a-share-volatility

name	a-share-volatility
description	A股波动率分析/GARCH建模。当用户说"波动率"、"volatility"、"GARCH"、"波动率锥"、"历史波动率"、"隐含波动率"、"HV"、"IV"、"波动率分位"、"XX波动率多少"、"波动率高吗"时触发。分析个股/指数的历史波动率、波动率锥、GARCH预测、隐含波动率对比，辅助判断当前波动率水平和未来波动率趋势。支持研报风格（formal）和快速查看风格（brief）。

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
VOL_SCRIPTS="$SKILLS_ROOT/a-share-volatility/scripts"

# 日线 K 线（近 2 年，用于波动率锥和 GARCH 拟合）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [2年前日期]

# 实时行情
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]

# 波动率一键分析（HV多窗口 + 波动率锥 + GARCH预测 + EWMA）
python "$VOL_SCRIPTS/volatility_analyzer.py" --code [CODE] --start [2年前日期]

# 期权隐含波动率（仅限有期权的标的：50ETF/300ETF/个股期权）
# 通过 akshare 获取期权数据
python -c "import akshare as ak; df=ak.option_sse_greeks_sina(symbol='510050'); print(df[['IV']].describe())"

Workflow (5 steps):

Step 1: 数据获取与预处理

1. 获取近 2 年日线 K 线数据（OHLCV）
2. 计算对数收益率：r_t = ln(Close_t / Close_{t-1})
3. 获取实时行情确认最新价格
4. 运行 volatility_analyzer.py 获取完整波动率分析结果

Step 2: 历史波动率计算（多窗口） 计算 5 个滚动窗口的年化历史波动率：

窗口	用途	说明
HV5	超短期波动	反映近一周波动
HV10	短期波动	反映近两周波动
HV20	月度波动	最常用，对应期权月到期
HV60	季度波动	中期波动水平
HV120	半年波动	长期波动基准

计算方法（Close-to-Close）：

• HV_N = std(r_t, window=N) * sqrt(252) * 100（百分比形式）

补充方法（如果有高开低收数据）：

• Parkinson 波动率：利用最高价/最低价，HV_park = sqrt(1/(4N*ln2) * sum(ln(H/L)^2)) * sqrt(252)
• Yang-Zhang 波动率：综合开盘跳空 + 日内波动，更准确

Step 3: 波动率锥构建 对每个窗口，计算历史上所有滚动 HV 值的分位数分布：

分位数	含义
P95	极高波动（历史 95% 分位）
P75	偏高波动
P50	中位数（典型水平）
P25	偏低波动
P05	极低波动（历史 5% 分位）

当前 HV 在锥中的位置：

• 高于 P75 → 波动率偏高，可能回归
• P25-P75 → 正常区间
• 低于 P25 → 波动率偏低，可能扩张

波动率锥呈现方式：以窗口为横轴、波动率为纵轴，各分位线形成"锥形"，当前值标注在对应位置。

Step 4: GARCH(1,1) 拟合与预测 使用 arch 库拟合 GARCH(1,1) 模型（不可用时 fallback 到 EWMA）：

GARCH(1,1) 模型：

• sigma_t^2 = omega + alpha * r_{t-1}^2 + beta * sigma_{t-1}^2
• 长期方差 = omega / (1 - alpha - beta)
• alpha：短期冲击敏感度（越大越受近期波动影响）
• beta：波动率持续性（越大波动聚集越强）
• alpha + beta → 1：波动率持续性极强

GARCH 预测输出：

• 未来 5/10/20 日波动率预测值
• 向长期均值收敛的速度
• 参数解读（alpha/beta/omega）

EWMA 备选（lambda=0.94, RiskMetrics 标准）：

• sigma_t^2 = lambda * sigma_{t-1}^2 + (1-lambda) * r_{t-1}^2

Step 5: HV vs IV 对比（如有期权数据） 仅限有期权的标的（50ETF/300ETF 等）：

• 如果 IV > HV：期权定价偏贵，适合卖方策略
• 如果 IV < HV：期权定价偏低，适合买方策略
• IV-HV 差值的历史分位数

风格说明

维度	formal（波动率研究报告）	brief（快速波动率查看）
篇幅	2-4 页	半页
HV 多窗口	5 个窗口全部列出 + 趋势判断	HV20 + HV60 两个关键窗口
波动率锥	完整分位数表 + 文字描述锥形	当前 HV20 所处分位
GARCH	完整参数 + 预测 + 模型诊断	一句话预测方向
IV 对比	详细 HV-IV 分析 + 策略建议	IV vs HV 一句话
波动率特征	聚集性/均值回归/非对称性分析	省略
结论	多维度总结 + 波动率交易建议	高/正常/低 + 趋势
免责声明	需要	不需要

关键规则

1. 年化处理：所有波动率统一年化（*sqrt(252)），以百分比形式呈现
2. 波动率锥判断：核心输出是"当前波动率在历史中的位置"，必须给出分位数
3. 均值回归：波动率具有均值回归特性，极端值倾向回归到长期均值
4. 波动率聚集：高波动之后往往跟随高波动，低波动之后往往跟随低波动
5. GARCH 可选：如果 arch 库未安装，使用 EWMA 替代，结果标注为"EWMA 估计"
6. IV 数据有限：仅部分 ETF 和个股有期权，无期权标的跳过 IV 对比环节
7. A 股特色：注意涨跌停板对波动率计算的影响（涨跌停日波动率被低估），T+1 交易制度，新股上市初期波动率异常
8. 数据量要求：GARCH 拟合建议至少 250 个交易日数据，波动率锥建议 2 年以上数据