IV vs HV / IV Rank / IV Percentile

日期: 2026-05-27 方向: 期权 / 波动率 阶段: Phase 1: 基础与工具链 标签: #ImpliedVolatility #IVRank #IVPercentile #VIX #VolRiskPremium #Wheel

---

今日目标

---

一、为什么要从 IV「绝对值」转向「相对位置」

到 Day 17 为止，我们一直把 IV 当作一个数字在用：希腊字母里 Vega 度量「IV 变 1% 期权价值变多少」，定价公式里 σ 是输入。这种「点估计」的视角对理解机制够用了，但对做决策完全不够用。

举个例子：

如果你拿这张表去决定「卖谁的 put 收 premium」，结论会是 TSLA——因为 50% > 18%，premium 更厚。

但这个判断是错的。 TSLA 的 IV 长期就在 40-80% 区间晃，50% 对它来说接近历史低位；SPY 的 IV 长期在 12-35% 区间，18% 对它来说正好是中位数。卖 TSLA 50% IV 的 put 你拿到的是 TSLA 标准的 premium，并没有占到便宜；卖 SPY 18% IV 的 put 反而拿到的是「市场不害怕」时的便宜 premium，对卖方不利。

核心认知：IV 是一个相对于自己历史分布才有意义的数字，不是跨标的可比的数字。

这跟 PM 的「转化率」很像：A 产品转化率 5%、B 产品转化率 20%，不能直接说 B 好——要看 A 是相对自己历史升了还是降了、B 是不是天花板了。相对位置比绝对值更有信号——这是今天的主线。

---

二、IV vs HV：两种波动率的本质差异

2.1 定义

HV (Historical Volatility / Realized Volatility) —— 过去 N 天的实际波动，由价格序列直接计算：

$$ HV_n = \sqrt{\frac{252}{n-1} \sum_{i=1}^{n} \left( r_i - \bar{r} \right)^2 }, \quad r_i = \ln \frac{P_i}{P_{i-1}} $$

• 用 log return 而不是 simple return：可加性 + 对称性
• 乘 √252：把日波动年化（每年约 252 个交易日）
• 常用窗口：20D（约 1 个月）、30D、60D、252D（1 年）

IV (Implied Volatility) —— 由当前期权市场价格反推出的「市场预期未来 vol」：

$$ \text{Market Price} = BS(S, K, T, r, \sigma_{IV}) \Rightarrow \text{求解 } \sigma_{IV} $$

• 不能闭式求，得用 Newton-Raphson 或 Brent 数值解
• IV 是市场共识，不是任何单人的预测
• 同一标的不同 K、不同 T 的 IV 都不一样（Smile + Term Structure，Day 19 详谈）

2.2 三种 vol 之间的关系

HV (Realized)         IV (Implied)         FV (Future Realized)
   过去             ←  当下市场预期  →           未来
   可观测              可观测                    不可知

Vol Risk Premium：定义为 IV - 未来真实实现的 HV。

$$ VRP = \sigma_{IV}(t) - \sigma_{HV, \text{realized after } t} $$

实证上 VRP 长期均值为正（在 SPX 上约 +3 到 +5 个 vol point，时变）。

直觉解释：投资者厌恶尾部风险（崩盘），愿意支付溢价买保险（put）。这个溢价就是期权卖方的 edge。但「长期均值正」不等于「每次都正」——2020 年 3 月、2008 年 10 月这种事件下 VRP 会瞬间变成大负，卖方在那一瞬间被血洗。

2.3 一个常见的混淆：IV 是「预测」吗

不是。IV 是「市场愿意为这种 vol 付多少钱」的反推。这跟「市场预测下一年 vol 是多少」不一样——市场预期 vol 是 X，但因为风险厌恶，愿意付出对应 X + premium 的价格买保险，IV 反映的是后者。

数学上：

$$ \sigma_{IV}^2 \approx E^Q[\sigma_{realized}^2] = E^P[\sigma_{realized}^2] + \text{risk premium term} $$

这里 Q 是风险中性测度、P 是真实概率测度。期权定价是在 Q 下做的，所以 IV 天然带 premium。

PM 翻译：「用户愿意付多少钱用某功能」≠「这个功能能为用户创造多少价值」——前者含「焦虑溢价 / 稀缺溢价 / 品牌溢价」。期权 IV 同理。

---

三、IV Rank（IVR）—— 把 IV 放到自己的范围里

3.1 定义

$$ \text{IVR} = \frac{IV_{\text{today}} - IV_{\min, 52w}}{IV_{\max, 52w} - IV_{\min, 52w}} \times 100 $$

