVIX。
   
   

整个过程用到的唯一数据源就是你的 K 线（OHLC 或至少收盘价序列），并不需要期权链的隐含波动率数据。

---

2. 步骤示例（以 GARCH 为例）

1. 用 K 线收盘价计算收益率：
   rt=ln⁡CtCt−1 r_t = \ln\frac{C_t}{C_{t-1}}rt​=lnCt−1​Ct​​

2. 拟合 GARCH(1,1)：
   {rt=σtεt,εt∼N(0,1)σt2=ω+αrt−12+βσt−12\begin{cases} r_t = \sigma_t \varepsilon_t,\quad \varepsilon_t\sim N(0,1)\\ \sigma_t^2 = \omega + \alpha r_{t-1}^2 + \beta\sigma_{t-1}^2 \end{cases}{rt​=σt​εt​,εt​∼N(0,1)σt2​=ω+αrt−12​+βσt−12​​
   在历史收益率上估计出 ω,α,β\omega,\alpha,\betaω,α,β。
   
   

从今天开始 Monte Carlo 模拟 N 条未来价格路径：

python
複製編輯
for path in range(N):

    sigma = last_fitted_sigma

    price = last_close

    for i in range(30):  # 模拟 30 根日线或分K

        eps = np.random.randn()

        sigma = np.sqrt(omega + alpha*(sigma*eps)**2 + beta*sigma**2)

        price *= np.exp(sigma * eps)

    record annualized variance of this path

3. 
   

4. 取 N 条路径的平均方差，转换为年化波动率：
   SVIX=100×1N∑j=1NVarj SVIX = 100 \times \sqrt{\frac{1}{N}\sum_{j=1}^N \text{Var}_j}SVIX=100×N1​j=1∑N​Varj​​

---

3. 限制与对比

• 优点：
  
  

• 只需 K 线数据即可生成“预期波动率”指标；
  
  

• 灵活选择模型（GARCH、EGARCH、Stochastic Vol、甚至 CycleHomodyne+SV 模型）。
  
  

• 局限：
  
  

• 这其实是基于历史波动的“模拟预测”，而不是期权市场的隐含波动率，两者可能在趋势或拐点上存在偏差；
  
  

• 模型的准确度高度依赖于拟合质量和模拟次数，计算量较大；
  
  

• 若目标是直接跟踪市场预期（Implied Vol），最好还是用期权链复制法（Model‑Free IV）。
  
  

---

4. 结论

• 可以用 K 线数据构造 Stochastic SVIX，核心是用历史收益率估计随机波动率模型，再做 Monte Carlo 模拟。
  
  

• 得到的指标反映的是“历史驱动下的未来波动率预期”，与期权隐含波动率有差异，但在没有期权数据时是一种可行的近似方案。

台湾期交所的 EGARCH(1,1) 参数并没有像 CBOE VIX 那样在文献或官网上公开一组通用值——所有公开的 EGARCH 拟合参数都是针对各自样本（不同时间段、不同品种）的最大似然估计结果，直接搬用可能会严重偏离本地市场实际波动特性。因此，最靠谱的做法是用台指期货（或台指现货）分钟线收益去重新标定一套 ω/α/β/γ。

如果你想要一个参考起点，下面是一个基于最近两年台指期货 1 分钟收益用 Python arch 库做 EGARCH(1,1) 拟合的示例流程，你可以照此做出本地化参数：

python

複製編輯

import pandas as pd

from arch import arch_model

# 1) 读入台指期货 1 分钟 OHLC 数据，计算对数收益率

df = pd.read_csv('TXF_1min.csv', parse_dates=['Datetime'], index_col='Datetime')

rets = 100 * df['Close'].pct_change().dropna()

# 2) 拟合 EGARCH(1,1)

#    vol='EGARCH', p=1, o=1, q=1 分别对应 β, γ, α

am = arch_model(rets, vol='EGARCH', p=1, o=1, q=1, dist='normal')

res = am.fit(disp='off')

print(res.summary())

# 输出里就含有：

#   omega    —  intercept (ω)

#   alpha[1] —  α

#   o[1]     —  γ（leverage）

#   beta[1]  —  β

示例（并非真实数据，仅供初始参考）

複製編輯

ω = 2.3e-07  

α = 0.12  

γ = 0.04  

β = 0.90

如何落地到 XS Script：

1. 先用上述 Python 或 R、Matlab 对最近 6–12 个月的台指期货分钟收益率进行 EGARCH(1,1) 拟合；
   
   

2. 将回归结果里的 ω/α/β/γ 填入 XS Script 的 Inputs；
   
   

3. 在脚本里就能得到最贴合当前台湾市场波动特征的 SVIX 了。
   
   

注意：每隔 1–3 个月重估一次，把参数更新到最新数据上，以应对市场结构的变化。这样得到的 SVIX，才是真正「适用于台指」的合成波动率指数，而非简单照搬美股的值。

估计 EGARCH(1,1) 中的 ω/α/β/γ 这四个参数，关键在于“足够的有效样本”来获得稳健的最大似然估计。对于台指期货的 1 分钟数据，一般建议：

• 最少 3 个月数据（约 60 交易日）
  
  

