比特幣波動率分析與風險量化模型

概述

比特幣作為一種新興的資產類別，其價格波動性長期以來一直是投資者和學術研究關注的焦點。傳統金融市場的波動率模型難以完全捕捉比特幣獨特的價格行為特徵，這使得風險管理變得更加複雜。本篇文章將深入探討比特幣波動率的統計特性，介紹主流的波動率模型，並提供基於歷史數據的風險價值（Value at Risk, VaR）計算方法，幫助投資者更好地理解和量化比特幣投資的風險。

比特幣波動率的統計特徵

歷史波動率比較

比特幣的歷史波動率顯著高於傳統資產類別。根據 2010 年至 2025 年的歷史數據，比特幣的年化波動率約為 60-80%，而同期標普 500 指數的年化波動15-20%，率約為 黃金的年化波動率約為 12-15%。這意味著比特幣的波動率大約是傳統股票的 3-4 倍，是黃金的 4-6 倍。

更具體地分析：

• 比特幣日均波動率約為 3.5-5.0%
• 比特幣單日最大漲跌幅記錄超過 40%
• 比特幣月均波動率約為 15-25%

收益率分布特性

比特幣收益率的分布呈現出顯著的非正態特徵，這對風險管理模型有重要影響。

厚尾性（Fat Tails）：比特幣收益率的分佈尾部比正態分佈更厚，這意味著極端事件（大幅上漲或下跌）發生的頻率高於正態分佈的預測。實證研究表明，比特幣收益率的峰度（Kurtosis）通常在 5-15 之間，遠高於正態分佈的峰度值 3。這種厚尾特性導致傳統基於正態分佈的風險模型會低估極端損失的機率。

偏度（Skewness）：比特幣收益率的偏度通常為負值，意味著左尾（大幅下跌）的風險高於右尾（大幅上漲）。這種負偏度特徵在傳統金融市場中也常見，但在比特幣中更為顯著。

波動率聚集（Volatility Clustering）：比特幣價格呈現明顯的波動率聚集效應，即高波動期後往往跟隨高波動期，低波動期後往往跟隨低波動期。這一特性最早由經濟學家 Robert Engle 在 1982 年提出，並因此獲得諾貝爾經濟學獎。波動率聚集效應意味著簡單的歷史波動率估計可能誤導未來風險評估。

自回歸特性

比特幣收益率序列存在顯著的自回歸特性。實證研究表明：

日間效應（Day-of-the-Effect）：比特幣在某些交易日的平均收益率和波動率存在統計顯著差異。週末（尤其是週日）的波動率通常高於平日，這可能與亞洲市場的交易活躍度和機構投資者的操作模式有關。

月效應（Month-of-the-Year Effect）：比特幣在不同月份的平均收益率存在差異。部分研究發現比特幣在 1 月和 2 月的平均收益率較高，而 4 月和 5 月的表現相對較弱。然而，這些效應在不同時期並不穩定。

波動率模型

簡單歷史波動率

最直接的波動率估計方法是計算歷史收益率的標準差：

σsimple = sqrt(Σ(ri - r̄)² / (n-1))

其中 r_i 是第 i 日的對數收益率，r̄ 是平均收益率，n 是觀測天數。

這種方法的優點是簡單直觀，但其缺點也很明顯：

• 所有歷史觀測值被給予相同權重，無法反映近期波動率的變化
• 對選擇的歷史窗口敏感
• 無法捕捉波動率的動態特性

實證研究中常用的窗口期包括：

• 20 日（1 個月）：捕捉短期波動率
• 60 日（3 個月）：捕捉中期趨勢
• 252 日（1 年）：捕捉長期特性

指數加權移動平均（EWMA）模型

EWMA 模型對不同歷史觀測值給予指數衰減的權重，近期觀測值權重更高：

σ²t = λσ²{t-1} + (1-λ)r²_{t-1}

其中 λ 是衰減因子，通常取值為 0.94（RiskMetrics 方法）。

這種方法的優點是能夠更快地反映波動率的變化，適合短期風險管理。然而，λ 的選擇具有一定主觀性，且模型無法預測波動率的趨勢反轉。

GARCH 模型

GARCH（Generalized Autoregressive Conditional Heteroskedasticity）模型是目前最廣泛使用的波動率模型之一，能夠捕捉波動率的聚集效應和條件異方差性。

GARCH(1,1) 模型的形式為：

rt = μ + εt

εt = σt × z_t

σ²t = ω + αε²{t-1} + βσ²_{t-1}

其中：

• r_t 是時刻 t 的收益率
• μ 是條件均值
• ε_t 是殘差項
• σ_t 是條件波動率
• z_t 是標準正態隨機變量（或 student-t 分布）
• ω, α, β 是估計參數

