同一资产，一份报告写波动率1%，另一份写16%。小林以为其中一款工具算错了：相差十几倍，还能用它们判断风险吗？她想挑较小的数，又说不清为什么该相信它。
先找到两个数字旁边的时间单位，再决定它们是否矛盾。我们从四个日收益手算起，看看“每日”怎样被换成“年化”，以及换算依赖什么条件。这样拿到另一个波动率时，你能先核对它算了什么，而不是从两个结果里挑一个顺眼的。
这次要解决的问题
- 用一组简单收益走完均值、偏差、方差和样本标准差。
- 为波动率补齐收益口径、观察窗口、频率和年化假设。
- 分清历史、预测和隐含波动，说明低波动没有证明什么。
先选输入，别直接把价格丢进去
这里的历史波动率，指给定窗口内收益率的标准差。标准差衡量观察值围绕均值的离散程度。[1] 先明确用什么收益，再讨论计算；价格水平的标准差回答的是另一件事。
例如，同一只证券的计价单位改变，价格数字可以成倍变化；用收益衡量相对变化，更适合比较不同价格水平的对象。但收益也有简单收益、对数收益等口径，本篇只用简单收益，不把不同定义混在一起。
输入还要处理分红、拆股和资金流。如果把拆股造成的单位变化当作暴跌，或者把新增入金当作上涨，再精确的标准差也只是精确地描述错误数据。先保存原始资料与处理方法，具体处理见G10 分红、拆股与复权。
下面所有序列均为独立合成教学输入，设为同频率的每日简单总收益，不含外部出入金，不另计费用和税费。只有四个观察值是为了手算，不能据此判断真实策略是否稳定。
四个数字，走完一次计算
第一组日收益依次为负1%、0%、1%、0%。先统一写成小数：负0.01、0、0.01、0。它们相加为0，再除以4，样本算术均值为0。均值告诉你这组日收益的平均水平，还没有告诉你它们分散得多远。
接着，每个值减去均值。这里均值恰好是0，偏差仍为负0.01、0、0.01、0。如果直接把偏差相加，正负会抵消，无法区分这组序列与天天不动。因此，把每个偏差平方后再加起来。
两个非零平方各为0.0001，总和0.0002。本文使用样本方差：用平方和除以观察数减一，也就是3，得到约0.00006667。再开平方，得到约0.008165，换成百分比就是约0.8165%的每日样本标准差。
方差的单位经过平方，不便与收益直接对照；开平方让单位回到收益尺度。0.8165%应理解为这组观察值的离散程度，不是每天必亏这么多，也不是明天价格必在均值上下这个范围内。
这里为什么除以3而不是4？因为选择的是样本估计口径：用这些观察去估计更广泛的收益变化，均值也由同一份样本估出。若仅把这四个数作为完整总体描述，则采用总体分母4，得到约0.7071%。两种定义不能默默互换，计算器或表格软件的函数也要选对应版本。
严格说，分母减一使样本方差在相应独立同分布等条件下具有无偏性质，并不保证开平方后的样本标准差本身无偏，更不保证金融收益满足这些条件。你不必在本篇证明它，但要知道“软件默认值”也是一项方法选择。
现在把四个日收益都乘以二，成为负2%、0%、2%、0%。均值仍为0，样本标准差则翻倍，约为1.6330%。平方先放大四倍，再开平方回到两倍，正好说明它对变化幅度的反应。
同一个终点，不同的途中
再看两条独立路径，起点都为100。平稳路径随后为100、100、100；起伏路径随后为110、99、100。两者终点相同，平稳路径的三个简单收益都是0，样本标准差为0。
起伏路径的收益却是10%、负10%、约1.0101%。它们不是0，离散程度也不为0。注意最后从99回到100，收益约为1.0101%，不能为了让算术方便写成1%。收益率依赖当时的基数，不会因为终点相同就抵消成同一条经历。
波动率由这些收益值及其离散程度决定。它也没有完整保存时间顺序：将同一组收益换个顺序，标准差不变，但从哪一个高点跌下来、何时需要用钱，可能不同。因此需要与回撤、现金用途和流动性一起读。
为什么1%和16%可能都没算错
假设另一份较长样本的每日标准差是1%。有些工具会按每年252个交易日的约定，乘以252的平方根，得到约15.87%的年化波动率。252在这里是换算约定，不是每个市场、每一年都精确相同的交易日数。
这个平方根从哪里来？若每期收益方差相同、各期不相关，那么相加后的方差会随期数增加，标准差便随期数平方根增加。Sharpe的原文讨论跨期汇总时，也明确用了收益相加与零序列相关等假设。[2]