• 范围：[0, 100]
• 直觉：「今天的 IV 相对过去一年最低-最高之间，处在多少百分位高度」
• IVR = 0 表示今天 IV 等于过去 52 周最低
• IVR = 100 表示今天 IV 等于过去 52 周最高
• IVR = 50 不代表「中位数」，而是「正好在 max-min 区间中点」

3.2 经验阈值（TastyTrade 流派）

阈值不是金科玉律，是统计倾向。我们 Wheel 策略会用「IVR > 40 才考虑卖 CSP」作为过滤——下面第八节会展开。

3.3 IVR 的 3 个坑

1. 被异常 spike 拉扯：去年某天 VIX 因为某新闻冲到 65，之后一年都没再到过，那么这一年的 IVR 上限被这个孤立点钉住了，所有日常计算的 IVR 都被压低。Min/Max 是不稳健的统计量（受单点影响 100%）。
2. 52 周窗口的「记忆效应」：刚过完一个高 vol 期（如刚走出 2020 疫情），未来 52 周里 IVR 都会偏低；反过来刚走完一段死寂的牛市，IVR 都会偏高。这是窗口期带来的伪信号。
3. IV 用哪个？：常用 30D ATM IV（最有代表性），但也有人用整个 chain 的 weighted average。两者算出的 IVR 不一样，复现别人的图表时必须对齐口径。

---

四、IV Percentile（IVP）—— 比 IVR 更稳健

4.1 定义

$$ \text{IVP} = \frac{#{ \text{trading days in last 252 with } IV_d < IV_{\text{today}} }}{252} \times 100 $$

• 范围：[0, 100]
• 直觉：「过去一年里，有百分之多少天的 IV 比今天低」
• IVP = 80 表示「今天 IV 比过去 80% 的日子都高」
• IVP = 50 是真正的中位数

4.2 IVR vs IVP 的本质差异

IVR：基于 min / max（极值统计）
IVP：基于 rank（分布统计）

举个例：过去 252 天 IV 区间是 [10, 100]，但其中 250 天都在 [10, 20] 区间，只有 2 天因为某事件冲到 80-100。今天 IV = 25。

• IVR = (25 - 10) / (100 - 10) × 100 = 16.7 —— 看起来「很低，可以买方」
• IVP = 比 25 低的天数 / 252 ≈ 95 —— 实际上 25 在 IV 分布里很高

哪个对？IVP 更对。因为 95% 的日子 IV 都比 25 低，今天的 25 是 outlier 偏高，应该按「IV 高」来对待——卖方策略才合理。

但 IVR 给出的「16.7」会误导你按买方走，结果在一个本应卖方的环境下买 vol，会被时间损耗（Theta）和 IV 回归（Vega）双杀。

4.3 那为啥很多人还用 IVR

实操结论：两个都看，不要只看一个。如果两个都指向同一方向（IVR > 50 且 IVP > 50），信号很强；如果分歧大（如上面例子 IVR 16 但 IVP 95），优先信 IVP，但要去看为啥分歧——通常是分布尾部异常。

---

五、用 Python 计算 IVR / IVP

5.1 数据源选择

我们要计算 SPY 的 IVR / IVP。理想数据是「SPY 每天的 30D ATM IV」，但直接拿到这种历史序列要么靠付费数据（如 ORATS / IVolatility），要么自己每天存一遍。

穷人版替代方案：VIX 就是 SPX 的 30D ATM IV 代理（严格说是 30D variance swap，不完全等于 ATM IV，但相关性 >0.95，作为练手够用）。

• VIX 历史可以免费从 Yahoo Finance / CBOE 拿
• SPY 跟 SPX 同步率约 99%（SPY 是 SPX 的 1/10 ETF）
• 所以 VIX 可当作 SPY 30D ATM IV 的代理

注意：VIX 是「指数」，量纲已经是「年化 vol 百分比」，例如 VIX = 18 意味着 SPX 未来 30 天的 implied vol 约 18%。

5.2 完整脚本

# tr_day18_ivr_ivp.py
import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 1) 拿 5 年 VIX 历史（足够覆盖多个 52-week 窗口）
vix = yf.download('^VIX', start='2021-01-01', end='2026-05-27',
                  auto_adjust=True, progress=False)['Close']
vix = vix.dropna()
vix.name = 'IV'  # 把 VIX 当作 IV 代理

