别再只用收盘价了！用Python实战对比Parkinson、Garman-Klass等三种高阶波动率算法（附完整代码）

高阶波动率算法实战Parkinson、Garman-Klass与Rogers-Satchell的Python实现与对比在量化交易和金融风险管理中波动率是最核心的指标之一。传统的收盘价波动率Close-to-Close虽然计算简单但它忽略了日内价格变动信息可能导致对市场真实波动性的低估。本文将带你深入探索三种利用日内价格数据的高阶波动率算法——Parkinson、Garman-Klass和Rogers-Satchell通过Python实战对比它们的表现差异。1. 为什么需要高阶波动率算法金融市场的价格变动并非只在收盘时发生。日内价格的高点和低点往往蕴含着重要的市场情绪信息。以2020年3月美股熔断期间为例标普500指数单日振幅经常超过5%但收盘价变动可能只有2-3%。如果仅依赖收盘价计算波动率会严重低估市场实际风险。三种高阶算法的核心思想都是利用OHLC开盘-最高-最低-收盘数据中的更多信息Parkinson波动率专注于日内价格区间最高价与最低价之比Garman-Klass波动率在Parkinson基础上加入开盘价与收盘价信息Rogers-Satchell波动率进一步考虑价格路径不对称性的影响# 示例传统收盘价波动率 vs 高阶波动率 import numpy as np def close_to_close_volatility(returns, window20, trading_days252): return returns.rolling(window).std() * np.sqrt(trading_days)2. 算法原理与Python实现2.1 Parkinson波动率捕捉日内价格区间Parkinson(1980)提出的波动率估计方法基于一个简单而深刻的观察日内价格区间最高价-最低价包含了比单一收盘价更多的波动信息。其公式核心是对数价格区间的平方和$$ \hat{\sigma}{parkinson} \sqrt{\frac{1}{4N\ln2}\sum{i1}^{N}\left(\ln\frac{H_i}{L_i}\right)^2} $$实现要点对最高价/最低价比值取自然对数乘以1/(4ln2)的系数进行标准化年化处理时乘以√252假设252个交易日import numpy as np def parkinson_volatility(data, high_col, low_col, window20, trading_days252): 计算Parkinson波动率 参数 data: 包含OHLC数据的DataFrame high_col: 最高价列名 low_col: 最低价列名 window: 滚动窗口大小 trading_days: 年化交易天数(默认252) 返回 波动率序列 log_hl np.log(data[high_col] / data[low_col]) rs (1.0 / (4.0 * np.log(2))) * log_hl**2 volatility rs.rolling(window).mean().apply(lambda x: np.sqrt(x * trading_days)) return volatility提示Parkinson估计量对价格极值特别敏感在流动性较差的市场中可能高估实际波动率。2.2 Garman-Klass波动率整合更多价格信息Garman和Klass(1980)扩展了Parkinson的方法引入开盘价和收盘价信息旨在提供更精确的波动率估计。其公式包含两个部分$$ \hat{\sigma}_{gk} \sqrt{\frac{1}{2N}\left[\sum\left(\ln\frac{H_i}{L_i}\right)^2 - 2(2\ln2-1)\sum\left(\ln\frac{C_i}{O_i}\right)^2\right]} $$算法优势同时利用价格区间和收盘变动信息理论效率是收盘价波动率的7倍左右对跳跃性波动有更好的捕捉能力def garman_klass_volatility(data, high_col, low_col, open_col, close_col, window20, trading_days252): 计算Garman-Klass波动率 参数 data: 包含OHLC数据的DataFrame high_col: 最高价列名 low_col: 最低价列名 open_col: 开盘价列名 close_col: 收盘价列名 window: 滚动窗口大小 trading_days: 年化交易天数 返回 波动率序列 log_hl np.log(data[high_col] / data[low_col]) log_co np.log(data[close_col] / data[open_col]) rs 0.5 * log_hl**2 - (2*np.log(2)-1) * log_co**2 volatility rs.rolling(window).mean().apply(lambda x: np.sqrt(x * trading_days)) return volatility2.3 Rogers-Satchell波动率处理非对称价格路径Rogers和Satchell(1991)进一步改进了波动率估计特别考虑了价格路径可能存在的非对称性。这在趋势性市场中尤为重要$$ \hat{\sigma}_{rs} \sqrt{\frac{1}{N}\sum\left[\ln\left(\frac{H_i}{C_i}\right)\ln\left(\frac{H_i}{O_i}\right) \ln\left(\frac{L_i}{C_i}\right)\ln\left(\frac{L_i}{O_i}\right)\right]} $$适用场景市场存在明显趋势时开盘跳空频繁的情况对涨跌不对称性敏感的策略def rogers_satchell_volatility(data, high_col, low_col, open_col, close_col, window20, trading_days252): 计算Rogers-Satchell波动率 参数 data: 包含OHLC数据的DataFrame high_col: 最高价列名 low_col: 最低价列名 open_col: 开盘价列名 close_col: 收盘价列名 window: 滚动窗口大小 trading_days: 年化交易天数 返回 波动率序列 log_hc np.log(data[high_col] / data[close_col]) log_ho np.log(data[high_col] / data[open_col]) log_lc np.log(data[low_col] / data[close_col]) log_lo np.log(data[low_col] / data[open_col]) rs log_hc * log_ho log_lc * log_lo volatility rs.rolling(window).mean().apply(lambda x: np.sqrt(x * trading_days)) return volatility3. 