波动率的分布,这个专题似乎没有研报聊过!

波动率极大值幅度

在兴业证券的高频系列研究中，他们的首席分析师郑兆磊老师聊过收益率分布中的alpha，也聊过成交量分布中的alpha，但是没有聊过波动率分布中的alpha。

所以，笔者想不自量力一下，来聊一聊波动率分布中的alpha。

如果笔者没估计错的话，这个专题应该不止一个因子。

本文，先来聊一聊波动率极大值幅度这个因子。该因子参考了郑老师的研报（收益率极大值幅度：一个我差点错过的超级多头因子！），也参考了曹春晓老师的研报（灾后重建是真的不行，不过更优波动率还是可以的）。

计算步骤和代码

这里，笔者选择的波动率是曹春晓老师提出的更优波动率，而不是传统的波动率。

因为，用传统的波动率计算出来的这个因子会出现很多的nan值，除非将极值的门限放宽。

计算步骤

第一步，计算5分钟的更优波动率。即，olhc一共20个价格的标准差/均值。

第二步，计算30分钟的更优波动率。

第三步，计算5分钟更有波动率的95%分位数。

第四步，计算30分钟更优波动率超过其5分钟更优波动率50%分位数的均值，并除以这个95%分位数。

代码

def process_single_day(self, idx):    file_name = self.files[idx]    date_str = file_name.split('.')[0]    cur = pd.to_datetime(date_str) + timedelta(hours=15)    file_name = self.files[idx]    full_path = os.path.join(self.file_pth, file_name)    data = BaseDataLoader.load_data(full_path, fields=['close', 'open', 'high', 'low'])    prefer_sigma_5 = []    prefer_sigma_30 = []    for i in range(5, len(data.data)):        tmp_data = data.data[i-5:i, :, :].reshape(-1, len(data.codes))        tmp_sigma = np.nanstd(tmp_data, axis=0) / np.nanmean(tmp_data, axis=0)        prefer_sigma_5.append(tmp_sigma)        if i >= 30:            tmp_data = data.data[i - 30:i, :, :].reshape(-1, len(data.codes))            tmp_sigma = np.nanstd(tmp_data, axis=0) / np.nanmean(tmp_data, axis=0)            prefer_sigma_30.append(tmp_sigma)    prefer_sigma_5 = pd.DataFrame(prefer_sigma_5, columns=data.codes)    prefer_sigma_30 = pd.DataFrame(prefer_sigma_30, columns=data.codes)    q = prefer_sigma_5.quantile(0.95)    flag = prefer_sigma_30 > q    prefer_sigma_30 = (prefer_sigma_30 * np.where(flag, 1.0, np.nan)).mean() / q    res = prefer_sigma_30.to_frame()    res.columns = ['prefer_sigma']    res['datetime'] = cur