# 2) 计算 IVR（滚动 252 个交易日窗口）
def rolling_ivr(series, window=252):
    """滚动 IV Rank：(today - min) / (max - min) * 100"""
    roll_min = series.rolling(window).min()
    roll_max = series.rolling(window).max()
    ivr = (series - roll_min) / (roll_max - roll_min) * 100
    return ivr

# 3) 计算 IVP（滚动 252 天 percentile rank）
def rolling_ivp(series, window=252):
    """滚动 IV Percentile：过去 252 天里有多少比例 < today"""
    return series.rolling(window).apply(
        lambda x: (x[:-1] < x[-1]).sum() / (len(x) - 1) * 100,
        raw=True
    )

vix_df = pd.DataFrame({'IV': vix})
vix_df['IVR'] = rolling_ivr(vix_df['IV'])
vix_df['IVP'] = rolling_ivp(vix_df['IV'])
vix_df = vix_df.dropna()

print(vix_df.tail(10))
print(f"\n当前 IV(VIX): {vix_df['IV'].iloc[-1]:.2f}")
print(f"当前 IVR    : {vix_df['IVR'].iloc[-1]:.1f}")
print(f"当前 IVP    : {vix_df['IVP'].iloc[-1]:.1f}")

# 4) 同时计算 SPY 的 HV(30D) 作为 realized 对照
spy = yf.download('SPY', start='2021-01-01', end='2026-05-27',
                  auto_adjust=True, progress=False)['Close']
log_ret = np.log(spy / spy.shift(1))
hv30 = log_ret.rolling(30).std() * np.sqrt(252) * 100   # 年化成 %
hv30.name = 'HV30'

# 5) 画图
fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True)

axes[0].plot(vix_df.index, vix_df['IV'], label='IV (VIX)', color='steelblue')
axes[0].plot(hv30.index, hv30, label='HV 30D', color='orange', alpha=0.7)
axes[0].set_ylabel('Volatility (%)')
axes[0].set_title('SPY: Implied Volatility (VIX) vs Realized Volatility (30D HV)')
axes[0].legend()
axes[0].grid(alpha=0.3)

axes[1].plot(vix_df.index, vix_df['IVR'], label='IV Rank', color='red', alpha=0.8)
axes[1].plot(vix_df.index, vix_df['IVP'], label='IV Percentile', color='green', alpha=0.8)
axes[1].axhline(50, color='gray', linestyle='--', alpha=0.5)
axes[1].axhline(30, color='blue',  linestyle=':', alpha=0.4, label='Buy zone <30')
axes[1].axhline(70, color='purple',linestyle=':', alpha=0.4, label='Sell zone >70')
axes[1].set_ylabel('Rank / Percentile (0-100)')
axes[1].set_title('IV Rank vs IV Percentile (rolling 252-day)')
axes[1].legend()
axes[1].grid(alpha=0.3)

plt.tight_layout()
plt.savefig('tr_day18_ivr_ivp.png', dpi=120)
print("Saved tr_day18_ivr_ivp.png")

5.3 输出解读

跑完会看到两张图。重点观察：

1. IV (VIX) 几乎总是 ≥ HV30：这就是 vol risk premium 的可视化
2. IV 和 HV 都在事件期飙升，但 IV 先动：市场先恐慌定价，然后才有实际波动
3. IVR 和 IVP 大多数时候同向，但在「极值刚发生过」的窗口里会分歧：IVR 会被那个极值钉住，IVP 不会
4. VIX 上行常常先于 SPY 下行 1-2 天：是不是有人提前知道？不是，是「波动率恐惧」本身就是先行指标

5.4 进阶：用真实期权链算「真 IV」

VIX 是代理，要更准就得自己从期权链算 ATM 30D IV：

# 伪代码骨架（Day 19-20 会真正写）
from ib_insync import IB, Option
ib = IB(); ib.connect('127.0.0.1', 7497, clientId=1)
spy = Stock('SPY', 'SMART', 'USD')

# 找到离 30 天最近的 expiry
chains = ib.reqSecDefOptParams(spy.symbol, '', spy.secType, spy.conId)
target_dte = 30
expiry = pick_expiry_near(chains, target_dte)

# 找 ATM strike
spot = ib.reqMktData(spy, snapshot=True).last
atm_strike = round(spot)

call = Option('SPY', expiry, atm_strike, 'C', 'SMART')
ib.qualifyContracts(call)
ticker = ib.reqMktData(call, '106', snapshot=False)  # 106 = include greeks
ib.sleep(2)
atm_iv = ticker.modelGreeks.impliedVol  # 这个就是「真」30D ATM IV