对简单收益而言，真实长期复合收益不是每日收益直接相加。因此按平方根年化通常是一种标准化近似或报告约定，不能把它当成一年实际复合收益标准差的无条件恒等式。若采用对数收益，也仍需检查相关性、方差稳定等前提。
若收益连续受到相同因素影响，前后可能相关；若波动水平在不同阶段变化，近期也未必代表整年。此时盲目乘一个平方根会掩盖结构。不能只因输出显示两位小数，就以为年化值比原始样本更确定。
还要分清窗口与频率。“过去一年每日收益”可以约有数百个观察；“过去一年月收益”只有十二个左右。它们都覆盖一年，频率却不同。月数据不能乘252的平方根，四天的演示样本也不能包装成可靠的年度风险估计。
没出现过的大跌，不会自动出现在标准差里
假设同一对象的另一个两日窗口收益均为0%，该窗口样本标准差为0；前述四日窗口则为0.8165%。对象没变，窗口不同，数字就变了。只选平静阶段，会让报告看起来特别平稳，却没有证明未来没有风浪。
低频报价或陈旧估值还可能让记录显得不动。缺失值直接填零，甚至可能把“没有观察到交易”改写成“价格稳定”。遇到这种情况应先查估值与缺数政策，再解读低波动，而不是立即增加投入。
标准差把上行和下行偏离都计入；它不会单独告诉你尾部损失、破产概率或急需卖出时的折价。高波动不等于必然永久亏损，低波动也不等于本金可靠。是否承担风险，还得回到资产权利、家庭资金用途和失败情景。
历史、预测与隐含，是三种来源
历史波动从已经发生的收益计算。预测波动是对未来的估计，需要模型和假设；模型可以用历史资料，但不能因此把预测写成已发生的事实。
隐含波动则从期权市场价格，结合相应定价方法等输入得到。CME的说明区分了这种来自期权的前瞻信息与已经实现的变化。[3] 它也受到定价与风险补偿等因素影响，不是市场签署的未来波动保证书，更不是上涨方向的预测。
同一个标的，不同到期和行权价的期权可以给出不同隐含波动。看见一个“波动率”数字，先问是哪一类、对应什么期限与方法；本篇不要求学习期权定价，能够把三种来源分清已经足够。
先自己重算，再核对
解释题：为什么不能用“偏差之和为零”宣布第一组收益没有波动？错误辨识题：一份报告取12个月收益算出月标准差2%，再乘252的平方根得到年化值。先指出步骤中的口径问题。
第一题中，围绕样本均值的正负偏差会抵消，不能保留幅度信息；平方再汇总能避免这种抵消。第二题把月频与日频换算因子混用了；若采用相应平方根年化约定，应乘12的平方根，约得6.93%，并披露相关性等假设。它仍不是下一年真实风险的保证。
换一个条件：给出三个独立演示日收益，负2%、1%、4%。请先求均值，再列偏差和样本标准差。若资料只剩一个观察值，还能照样计算吗？
均值为1%，偏差分别为负3、0、3个百分点。小数平方和为0.0018，除以2得到0.0009，开平方为0.03，即3%的每日样本标准差。只有一个观察时，样本分母为零，结果应标为样本不足、不可计算，不能为了填满表格写成0波动。
保存一张波动率核对卡
选一组虚构或有可靠来源的收益，留下资料日期、起止窗口、观察数量、频率、简单或对数收益、分红和费用处理、缺数政策、样本或总体分母、计算结果，以及是否年化、采用何种因子与前提。
先用四个值的小案例核对工具，再处理较长序列。请AI解释其中一行的均值与偏差，自己把单位还原检查；百分数1%输入为0.01，若误输1而不调整单位，结果会差一百倍。卡片还应写一个该指标无法判断的问题，例如付款期限前能否足额变现。
小结：给数字补上时间和方法
拿到波动率，先追溯收益输入与处理口径，再看窗口、频率、分母和年化。只有这些条件对齐，两份结果才有比较基础；不一致时先解释差异，不能急着判一份报告算错。
然后把离散程度放回风险全貌。历史样本没有包含的失败不会因计算消失，零波动也可能来自不足或陈旧资料。把回撤、流动性与永久损失问题留在记录中，才能避免把一个易读的数字误当成安全承诺。
参考资料
- NIST：Trimmed Standard Deviation。仅使用开头未截尾的标准差定义与极值敏感性说明，本文不采用截尾算法。
- William F. Sharpe：The Sharpe Ratio，1994。跨期计算中的相加、方差与序列相关假设；不将其作为简单复利收益平方根缩放的无条件证明。
- CME Group：Understanding the CVOL Index。历史变化与期权隐含波动的区别，仅建立概念直觉。
资料核查日期2026-10-28。本文由AI辅助编写与检查，尚待人类金融审校及目标读者试读；数字均为原创合成教学输入。