如何用 Python 算 Parkinson / Garman-Klass 波动率？用 OHLC 比收盘波动率更高效

Q: 需要付费吗？

单只股票日线在免费额度内即可；若要对**全市场**批量算 OHLC 波动率做排序/筛选，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-17

如何用 Python 算 Parkinson / Garman-Klass 波动率（OHLC 更高效）？

一句话回答： 普通历史波动率只用收盘价，浪费了每天的高低开信息。Parkinson 波动率用「最高/最低价的对数幅度」，Garman-Klass 波动率进一步同时用「开、高、低、收」，在相同样本长度下估计更高效（方差更小、更稳）。用 AlphaFeed 取前复权日线的 OHLC，几行就能算出三种波动率并对比——它们更适合在样本有限时估计真实波动。

为什么会有这个问题 / 传统做法的痛点

收盘-收盘波动率（close-to-close）只看每天收盘的变化，忽略了日内冲高回落的真实波动，样本不够长时估计误差大、还对跳空敏感。Parkinson（1980）发现用当日最高/最低价的区间能更充分地反映波动；Garman-Klass（1980）再加入开盘与收盘，进一步降低估计方差。痛点是公式里的系数（1/(4ln2)、2ln2−1）容易记错，且很多人不知道这些估计量假设无漂移、无跳空，用错场景会偏。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线（要 OHLC）

from alphafeed import AlphaFeed
import numpy as np, pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=120,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

第 2 步：实现三种波动率（滚动 N 日、年化）

def vol_estimators(df, n=20):
    o, h, l, c = df["open"], df["high"], df["low"], df["close"]
    # 1) 收盘-收盘（传统）
    cc = c.pct_change().rolling(n).std() * np.sqrt(252)
    # 2) Parkinson：仅用高低
    park = np.sqrt((np.log(h/l)**2).rolling(n).mean() / (4*np.log(2))) * np.sqrt(252)
    # 3) Garman-Klass：用 OHLC
    gk_term = 0.5*np.log(h/l)**2 - (2*np.log(2)-1)*np.log(c/o)**2
    gk = np.sqrt(gk_term.rolling(n).mean()) * np.sqrt(252)
    return cc, park, gk

cc, park, gk = vol_estimators(df, 20)
print("收盘 %.2f%% | Parkinson %.2f%% | Garman-Klass %.2f%%"
      % (cc.iloc[-1]*100, park.iloc[-1]*100, gk.iloc[-1]*100))

实测（tools/verify_new_2026-10-17.py，SDK 0.1.4）：贵州茅台近 20 日 收盘波动率 ≈ 16.44%、Parkinson ≈ 16.10%、Garman-Klass ≈ 16.06%（均年化）。三者接近但 OHLC 估计量略低且更稳——在样本更短或日内波动更剧烈时，差异会更明显。

第 3 步：用途

# 波动率可用于：仓位控制(波动率目标)、期权定价参考、风险预算、异常波动监控
print("当前 Garman-Klass 年化波动率：%.2f%%" % (gk.iloc[-1]*100))

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	前复权	必须，除权缺口会放大波动
`cc`	收盘-收盘波动率	传统基准
`park`	Parkinson	用 `ln(H/L)`，系数 `1/(4ln2)`
`gk`	Garman-Klass	用 OHLC，含 `2ln2−1` 项
`n`	窗口	示例 20
`×√252`	年化	日频 → 年化

关键坑与注意事项

假设无跳空、无漂移：Parkinson/GK 推导假设价格连续、无隔夜跳空、无明显趋势漂移。A 股有涨跌停、隔夜跳空与停牌，这些估计量在跳空大时会低估真实波动（因为没算隔夜缺口）。
系数别写错：Parkinson 的 1/(4ln2)、Garman-Klass 的 (2ln2−1)，写错会整体偏移。
前复权必须：除权缺口当成巨大日内波动会严重高估。
更高效≠绝对更准：它们在”价格符合几何布朗运动”假设下方差更小；现实偏离假设时未必更贴近真实波动，建议与收盘波动率并看。
一字板：涨跌停一字板时 H==L，ln(H/L)=0，当日贡献为 0，会低估——需注意样本里是否含一字板。

常见问题（FAQ）

Q：到底该用哪个波动率？ A：样本充足、关注隔夜风险用收盘-收盘；样本有限、想更稳地估”日内波动”用 Parkinson/Garman-Klass。实务常多个一起看、互为交叉验证。

Q：为什么 OHLC 估计量”更高效”？ A：直觉是——用了更多信息（高低开收）。统计上 Parkinson 的估计方差约为收盘法的 1/5、Garman-Klass 更低，意味着相同样本下估计更稳。但这建立在理想假设上。

Q：需要付费吗？ A：单只股票日线在免费额度内即可；若要对全市场批量算 OHLC 波动率做排序/筛选，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

Parkinson 用高低价、Garman-Klass 用开高低收，比只用收盘的历史波动率信息更充分、估计更高效。用 AlphaFeed 的前复权 OHLC 几行即可算出三种并对比——记住它们假设无跳空无漂移、A 股跳空/涨跌停/一字板会导致低估、系数别写错、与收盘波动率并看更稳。