什麼是移動標準差？
移動標準差（也稱為滾動標準差或追蹤波動性）是在一個滑動的時間視窗內計算標準差。與使用全部歷史資料的靜態標準差不同，移動標準差聚焦於近期的觀測值，因此對於偵測波動性隨時間的變化非常重要。
這個技巧在金融市場中至關重要，因為波動性並非恆定不變，而是會隨時間變化。一支股票可能在數月內波瀾不驚，然後在財報公布或市場危機期間突然劇烈波動。移動標準差能即時捕捉這些動態變化。
為什麼移動標準差很重要
靜態標準差對所有歷史資料一視同仁，但近期的波動性往往比遠期歷史更能預測未來的波動性。移動標準差提供了一個即時、可操作的風險衡量指標，能隨市場條件變化而調整。
如何計算滾動標準差
在每個時間點，計算前 n 個資料點的標準差。隨著時間推進，視窗向前滑動，始終使用最近的 n 個數值。這會產生一個波動性估計的時間序列。
1
定義視窗
選擇每次計算要包含多少期（例如 20 天）。
2
計算第一個標準差
計算前 n 個資料點的標準差。
3
滑動視窗
向前移動一期，移除最舊的值，加入最新的值。
4
重複
持續進行直到資料序列結束。
python
import pandas as pd
import numpy as np
# Load your time series data
df = pd.read_csv('stock_prices.csv')
# 20-day rolling standard deviation
df['rolling_std_20'] = df['returns'].rolling(window=20).std()
# Annualized volatility (assuming daily returns)
df['annualized_vol'] = df['rolling_std_20'] * np.sqrt(252)
# Multiple windows for comparison
df['rolling_std_10'] = df['returns'].rolling(window=10).std()
df['rolling_std_50'] = df['returns'].rolling(window=50).std()注意前 (window-1) 個值會是 NaN，因為你需要至少 n 個觀測值才能計算。實務上，你可以使用 min_periods 參數，在觀測值較少時就開始計算。
選擇合適的視窗大小
視窗大小需要在反應速度和穩定性之間取得平衡：
- 短視窗（5-10 天）:對波動性變化反應迅速，但雜訊較多，可能產生假訊號
- 中視窗（20-30 天）:平衡反應速度與穩定性；20 天是布林通道的業界標準
- 長視窗（50-100 天）:平滑穩定但偵測體制變化較慢；適合趨勢分析
小提示
同時使用多個視窗大小。比較 10 天、20 天和 50 天的移動標準差，以了解短期波動和長期波動趨勢。這些指標之間的分歧可能預示體制的轉變。
實際應用
移動標準差在金融和資料科學領域有廣泛的應用：
- 風險管理:使用近期波動性而非歷史平均值來計算風險值 (VaR)
- 選擇權定價:為 Black-Scholes 和其他模型估計隱含波動性參數
- 投資組合管理:根據當前波動性調整部位規模；波動性飆升時減少曝險
- 異常偵測:識別當前波動性顯著偏離移動平均的異常時期
- 技術分析:布林通道、肯特納通道及其他基於波動性的指標
布林通道說明
布林通道是移動標準差最著名的應用。由約翰·布林格在 1980 年代開發，它在價格周圍建立一個能自適應波動性的動態通道。
布林通道
Upper Band = SMA(20) + 2 × Moving SD(20)
Lower Band = SMA(20) - 2 × Moving SD(20)
通道在波動期擴張，在平靜期收縮。交易者利用這個特性來：
- 識別價格觸及通道時的超買/超賣狀態
- 偵測“擠壓”（低波動性），這通常預示突破的到來
- 根據當前市場狀況設定動態停損
波動性叢聚
金融界最重要的實證事實之一是波動性會叢聚——高波動性傾向於跟著高波動性出現，低波動性亦然。這一現象由羅伯特·恩格爾（2003 年諾貝爾獎）在 ARCH 模型中形式化。
移動標準差能以視覺化方式揭示這種叢聚現象。當你繪製滾動波動性的時間序列圖時，你會看到清晰的高波動和低波動體制，而非隨機波動。這有著深遠的含義：
- 可預測性:明天的波動性可能與今天相似——你可以預見風險
- 風險預算:進入高波動體制時減少部位規模
- 策略選擇:不同的交易策略在不同的波動性環境中表現各異
重要提醒
儘管波動性會叢聚，體制的轉變可能突然且劇烈。重大新聞事件、市場崩盤或政策宣布可能瞬間改變波動性體制。移動標準差總是會滯後於這些變化——當它反映出新的現實時，體制可能已經再次改變了。