| name | a-share-realized-variance |
| description | 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。 |
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
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json
