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

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json