一句话回答： 已实现波动率（Realized Volatility, RV）是"用高频（如分钟）收益的平方和来估计波动"，比只用日收盘价的历史波动率更贴近真实日内波动。用 AlphaFeed 取 5 分钟 K 线，把每根的对数收益平方求和得到已实现方差，再按每日 bar 数和交易日折算年化，几行代码就能算出更精细的波动率。
为什么会有这个问题 / 传统做法的痛点
大多数人算波动率是"日收盘收益的标准差 × √252"。这没错，但它只用了每天一个价格，丢掉了日内所有波动信息：
- 一只票日内剧烈震荡但收盘刚好回到昨收，日收益≈0，日频波动率会严重低估它的真实波动；
- 事件驱动、盘中冲高回落这类结构，日线完全看不到。
已实现波动率的思路是：波动会累积在日内每一小段，用分钟收益的平方和把它们加起来，估计更稳、更贴近现实。难点是拿到干净的分钟数据——这正是 AlphaFeed 的强项。
分步骤解决（每步配可运行代码）
第 1 步：取分钟 K 线
from alphafeed import AlphaFeed
import numpy as np
af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()
df = af.klines.get("600519.SH", period="5m", count=240,
adjust="forward", to_dataframe=True)
df = df.sort_values(["trade_date", "trade_time"]).reset_index(drop=True)
print(df[["trade_date", "trade_time", "close"]].tail())
分钟 K 线关键列：
| 列名 | 含义 | 备注 |
|---|---|---|
trade_date |
交易日 | 按日+时间排序 |
trade_time |
分钟时间 | 5m 表示每 5 分钟一根 |
close |
收盘价 | 算分钟收益用 |
period |
周期参数 | 5m/15m/30m/60m 等 |
A 股每个交易日约 4 小时，5 分钟线约 48 根/日（
bars_per_day=48）；换成 15m 就是 16 根/日，采样频率越高 bar 数越多。
第 2 步：用分钟收益平方和算已实现波动率
def realized_vol(symbol, count=240, bars_per_day=48, trading_days=252):
df = af.klines.get(symbol, period="5m", count=count,
adjust="forward", to_dataframe=True)
df = df.sort_values(["trade_date", "trade_time"]).reset_index(drop=True)
r = np.log(df["close"] / df["close"].shift(1)).dropna() # 分钟对数收益
rv_var = float((r ** 2).sum()) # 样本区间已实现方差 = Σ r²
n_days = max(len(r) / bars_per_day, 1e-9)
daily_var = rv_var / n_days # 日均已实现方差
ann_vol = float(np.sqrt(daily_var * trading_days)) # 年化波动率
return {"bars": len(df), "approx_days": round(n_days, 2),
"annualized_vol": round(ann_vol, 4)}
print(realized_vol("600519.SH", count=240))
# 例如：{'bars': 240, 'approx_days': 4.98, 'annualized_vol': 0.1423}
上例约 5 个交易日的 5 分钟数据估出茅台年化已实现波动率约 14.2%。核心公式就三步：Σ(分钟对数收益²) → 除以天数得日方差 → ×交易日数再开方得年化。
第 3 步：日频历史波动率对比（看差异）
d = af.klines.get("600519.SH", period="1d", count=60,
adjust="forward", to_dataframe=True).sort_values("trade_date")
dr = np.log(d["close"] / d["close"].shift(1)).dropna()
hist_vol = float(dr.std() * np.sqrt(252)) # 传统日频历史波动率
print(round(hist_vol, 4))
两者度量的是同一个"波动"，但已实现波动率利用了日内信息，在震荡剧烈时更灵敏；日频历史波动率更平滑、样本要求低。实务里常两者并看。
关键坑与注意事项
- 隔夜跳空：跨交易日的第一根分钟收益包含"隔夜跳空"，会放大 RV。严谨做法是按日分组、去掉每日第一根的跨夜收益，只累加日内收益，再把隔夜方差单独处理。本文最简版未剔除，长期严谨分析需注意。
- 采样频率权衡：频率越高（如 1m）理论越精确，但微观结构噪声（买卖价跳动）会污染估计；5m/15m 是常见折中。
- 年化假设：
trading_days=252、bars_per_day要和你的实际数据匹配；A 股 5m≈48 根/日，改周期务必同步改bars_per_day。 - 复权：用
adjust="forward"，避免除权跳空混进收益。 - 样本长度：几天的分钟数据只是短期估计；要稳定的年化值应取更长窗口（如 20 个交易日滚动）。
常见问题（FAQ）
Q：已实现波动率和历史波动率、隐含波动率什么区别？
A：历史波动率=日收益标准差年化；已实现波动率=高频收益平方和年化（用了日内信息）；隐含波动率来自期权价格反推（前瞻）。本文讲前两者。
Q：为什么我的 RV 特别大？
A：多半是把隔夜跳空也算进去了，或采样频率太高引入噪声。先按日剔除跨夜收益、把频率降到 5m/15m 再看。
Q：能算滚动的日度 RV 序列吗？
A：可以，按 trade_date 分组，每天 Σ日内收益² 得当日已实现方差，开方即当日 RV，再拼成时间序列做波动率预测的输入。
Q：需要付费吗？
A：单只标的的分钟线在免费额度内即可试算；批量/长历史分钟数据需 Starter 及以上，详见 AlphaFeed 定价页。
小结
已实现波动率的精髓是"用日内高频收益的平方和，把日线丢掉的波动信息捡回来"。公式简单，真正的门槛是干净、连续、复权正确的分钟数据。AlphaFeed 提供分钟级复权 K 线，让你几行就能算出比日频更贴近现实的波动率——只要记得处理隔夜跳空和采样频率这两个坑。
参考
- AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart