aifinlab 波动率计算 Skill
数据来源
本 Skill 支持多种金融数据输入格式，核心数据来源包括：
1. 价格序列数据
- 股票价格数据：日收盘价、周收盘价、月收盘价
- 基金净值数据：单位净值、累计净值
- 债券价格数据：全价、净价
- 指数数据：各类市场指数、行业指数
2. 收益率数据
- 历史收益率序列：已计算的收益率数据
- 对数收益率：基于价格计算的对数收益率
- 简单收益率：基于价格计算的简单收益率
3. 数据格式要求
- CSV格式：标准时间序列数据，包含日期和价格/收益率列
- Excel格式：支持多工作表数据
- JSON格式：结构化时间序列数据
- 数据库连接：支持SQL数据库直接查询
说明：本 Skill 不包含数据采集功能，需要用户提供清洗后的价格或收益率数据。建议数据时间跨度不少于1年，以便进行准确的波动率计算。
功能
本 Skill 提供全面的波动率计算能力，涵盖多种计算方法：
1. 历史波动率计算
- 简单波动率 = 收益率序列的标准差 × √年化因子
- 对数波动率 = 对数收益率序列的标准差 × √年化因子
- 滚动波动率：计算指定时间窗口内的滚动波动率
- 加权波动率：基于时间加权的波动率计算
2. 年化波动率计算
- 日度年化 = 日收益率标准差 × √252
- 周度年化 = 周收益率标准差 × √52
- 月度年化 = 月收益率标准差 × √12
- 自定义年化：根据交易日天数自定义年化因子
3. 条件波动率计算
- GARCH模型波动率：基于GARCH模型的条件异方差波动率
- EWMA波动率：指数加权移动平均波动率
- 已实现波动率：基于高频数据的已实现波动率
4. 波动率指标
- 波动率分位数：计算波动率的分位数分布
- 波动率趋势：分析波动率的时间趋势
- 相对波动率：相对于基准的波动率
5. 数据处理能力
- 缺失值处理：支持前向填充、插值等方法
- 异常值检测：基于统计方法识别和处理异常收益率
- 数据标准化：支持不同数据源的格式统一
- 交易日调整：自动识别交易日和非交易日
使用示例
1. 安装依赖
pip install -r requirements.txt
2. 基础使用
# 计算历史波动率
python scripts/calc_volatility.py --input prices.csv --date-col date --price-col close --output volatility.csv
# 计算年化波动率
python scripts/calc_volatility.py --input prices.csv --date-col date --price-col close --output annual_volatility.csv --annualization 252
# 计算滚动波动率
python scripts/calc_volatility.py --input prices.csv --date-col date --price-col close --output rolling_volatility.csv --window 30
3. 高级配置
# 使用GARCH模型计算条件波动率
python scripts/calc_volatility.py --input returns.csv --output garch_volatility.csv --method garch
# 计算EWMA波动率
python scripts/calc_volatility.py --input returns.csv --output ewma_volatility.csv --method ewma --lambda 0.94
# 指定时间区间
python scripts/calc_volatility.py --input prices.csv --output period_volatility.csv --start-date 2024-01-01 --end-date 2024-12-31
4. 输出示例
{
"symbol": "000001.SZ",
"period": "2024-01-01 to 2024-12-31",
"volatility": {
"historical_volatility": 18.5,
"annualized_volatility": 18.5,
"log_volatility": 18.2,
"rolling_30d_volatility": 16.8,
"rolling_60d_volatility": 17.5,
"garch_volatility": 19.2
},
"statistics": {
"trading_days": 245,
"mean_return": 0.05,
"max_volatility": 25.3,
"min_volatility": 12.1
},
"distribution": {
"percentile_25": 15.2,
"percentile_50": 18.5,
"percentile_75": 21.8
}
}
注意事项与限制
1. 数据质量要求
- 价格或收益率数据需要经过清洗和验证
- 建议使用足够长的历史数据（至少1年）
- 异常数据会影响波动率计算结果
2. 计算方法选择
- 不同计算方法的结果可能不同
- 年化因子需要根据实际交易日天数调整
- GARCH模型需要足够的样本量
3. 时间序列特性
- 波动率具有聚集性特征
- 不同时间区间的波动率不可直接比较
- 市场环境变化会影响波动率水平
4. 综合判断原则
- 单一波动率指标不能全面反映风险特征
- 需要结合其他风险指标进行综合分析
- 应结合市场环境和行业特点进行判断
5. 使用限制
- 本 Skill 输出为技术分析结果，不构成投资建议
- 使用者应结合专业判断和具体业务场景
- 对于重大决策，建议咨询专业投资顾问
参考资料
- 见 references/ 目录中的相关文档，包括：
- 波动率计算公式手册
- GARCH模型使用指南
- 年化波动率计算方法
- 数据处理方法说明文档
License
- 本 skill 代码部分采用 MIT License，详见
LICENSE文件 - 依赖与运行环境以
requirements.txt为准 - 文档内容采用 CC BY 4.0 许可