单只历史日线有免费额度；批量做多只波动率锥（`klines.batch`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

如何用 Python 画波动率锥（Volatility Cone）？判断当前波动是高还是低

分析与指标 · 代码验证于 2026-10-04

如何用 Python 画波动率锥（Volatility Cone）？

一句话回答： 单看「当前 20 日年化波动率 35%」没有参照，不知道算高还是低。波动率锥把 5/10/20/60/120 日等多个窗口的历史年化波动率各自的分位（最小/25%/中位/75%/最大）排在一起，再标出当前值——一眼就能看出当前波动处在历史的高位还是低位。用 AlphaFeed 取回前复权日线算收益率，几行 pandas 就能做出来。

为什么会有这个问题 / 传统做法的痛点

波动率是均值回归的：高了会回落、低了会抬升。但「高/低」要和自己的历史比，还要和相同窗口比（20 日波动率不能和 120 日波动率直接比）。波动率锥正是「按窗口分别统计历史分位」的可视化，常用于判断期权贵不贵、择时是否进入高波动期。坑在于用前复权收益、统一年化口径。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线算对数收益

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

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=750,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)
logret = np.log(df["close"] / df["close"].shift(1)).dropna()

波动率常用对数收益；用前复权价避免除权日伪跳变。

第 2 步：各窗口的滚动年化波动率

TRADING_DAYS = 252
WINDOWS = [5, 10, 20, 60, 120]

def ann_vol(logret, w):
    return logret.rolling(w).std(ddof=1) * np.sqrt(TRADING_DAYS)

vol = {w: ann_vol(logret, w).dropna() for w in WINDOWS}

第 3 步：构造波动率锥（各窗口的历史分位）

cone = pd.DataFrame({
    "min": {w: vol[w].min() for w in WINDOWS},
    "p25": {w: vol[w].quantile(0.25) for w in WINDOWS},
    "median": {w: vol[w].median() for w in WINDOWS},
    "p75": {w: vol[w].quantile(0.75) for w in WINDOWS},
    "max": {w: vol[w].max() for w in WINDOWS},
    "current": {w: vol[w].iloc[-1] for w in WINDOWS},
})
print((cone * 100).round(1).to_string())   # 以百分比显示

列	含义
`min`/`max`	该窗口历史年化波动率的最小/最大
`p25`/`median`/`p75`	25% / 中位 / 75% 分位
`current`	当前该窗口的年化波动率

第 4 步：判断当前波动的历史分位

for w in WINDOWS:
    cur = vol[w].iloc[-1]
    pct = (vol[w] < cur).mean()        # 当前值在历史中的分位
    tag = "高位" if pct >= 0.8 else ("低位" if pct <= 0.2 else "中性")
    print(f"{w:>3}日: 当前 {cur*100:.1f}%  历史分位 {pct*100:.0f}%  → {tag}")

关键坑与注意事项

用前复权对数收益：除权跳变会虚增波动率；对数收益更适合波动率可加性。
同窗口才可比：20 日波动率只和 20 日历史比，别跨窗口比大小——这正是「锥形」的意义。
统一年化口径：日频 ×√252；别和周/月频混用。
样本要足够长：画锥建议 ≥ 500 日，短样本分位不稳。
波动率均值回归但不定时：处在高位不代表马上回落，只是概率参考。
事件驱动的跳升：财报、停复牌、极端行情会让短窗口波动率突然冲高，解读要结合事件。

常见问题（FAQ）

Q：波动率锥有什么用？ A：判断当前波动在历史中的相对高低——做期权时看隐含波动率贵不贵的参照，做择时时识别是否进入高波动期、是否适合波动率策略。

Q：为什么要多个窗口？ A：短窗口反应快、长窗口更稳；把多个窗口的历史分位画成「锥」，能同时看到不同时间尺度的波动状态。

Q：用简单收益还是对数收益？ A：波动率计算常用对数收益（可加性更好），日频下两者差异很小，用哪种都要前后一致。

Q：需要付费吗？ A：单只历史日线有免费额度；批量做多只波动率锥（klines.batch）需 Starter 及以上。详见定价页。

小结

波动率锥把「当前波动率」放进「同窗口历史分位」里看，解决了「35% 到底高不高」的问题。用 AlphaFeed 取前复权日线算对数收益，对多个窗口分别求滚动年化波动率与分位，几行 pandas 就能构造出锥形表并标出当前位置。关键是前复权、同窗口比较、统一年化、样本够长。