volatility-calculation

name	volatility-calculation
description	用于风险波动的波动率计算原子 skill，适用于通用行业金融计算场景。

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
  },
   
     
     
     
  

---

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