但历史值怎么办？IBKR 不存历史 IV，得自己每天跑一遍存数据库。这是 Phase 2 才做的事，Day 18 用 VIX 代理就够。

---

六、IV 在财报附近的行为

财报是单个股票最戏剧化的 IV 事件，理解它对做单股期权策略是基础。

6.1 IV Run-up（财报前）

财报前 1-2 周开始，包含财报日的那个 expiry 的 IV 会逐步上行。市场逻辑：

• 财报会带来已知大波动事件（earnings surprise）
• 期权卖方意识到这点，要求更高 premium 补偿
• 期权买方也意识到这点，愿意付更高价

财报前一晚（pre-earnings close），财报覆盖周的 IV 通常是该股票全年最高。

6.2 IV Crush（财报后）

财报公布后第二天开盘：

• 不确定性消除（消息出来了）
• 那个 expiry 的 IV 瞬间崩塌——典型是 1 个小时内从 80% 掉到 40%

这就是「IV crush」。

6.3 IV Crush 的卖方陷阱

听起来卖方很爽：财报前卖期权（高 IV），财报后 IV crush 你赚 Vega。但有个致命陷阱：

财报前 IV = 80%，期权价格 $5
财报后 IV crush 到 40%，假设标的没动 → 期权价格 $2.5（赚）
但若标的财报后大涨 10% → 期权价格 $8（亏，即便 IV 减半）

Vega 赚的钱可能完全被 Delta 亏掉——而 Delta 在大涨大跌时是非线性变化的（Gamma 加速）。

所以财报卖方策略必须是delta-neutral：用 Iron Condor / Strangle 把两端都卖了，赌「方向多少都行，但幅度别超过我的 wing」。即使是 delta-neutral 策略，遇到「财报超预期 20%」也会亏到 short strike 之外。

经验数据：Iron Condor 卖财报，约 70% 胜率，平均 winner 收 30% 期权金，平均 loser 损失 1.5-2x 期权金（即「Kelly 不友好」的分布）。

6.4 财报 IV 的 PM 镜像

「上线前 hype + 上线后真相」是产品上的同构问题。Hype 阶段类似 IV run-up（期望 vol 高），上线后类似 IV crush（不确定性消除）。卖方策略对应「做空 hype」（卖期权 / 砸盘），买方策略对应「囤期望」（提前买入 / 入场）。不确定性本身是一种可定价资产——这个认知一旦内化，看产品市场会多一层视角。

---

七、HV 窗口选择的敏感性

HV 公式里那个 n 不是随便选的。不同窗口讲不同故事：

for n in [5, 20, 30, 60, 252]:
    hv = log_ret.rolling(n).std().iloc[-1] * np.sqrt(252) * 100
    print(f"HV{n}: {hv:.1f}%")

输出可能像：

HV5  : 24.3%
HV20 : 16.8%
HV30 : 15.5%
HV60 : 14.2%
HV252: 17.6%

5 个数字差异巨大。和 IV 比较时，要用同期 expiry 的 IV 对同窗口的 HV：

• 30D 期权的 IV ↔ HV 20 / HV 30
• 90D 期权的 IV ↔ HV 60
• LEAPS（1Y+）的 IV ↔ HV 252

混用窗口会让 VRP 计算失真——你以为有溢价但其实是窗口口径偏差。

---

八、IV Rank 在 Wheel 策略中的具体应用

Day 16-17 我们建好了 Wheel 的骨架（卖 CSP → 接货 → 卖 CC → 被 call away）。今天加一个入场过滤器：用 IVR 决定「该不该今天卖 CSP」。

8.1 过滤规则

# Wheel CSP 入场过滤（Day 18 版本）

def should_sell_csp(ivr, ivp, vix_value, dte_target=30):
    """
    返回 (allow: bool, reason: str)
    """
    # 规则 1：IVR 太低，premium 不值得风险
    if ivr < 40:
        return False, f"IVR={ivr:.0f} too low, premium thin"

    # 规则 2：IVP 也要确认（防 IVR 被极值钉住误判）
    if ivp < 30:
        return False, f"IVP={ivp:.0f} too low (IVR may be misleading)"

    # 规则 3：VIX 绝对值过高警告（黑天鹅期间不进场）
    if vix_value > 40:
        return False, f"VIX={vix_value:.0f} crisis-level, halt new CSPs"

