volatility-calculation

# 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 ```bash pip install -r requirements.txt ``` ### 2. 基础使用 ```bash # 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 ```bash # 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 ```json { "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