比特幣的 GARCH(1,1) 估計結果通常顯示：

• α + β ≈ 0.95-0.99，表明波動率具有高度持續性
• α > 0，表明波動率對價格衝擊有正向反應
• β > 0，表明上一期波動率對當期波動率有正向影響

GJR-GARCH 模型

考慮到比特幣收益率的負偏度特徵，GJR-GARCH（又稱非對稱 GARCH）模型可以捕捉價格下跌時波動率上升更快的現象：

σ²t = ω + (α + γI{t-1})ε²{t-1} + βσ²{t-1}

其中 I{t-1} 是指示函數，當 ε{t-1} < 0 時取值為 1，否則為 0；γ 是非對稱參數。

實證研究表明，比特幣的 γ 參數通常為正且顯著，表明比特幣的「恐慌效應」（下跌時波動率上升）比「興奮效應」（上漲時波動率上升）更強。

SV 模型

隨機波動率（Stochastic Volatility, SV）模型將波動率視為一個獨立的隨機過程：

rt = μ + εt, εt = σt × z_t

ln(σ²t) = φ + ψln(σ²{t-1}) + η_t

其中 η_t 是另一個獨立的正態隨機變量。

SV 模型相比 GARCH 模型更靈活，可以捕捉波動率與收益之間的動態關係，但估計難度也更高。

風險價值（VaR）計算

VaR 的定義

風險價值（VaR）是金融風險管理中最廣泛使用的風險度量之一。其定義為：在給定的置信水平和持有期內，投資組合可能遭受的最大損失。

形式化表示：VaR_α = inf{x ∈ ℝ : P(Loss > x) ≤ 1-α}

例如，若某投資組合的 1 日 99% VaR 為 100 美元，則意味著在正常市場條件下，有 99% 的機率該投資組合在 1 日內的損失不會超過 100 美元。

歷史模擬法

歷史模擬法是最直接的 VaR 計算方法，其步驟為：

1. 選擇歷史收益率窗口（例如 252 日）
2. 計算每日的收益率
3. 根據置信水平選擇相應的分位數（例如 99% 置信水平選擇第 2 百分位數）
4. 將選定的分位數應用於當前投資組合價值

比特幣的 1 日 99% VaR（歷史模擬法）估算：

根據 2020-2025 年的歷史數據：

• 比特幣日收益率的第 1 百分位數約為 -8% 至 -12%
• 這意味著 100 萬美元的比特幣投資，其 1 日 99% VaR 為 8-12 萬美元

歷史模擬法的優點是簡單直觀，不需要假設收益率的分布。然而，其缺點包括：

• 對歷史窗口選擇敏感
• 無法預測前所未有的市場情境
• 忽略收益率之間的相關性

方差-共變異數法（Parametric VaR）

假設收益率服從正態分布，VaR 可以透過以下公式計算：

VaR = V₀ × σt × zα

其中：

• V₀ 是初始投資組合價值
• σ_t 是條件波動率（可從 GARCH 模型獲得）
• z_α 是標準正態分佈在置信水平 α 下的分位數

例如：

• 99% 置信水平：z_0.99 ≈ 2.326
• 95% 置信水平：z_0.95 ≈ 1.645

假設比特幣的日波動率為 4%，初始投資為 100 萬美元：

• 1 日 99% VaR = 1,000,000 × 0.04 × 2.326 = 93,040 美元
• 1 日 95% VaR = 1,000,000 × 0.04 × 1.645 = 65,800 美元

問題：由於比特幣收益率不是正態分布（厚尾），Parametric VaR 通常會低估極端損失。

修正的 VaR（Cornish-Fisher 擴展）

Cornish-Fisher 擴展透過考慮收益率分布的偏度和峰度，修正正態分佈的 VaR：

VaRCF = VaRnormal × (1 + Cs × S + Ck × (K-3))

其中：

• S 是偏度
• K 是峰度
• C_s = (6z³ - 6z)/(6(z²-1))^(1/2)
• C_k = (24z³ - 36z² + 12z - 6)/(6(z²-1))^(1/2)

比特幣的典型參數值：偏度 S ≈ -0.5，峰度 K ≈ 8，代入計算後，Cornish-Fisher 修正因子約為 1.3-1.5。這意味著考慮厚尾特性後，VaR 估計值需要上調 30-50%。