    # 规则 4：「甜区」—— IVR 50-70 + IVP 50+ + VIX 18-30
    if 50 <= ivr <= 70 and ivp >= 50 and 18 <= vix_value <= 30:
        return True, f"SWEET SPOT: IVR={ivr:.0f}, IVP={ivp:.0f}, VIX={vix_value:.0f}"

    # 默认通过
    return True, f"OK: IVR={ivr:.0f}, IVP={ivp:.0f}, VIX={vix_value:.0f}"

# 实际调用
ivr_now = vix_df['IVR'].iloc[-1]
ivp_now = vix_df['IVP'].iloc[-1]
vix_now = vix_df['IV'].iloc[-1]
allow, reason = should_sell_csp(ivr_now, ivp_now, vix_now)
print(f"{'✓ ALLOW' if allow else '✗ SKIP'} — {reason}")

8.2 这个规则的「为什么」

8.3 「我能从这里走到哪」

Wheel + IVR 是 Phase 1 的练手版本。Phase 2 会进化到：

1. 多标的 IVR ranking：扫描 50 只标的，每天选 IVR 最高的前 5 个卖 CSP
2. delta-IVR 联合优化：固定 delta 0.30，在不同 IVR 标的间挑 premium 最厚的
3. Term structure 套利：IV Term Structure 倒挂时（near > far）卖近月买远月——Day 19 主题
4. IV mean reversion 跨标的：IVR 100 的标的卖 vol、IVR 0 的标的买 vol，做 vol pair trade

---

九、常见坑总结

---

十、PM 视角：相对位置的方法论迁移

今天最值得收的不是 IVR/IVP 的公式，是「绝对值无意义、相对位置才是信号」这个思维模式：

1. 用户活跃度：DAU = 1M 是高还是低？相对自己上月、相对同行同 cohort 才有意义。绝对值会让你做错决策。

2. 留存率：D30 = 35% 是好还是差？SaaS 工具 35% 烂、社交 35% 神。「Rank within peer」才是评判标准——这是 IVR 在产品上的镜像。

3. GMV / Revenue / 转化率：所有 KPI 都该有「IVP 视角」——「过去 252 天里有百分之多少天比今天低」。这比看绝对值更稳健、更抗 outlier。

4. 风险溢价的存在：用户为「确定性」付溢价（订阅 vs 计费、年付 vs 月付）。这跟 vol risk premium 本质同构——人厌恶不确定，且这种厌恶可定价、可被卖方收割。

5. IV Crush 的产品镜像：上线 / 财报 / 大版本发布前 hype 高（IV 高），发布后真相揭晓 IV crush。卖空 hype 的策略（提前减仓 / 提前出货）在产品和资本市场都成立。

6. 极值 vs 分布：「峰值 DAU」（max）跟「中位 DAU」（median）讲的不是一个故事。IVR 用前者，IVP 用后者，两个都看是处理任何 KPI 的正确姿势。

---

十一、明日预告

Day 19: IV Term Structure + Volatility Smile / Skew

• Term Structure：同一标的，不同 expiry 的 IV 不一样
  • Normal contango：远月 IV > 近月 IV（市场平静态）
  • Backwardation：近月 IV > 远月 IV（短期恐慌）
  • VIX9D / VIX / VIX3M / VIX6M 的 4 点 term structure
• Volatility Smile：同 expiry，不同 strike 的 IV 不一样
  • 1987 黑色星期一后，put 永远比 call 贵（put skew）
  • SPX 是 skew，单股是 smile，外汇是 smirk
• 风险逆转策略：买虚值 call + 卖虚值 put（同 delta）—— skew 的产品化
• Term Structure 套利：VIX9D > VIX 时的统计套利结构
• 代码实操：画 SPY 完整 chain 的 IV 曲面（skew × term）

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 装 yfinance 拿 VIX 5 年数据 — ...
• [hh:mm] 跑通 rolling IVR / IVP 计算 — ...
• [hh:mm] 画图 IV vs HV + IVR vs IVP — ...
• [hh:mm] 跑 should_sell_csp 看今天结论 — ...
• [hh:mm] 用 ib_insync 拿一个真实 30D ATM IV 对比 VIX — ...
• 卡点 / 学到的：
  • VIX 跟 SPY 30D ATM IV 实际差多少？（应该 < 2 vol points）
  • 今天 SPY 的 IVR / IVP 分别是多少？是 sweet spot 还是 skip？
  • HV20 跟 HV30 差异：观察自己的标的，哪个窗口最贴近 IV？

---

总字数：约 6,400 字 今日完成度：理论 ✓ / 实操 ✓（脚本可跑）/ 笔记 ✓