jingxuanc/quant-agent-skills/volatility-alert

波动率预警

何时使用

• "我手里的票波动会不会变大？"
• "最近波动好大，是不是要出事？"
• "风险在上升吗？要不要避险？"
• "这只票是不是进入高波动阶段了？"
• "帮我看下未来一周的波动率会不会抬头"
• "最近行情静得反常，是不是要变盘"

轻问 vs 深问（成本控制）

轻问（默认，成本最低）：只跑 1 个工具 factor-miner-vol_forecast（EWMA/GARCH），拿到未来波动率曲线，1 句话给结论——"未来 5 日日均波动 X%，比最近 20 日高/低多少"。适合盘中随口一问。

深问：vol_forecast + change_point 两个工具都跑，再补一段 regime 判断和风险提示段落。适合"这票能不能继续拿""要不要减仓"这类会影响决策的问题。

哪一步最贵：

• factor-miner-vol_forecast：method="garch" 最贵（要拟合 GARCH(1,1)），method="ewma" 几乎瞬时，method="auto" 会先试 GARCH、装了 arch 才走 GARCH，否则自动降级 EWMA。轻问请直接用 method="auto"，不要手动指定 garch。
• factor-miner-change_point：method="pelt" 最贵（要装 ruptures），method="auto" 和 cusum_binseg 是内置 numpy 实现，很快。
• 两个工具都不是异步任务：不需要 job_id，直接同步返回。本技能不涉及回测、训练或批量任务，因此无需轮询。

工具链

需要用户提供：标的代码 + 该标的的日 K 线序列（klines）。K 线格式：[{date: "2026-01-02", close: 12.34, high: 12.5, low: 12.1}, ...]，按日期升序。 数据来源：本地行情库的 K 线 / 用户交割单导入的标的 / 行情接口拉取。若用户只给了代码没给 K 线，先取数据再调用，不要用假数据凑。

第 1 步：未来波动率预测（必做）

factor-miner-vol_forecast(
  klines = [{date, close, high, low}, ...],   // 按日期升序，建议 >= 120 根
  horizon = 5,                                 // 预测未来几天，默认 5
  method = "auto"                              // auto | ewma | garch
)

• 返回 forecast（逐日 vol，十进制小数，如 0.023 = 2.3%）、current_vol（当前波动率）、method（实际用了哪个：ewma 或 garch）。
• 必须在报告里标出实际 `method`：若返回 ewma 说明 GARCH 不可用已降级，结论要相应弱化。
• 给了 high / low 时工具会额外给 Parkinson 高低价波动率参考值，可用于交叉验证。

第 2 步：波动率结构性突变检测（深问必做，轻问可选）

change_point 吃的是"波动率序列"而不是价格序列，所以要先自己算滚动波动率：

1. 用日收盘价算日收益率 r_t = ln(close_t / close_{t-1})；
2. 算滚动波动率，窗口 20 日：vol_t = std(r_{t-19..t})；
3. 把 [{date, value: vol_t}, ...] 喂给工具：

factor-miner-change_point(
  series = [{date: "2026-01-02", value: 0.018}, ...],  // 滚动波动率序列
  method = "auto",                                       // auto | cusum_binseg | pelt
  max_bkps = 5                                           // 最多找几个变点
)

• 返回 change_points：[{date, index, significance}, ...] 与 method。
• 核心判断：变点日期距今很近（比如最近 5~10 个交易日内）→ 说"波动率 regime 可能已切换"；变点都在很久以前或无变点 → 说"波动率结构稳定，暂无突变信号"。
• 变点只说明"结构变了"，方向不明确：波动率跳升通常是风险放大，但波动率从高位回落也可能只是情绪降温，要靠 vol_forecast 的高低对比来判断。

第 3 步：合并结论

把两个结果拼成一句话：未来 N 日预测波动率 vs 当前波动率的高低 + 有无近期变点。四象限：

记忆回路（前查后记）

本技能的历史参照维度是"波动率突变预警的兑现率"：历次预警之后，预测的抬升是否真的发生、变点是否被后续行情确认。之所以对用户有价值，是因为波动率模型（尤其降级到 EWMA 时）天然倾向"延续近期状态"，很容易把一次噪声抖动读成 regime 切换；把每次预警的后续实际走势成对存下来，下次再报"波动率抬升中"时就能告诉用户"这类情境过去 N 次里有 X 次确实兑现、Y 次是假警报"，让结论从单次模型输出变成带胜率的判断，也避免用"高波动"被误读成方向看空。

输出格式

给用户的报告固定包含以下几节：

1. 结论一句话：未来 N 日日均波动率 X%（当前 Y%），相比[上升/下降] Z 个百分点；[检测到/未检测到]近期波动率变点。
2. 波动率预测表：逐日 第几天 / 日期 / 预测波动率（%），并标注 horizons 的日均值。
3. 当前状态：current_vol、最近 20 日实际波动率（自算）、两者比值（>1.2 视为明显抬升）。
4. 变点检测：变点日期列表 + 距今交易日数 + significance；无变点时明确写"未检测到结构性突变"。
5. 计算方法与可信度：实际 method（ewma/garch、cusum_binseg/pelt）、K 线根数、数据时间范围。降级情况必须写明。
6. 风险提示：模型输出，非承诺。
7. 历史参照（必填小节）：若检索到同类历史，写明「类似情境 N 次，其中 X 次 <本技能的判断维度> 正确」；

无历史则写「首次记录此类情境，本次判断已存入记忆供将来对照」。

合规边界

• 只输出统计计算结果：波动率数值、变点日期、方法名、样本区间。
• 不输出买入/卖出建议，不出现"建议减仓""可以加仓""该避险"这类指令性表述；用户问"要不要避险"时，只回答"波动率是否在上升 + 变点情况"，把决策交还用户。
• 不给目标价、不给点位预测、不做收益承诺。
• 波动率预测本身不是方向预测：高波动不等于下跌，必须显式声明这一点，避免用户误读成看空信号。
• vol_forecast 与 change_point 均为模型/统计输出，非承诺，历史波动不代表未来。

常见问题

1. K 线不够长会失真：GARCH 与 20 日滚动波动率都需要足够样本，建议 klines >= 120 根。给 20 根就跑，结果基本没有参考价值——先跟用户要更多数据。
2. 别自己心算滚动波动率就跳过工具：第 2 步的 series 必须用 [{date, value}] 结构喂给 change_point，value 是波动率（不是收益率、不是价格）。喂错序列会得出完全错误的变点。
3. `method` 返回值和请求值可能不一致：请求 "auto" 或 "garch" 时，若环境没装 arch 会降级成 ewma；pelt 没装 ruptures 会降级成内置算法。报告里要写实际生效的方法，不要照抄自己的请求参数——这是最容易误导用户的地方。