蒙特卡羅模擬法

蒙特卡羅模擬法透過模擬大量的可能市場情境來估計 VaR：

1. 估計收益率的分布參數（均值、波動率、相關性）
2. 模擬大量的未來收益率路徑
3. 計算每條路徑的投資組合價值
4. 從模擬分布中提取 VaR

對於比特幣，可以使用 GARCH 模型模擬條件波動率的動態變化，然後結合蒙特卡羅模擬獲得更準確的 VaR 估計。

條件風險價值（CVaR）

CVaR 的定義

條件風險價值（Conditional Value at Risk, CVaR），也稱為 Expected Shortfall（ES），是 VaR 的補充度量，定義為損失超過 VaR 時的平均損失：

CVaR = E[Loss | Loss > VaR_α]

CVaR 的優點是考慮了尾部風險的嚴重程度，而 VaR 只關注損失是否超過閾值。對於比特幣這類高波動性資產，CVaR 通常是更有意義的風險度量。

比特幣 CVaR 估算

根據歷史數據分析：

• 比特幣 1 日 99% CVaR 通常為 VaR 的 1.2-1.5 倍
• 在市場極端波動期間（例如 2022 年 Terra/Luna 崩盤），CVaR 可達 VaR 的 2 倍以上

波動率預測模型驗證

回測方法

波動率模型的有效性需要透過回測（Backtesting）進行驗證。常用的回測方法包括：

失敗率檢驗（Kupiec POF 檢驗）：計算 VaR 估計失敗（即實際損失超過 VaR）的頻率，檢驗是否與置信水平一致。

例如，若 99% VaR 在 252 個交易日內有 5 次失敗，失敗率為 1.98%。Kupiec 檢驗可以判斷 1.98% 與 1% 的差異是否具有統計顯著性。

區間預測檢驗：使用波動率模型預測未來的波動率區間，檢驗實際波動率落在區間內的頻率是否與預期一致。

實證結果

針對比特幣的波動率模型回測結果顯示：

• GARCH(1,1) 模型的 VaR 失敗率通常略高於標稱水平，表明模型略微低估風險
• GJR-GARCH 模型的表現通常優於對稱 GARCH，特別是在市場下跌期間
• 歷史模擬法的表現通常優於簡單的參數方法
• 結合 GARCH 和蒙特卡羅模擬的方法能夠提供最準確的 VaR 估計

實務應用

比特幣風險管理框架

機構投資者在管理比特幣風險時應考慮以下框架：

1. 波動率估計：使用 GARCH 模型估計動態波動率，並根據市場狀況調整參數
2. VaR 計算：使用修正的 VaR 方法（Cornish-Fisher）或蒙特卡羅模擬，考慮比特幣的厚尾特性
3. 壓力測試：設計符合比特幣歷史極端事件的壓力情境（如 2017 年泡沫破裂、2022 年Terra/Luna 崩盤）
4. 持續監控：建立實時監控系統，追蹤波動率和 VaR 的變化

部位 sizing

基於波動率的部位 sizing 方法可以幫助投資者控制風險：

固定比例方法：每單位比特幣風險金額 = 初始資本 × 風險權重 / 波動率

例如：

• 初始資本：100 萬美元
• 風險權重：2%（每筆交易最多損失 2%）
• 比特幣年化波動率：70%
• 日波動率 ≈ 70% / sqrt(252) ≈ 4.4%
• 最大比特幣部位 = 100萬 × 0.02 / 0.044 = 45,454 美元

對沖策略

比特幣的波動率可以透過以下方式進行對沖：

• 期貨對沖：使用比特幣期貨建立空頭部位
• 選擇權對沖：購買比特幣價外看跌選擇權
• 波動率交換：與交易對手交換波動率風險

結論

比特幣的波動率特性與傳統資產有顯著差異，其厚尾分布、負偏度和波動率聚集效應要求投資者採用更先進的風險管理工具。GARCH 系列模型能夠捕捉比特幣波動率的動態特性，而 VaR 和 CVaR 等風險度量可以幫助投資者量化和管理比特幣投資的尾部風險。

在實際應用中，投資者應：

• 避免使用簡單的歷史波動率估計
• 選擇能夠捕捉非對稱性的波動率模型
• 使用修正的 VaR 方法考慮比特幣的厚尾特性
• 進行壓力測試以評估極端情境下的潛在損失
• 建立動態的風險管理系統，隨市場狀況調整風險參數

比特幣風險管理是一個複雜但至關重要的課題。隨著比特幣市場的成熟和更多金融工具的出現，風險管理方法也將持續演進。投資者在進行比特幣投資時，應充分理解其風險特性，並採用適當的風險管理策略。