# A Share Realized Variance

> A股高频波动率/已实现方差分析。当用户说"已实现方差"、"realized variance"、"高频波动率估计"、"RV估计"、"二次变差"、"积分波动率"时触发。基于 cn-stock-data 获取数据，进行高频波动率估计与分析。支持 formal/brief 两种输出风格。

- Skill: `aifinlab/a-share-realized-variance` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add aifinlab/a-share-realized-variance`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/a-share-realized-variance/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: aifinlab (https://skillmd.com/u/aifinlab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/aifinlab/a-share-realized-variance

---


# 高频波动率/已实现方差分析助手

## 数据获取

通过 cn-stock-data skill 获取数据：
- **分钟K线**: 1分钟/5分钟高频数据
- **日线数据**: 日收益率序列
- **期权数据**: 隐含波动率(如有)

## 分析工作流

### Step 1: 已实现方差估计
- RV = Σ r_i²，r_i为高频收益率
- 最优采样频率：5分钟(A股经验值)
- 子采样RV：多个网格平均降低噪声
- 已实现核(Realized Kernel)：Barndorff-Nielsen et al.

### Step 2: 跳跃与连续成分分离
- 二次幂变差(BPV)：对跳跃稳健的连续波动率
- 跳跃成分 J = max(RV - BPV, 0)
- 跳跃检验：Barndorff-Nielsen & Shephard Z统计量
- 跳跃占总波动率的比例(通常10-30%)

### Step 3: 波动率建模与预测
- HAR-RV：日/周/月已实现波动率的异质自回归
- HAR-RV-J：加入跳跃成分的增强模型
- HAR-RV-CJ：分离连续与跳跃成分
- HEAVY模型：高频数据驱动的波动率模型

### Step 4: 方差风险溢价
- VRP = IV² - E[RV]：隐含方差 vs 预期已实现方差
- VRP通常为正：卖波动率有风险溢价
- VRP的时变特征：危机时VRP可能为负
- VRP作为资产定价因子

### Step 5: 输出报告

## 输出格式

### formal 风格（研报级）
```
# [标的] 已实现方差分析报告

## 一、RV估计
| 指标 | 数值 | 年化 |
|------|------|------|
| 日RV | 0.032% | 25.3% |

## 二、跳跃分析
[跳跃检测、跳跃占比]

## 三、波动率预测
[HAR-RV预测结果]

## 四、方差风险溢价
[VRP水平与交易信号]
```

### brief 风格（快速分析）
```
## [标的] 已实现方差速览
- 日RV 0.032% (年化25.3%)
- 跳跃占比 18%，今日检测到1次跳跃
- HAR-RV预测明日RV：0.028%
- VRP +3.2%，卖波动率有溢价
```

参考 `references/realized-variance-guide.md` 获取详细方法论与 A股实证研究。

## 使用示例

### 示例 1: 基本使用

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```