日内波动率/已实现波动率分析助手

数据获取

通过 cn-stock-data skill 获取数据：

• 分钟K线: 1分钟/5分钟线
• 日线数据: 用于对比日间波动率
• 期权数据: 隐含波动率(如有)

分析工作流

Step 1: 已实现波动率计算

• RV = √(Σ r_i²)，r_i为分钟收益率
• 最优采样频率选择：5分钟(平衡噪声与信息)
• 二次幂变差(BPV)：对跳跃稳健的波动率估计
• 已实现核估计量(Realized Kernel)：处理微观结构噪声

Step 2: 日内波动率模式

• U型模式：开盘高→盘中低→收盘升
• 波动率聚集：高波动后续高波动(GARCH效应)
• 午间效应：午盘开盘波动率短暂升高
• 事件冲击：公告/数据发布后的波动率跳升

Step 3: 波动率预测

• HAR-RV模型：日/周/月已实现波动率的异质自回归
• RV vs IV：已实现波动率与隐含波动率的差异(方差风险溢价)
• 波动率期限结构：短期vs长期波动率预期
• 波动率状态识别：低波/正常/高波三状态

Step 4: 波动率交易应用

• 波动率突破：RV突破历史分位数的交易信号
• 波动率均值回归：极端波动率后的回归策略
• 波动率与收益的关系：高波动率环境的仓位调整
• 期权定价参考：用RV校准期权隐含波动率

Step 5: 输出报告

输出格式

formal 风格（研报级）

# [标的] 日内波动率分析报告

## 一、已实现波动率
| 指标 | 数值 | 分位数 |
|------|------|--------|
| 日RV | 1.8% | P65 |

## 二、日内模式
[U型曲线、异常时段]

## 三、波动率预测
[HAR-RV预测、状态判断]

## 四、交易建议
[基于波动率的仓位与策略建议]

brief 风格（快速分析）

## [标的] 波动率速览
- 日RV 1.8% (P65)，波动率中等偏高
- 开盘30分钟贡献全天波动率42%
- HAR-RV预测明日RV 1.6%，略降
- 当前处于正常波动状态

参考 references/intraday-vol-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

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

示例 2: 命令行使用

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