实战对比以沪深300指数为例让我们用实际数据对比这三种算法的表现。我们使用tushare获取沪深300指数的日线数据import tushare as ts import matplotlib.pyplot as plt # 获取沪深300指数数据 df ts.get_k_data(hs300, start2018-01-01, end2023-12-31) df df.set_index(date) # 计算各波动率 df[parkinson] parkinson_volatility(df, high, low, window20) df[garman_klass] garman_klass_volatility(df, high, low, open, close, window20) df[rogers_satchell] rogers_satchell_volatility(df, high, low, open, close, window20) df[close_to_close] close_to_close_volatility(df[close].pct_change(), window20) # 绘制对比图 plt.figure(figsize(12, 6)) plt.plot(df.index, df[parkinson], labelParkinson) plt.plot(df.index, df[garman_klass], labelGarman-Klass) plt.plot(df.index, df[rogers_satchell], labelRogers-Satchell) plt.plot(df.index, df[close_to_close], labelClose-to-Close) plt.title(HS300 Volatility Comparison (20-day window)) plt.legend() plt.grid() plt.show()从实证结果可以看到几个关键现象高阶算法普遍高于传统波动率三种方法估计的波动率通常比收盘价波动率高20-30%说明传统方法确实存在低估市场极端时期的差异在2020年3月市场剧烈波动期间Parkinson估计值最高反映出它对价格区间的敏感性平稳期的收敛在市场平稳时期三种估计值差异缩小4. 算法选择与策略应用指南不同的波动率算法适用于不同的交易场景下面通过对比表格总结关键特性特性ParkinsonGarman-KlassRogers-SatchellClose-to-Close使用数据H-LO-H-L-CO-H-L-CC计算复杂度低中中低跳跃敏感性高中中低趋势市场适应性一般较好优秀差效率(相对传统方法)5.2倍7.4倍6.5倍1倍策略应用建议高频与日内策略优先考虑Parkinson或Garman-Klass因其对日内波动敏感趋势跟踪系统Rogers-Satchell能更好捕捉趋势中的波动不对称性期权定价Garman-Klass通常能提供更稳定的波动率估计风险控制在极端市场条件下Parkinson可能提供更及时的风险信号# 波动率策略信号生成示例 def volatility_breakout_signal(data, volatility_typegarman_klass, window20, multiplier1.5): 波动率突破策略信号生成 参数 data: 包含价格和波动率的数据 volatility_type: 使用的波动率类型 window: 波动率计算窗口 multiplier: 波动率乘数 返回 交易信号(1:做多, -1:做空, 0:保持) volatility data[volatility_type] atr multiplier * volatility signals pd.Series(0, indexdata.index) signals[data[close] data[close].shift(1) atr] 1 signals[data[close] data[close].shift(1) - atr] -1 return signals注意实际应用中应考虑交易成本、滑点等因素简单的波动率突破策略可能需要进一步过滤才能获得稳定收益。5. 高级话题与优化方向对于希望进一步优化波动率模型的开发者可以考虑以下方向混合波动率模型def hybrid_volatility(data, weights[0.3, 0.4, 0.3]): 混合波动率估计 参数 weights: 对[Parkinson, Garman-Klass, Rogers-Satchell]的权重 parkinson parkinson_volatility(data, high, low) gk garman_klass_volatility(data, high, low, open, close) rs rogers_satchell_volatility(data, high, low, open, close) return weights[0]*parkinson weights[1]*gk weights[2]*rs波动率曲面建模对不同时间窗口的波动率进行三维可视化观察波动率的期限结构机器学习增强使用LSTM等模型学习波动率的非线性特征结合传统算法市场状态识别根据波动率特征自动识别市场状态平静、波动、极端# 市场状态识别示例 def market_state(volatility, thresholds[0.15, 0.25]): 基于波动率划分市场状态 参数 thresholds: [平静,波动]的阈值 返回 状态标签(0:平静, 1:波动, 2:极端) states pd.Series(1, indexvolatility.index) states[volatility thresholds[0]] 0 states[volatility thresholds[1]] 2 return states在实际项目中我发现Garman-Klass通常在大多数市场环境下提供最平衡的估计而Parkinson在需要快速响应市场波动变化时表现更好。Rogers-Satchell则在趋势明显的市场中展现出独特价值特别是在识别波动率聚集现象时。