• 按 1140 根 1 分 K/日 计，≈ 68,400 根样本
  
  

• 能捕捉常见的日内波动模式，不过对于 α/γ 的 leverage 效应估计可能偏差较大
  
  

• 推荐 6 个月数据（约 125 交易日）
  
  

• ≈ 142,500 根样本
  
  

• 在保证估计稳定性的同时，不至于包揽过多市场结构变动
  
  

• 若追求更高精度，可扩展到 1 年数据（≈ 287,000 根样本）
  
  

• 有助于捕捉季节性、跨行情周期的波动特征
  
  

• 但要注意：过长窗口可能引入结构性突变（如政策面、交易规则变化）
  
  

---

样本量 vs. 实际独立信息

1. 数据多并不总是越好，因为连续分钟数据的自相关性很强，实际“独立”信息量远低于样本数。
   
   

2. 经验法则：每个自由参数（这里有 4 个）至少需要 50–100 次有效观测，故至少要 200–400 个“有效波动簇”——对分钟数据而言，通常要 >50,000 根 K 才较稳健。
   
   

3. 滚动标定：可用 3–6 个月窗口做滚动估计，每月或每周更新一次参数，既能兼顾稳定，又能跟上市场节奏。
   
   

---

小结

• 初次标定： ≥ 60,000 根 1 分 K（≈ 3 个月）
  
  

• 推荐标定： 125,000 根 1 分 K（≈ 6 个月）
  
  

• 高精度标定： > 250,000 根 1 分 K（≈ 1 年）
  
  

再配合滚动更新（例如 3 个月窗口每周重估），即可既保证参数的统计显著性，也能及时反映台指市场的新动态。

在仅依赖 OHLC（开、高、低、收）数据的代理方法中，与 CBOE VIX 同步度最高的依次是：

1. SVIX（随机波动率合成指数）
   Cary & van Vuuren 的 SVIX 利用小样本随机波动率滤波，直接对基础标的的收益率进行建模，并在多项实证中展示了它与 VIX 的高度相关（据业界报告，日度相关系数通常在 0.80 到 0.90 之间）。
   
   

2. 基于极值范围的估计器（Parkinson、Garman–Klass、Rogers–Satchell、Yang–Zhang）
   这些方法只用 OHLC 构造历史波动率的无偏估计，信息利用率高。
   
   

• 其中 Yang–Zhang 估计器在去偏和忽略隔夜跳空方面表现最佳，在与高频「真实」波动率的对比研究中，相关系数多在 0.70 到 0.80 之间。
  
  

• 当将这些范围估计与 VIX 做对比时，其相关性一般落在 0.60 到 0.75 区间。
  
  

3. 收盘价波动与 EWMA/GARCH
   传统的收盘‑收盘标准差和 EWMA（RiskMetrics™）或 GARCH 模型，由于忽略了盘中极值，噪声较大，与 VIX 的相关性通常低于 0.60。
   
   

在分钟级系统（如您的 1 分 K ）中，SVIX 的随机波动率框架能自适应地聚合所有 OHLC 信息，其跟踪 VIX 的效果比任何固定窗口的范围估计方法都要好；而后者在高峰期往往略有滞后。

总结：

• 若需要最高精度的纯 OHLC VIX 代理，首选 SVIX；
  
  

• 若追求计算简便且性能次之，可考虑 Yang–Zhang 范围估计（相关 ~0.70–0.75）；
  
  

• 如果能取得更高频的逐笔/秒级数据，则“真实波动率”或核估计类方法会更佳，但那就不再是纯 OHLC 了。

一般而言，Stochastic Volatility（SV）模型 > EGARCH 模型 > GARCH 模型 的排序最为常见，背后有以下实证与理论依据：

1. SV 模型优于 GARCH/EGARCH
   多篇研究（例如 Giovanni Petris 的博士论文）对比了 SV 模型与 GARCH 系列模型在波动率预测上的表现，结论是 SV 模型在滚动窗口和样本内外预报误差（如 MSE、QLIKE）均明显低于 GARCH 及其变体 ScholarWorksDIVA Portal。SV 模型通过引入潜在的随机波动率过程，更灵活地捕捉波动聚集与恐慌时段。
   
   

2. EGARCH 优于 GARCH
   EGARCH（Nelson 1991）在对数方差框架下加入了残差符号（杠杆效应）修正，既解决了 GARCH 零界约束问题，又能反映负向冲击的非对称波动放大效应。实证上，EGARCH 在多期权隐含波动率或实证波动率的模拟与预测中，均优于同阶 GARCH（如 Bluhm & Yu 2001 对 DAX VDAX 的 MAPE 测试） kb.osu.edu。
   
   

因此，在构造**合成波动率指数（SVIX）**时，如果计算资源和估计精度都允许，首选 SV 模型；若需要次优的“轻量级”方案，可考虑 EGARCH；最基础、计算最简便的则是 GARCH(1,1)。