问题描述
解决方案
在量化交易中，衡量“市场恐慌情绪”通常没有一个直接的API可以直接调用，但我们可以通过计算**波动率（Volatility）或技术指标（如RSI）**来构建一个代理指标。
最常用的衡量恐慌情绪的指标是历史波动率（Historical Volatility, HV）。当市场恐慌时，价格通常会出现剧烈波动，导致波动率飙升。类似于美国的VIX指数（恐慌指数），我们可以计算沪深300指数的历史波动率来作为A股市场的恐慌指标。
以下是几种常见的计算思路：
- 历史波动率 (HV)：计算指数（如沪深300）过去N天的收益率标准差。数值越高，代表市场越不稳定，恐慌情绪越重。
- RSI (相对强弱指标)：当RSI极低（如低于20）时，通常代表市场处于超卖状态，往往伴随着恐慌性抛售。
- 跌停家数占比：统计全市场当日跌停股票的数量，数量越多，恐慌情绪越强。
下面我将提供一个基于 JoinQuant API 的策略代码，该代码实现了计算沪深300指数的历史波动率作为恐慌指标，并将其可视化。
策略代码实现
这个策略会每天计算沪深300指数过去20个交易日的年化波动率，并在图表中记录。
# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
def initialize(context):
"""
初始化函数
"""
# 设定基准为沪深300
set_benchmark('000300.XSHG')
# 开启动态复权模式(真实价格)
set_option('use_real_price', True)
# 过滤掉order系列API产生的比error级别低的log
log.set_level('order', 'error')
# 定义要观察的指数：沪深300
g.index_security = '000300.XSHG'
# 设定计算波动率的时间窗口（例如过去20天）
g.window_size = 20
# 每天收盘前运行计算
run_daily(calculate_market_fear, time='14:50')
def calculate_market_fear(context):
"""
计算市场恐慌指标（基于历史波动率）
"""
# 获取过去 N+1 天的收盘价（为了计算 N 个收益率）
# g.window_size + 1 是因为收益率需要两个价格计算
hist_data = attribute_history(g.index_security, g.window_size + 1, '1d', ['close'])
if len(hist_data) < g.window_size + 1:
return
# 提取收盘价序列
closes = hist_data['close'].values
# 计算对数收益率: ln(Pt / Pt-1)
# 使用对数收益率在统计上比简单收益率更优
log_returns = np.log(closes[1:] / closes[:-1])
# 计算收益率的标准差 (ddof=1 表示样本标准差)
std_dev = np.std(log_returns, ddof=1)
# 将日波动率转化为年化波动率
# 股市通常假设一年有 250 个交易日
annualized_volatility = std_dev * np.sqrt(250) * 100 # 乘以100转为百分比
# 记录日志
log.info("当前市场恐慌指数(年化波动率): %.2f%%" % annualized_volatility)
# 在回测图表中绘制曲线
# 如果该值突然飙升（例如超过30%或40%），通常意味着市场进入恐慌状态
record(Fear_Index=annualized_volatility)
# 简单的策略逻辑示例：
# 如果恐慌指数过高（例如大于35），可能代表市场风险极大，可以选择空仓（仅作演示）
if annualized_volatility > 35:
log.info("恐慌指数过高，清仓避险")
# order_target(g.index_security, 0) # 实际交易中需要操作具体的ETF或股票
代码原理解析
-
数据获取 (
attribute_history):
我们获取了沪深300指数（000300.XSHG）过去N+1天的收盘价。之所以是N+1，是因为计算N天的涨跌幅需要用到前一天的价格作为基数。 -
对数收益率 (
np.log):
公式为 $R_t = \ln(P_t / P_{t-1})$。在金融量化中，计算波动率时通常使用对数收益率，因为它具有时间可加性，且假设价格服从对数正态分布。 -
标准差 (
np.std):
标准差衡量了数据的离散程度。收益率的标准差越大，说明价格忽上忽下跳动得越剧烈，代表市场不确定性（风险/恐慌）越高。 -
年化处理 (
np.sqrt(250)):
我们计算的是“日波动率”。为了符合通用的“波动率”概念（如VIX），我们需要将其年化。假设一年有250个交易日，年化波动率 = 日波动率 $\times \sqrt{250}$。
如何使用这个指标？
- 低波动（例如 < 15%）：市场情绪平稳，通常对应牛市的缓涨阶段或震荡市。
- 中波动（例如 15% - 25%）：市场正常波动。
- 高波动（例如 > 30%）：恐慌情绪。通常发生在暴跌初期或底部剧烈震荡时。
- 注意：极高的波动率有时也意味着市场见底（恐慌盘涌出），但也可能意味着下跌趋势的确立。
常见问答 (Q&A)
Q: 为什么不直接使用VIX指数？
A: 中国市场目前没有官方发布的、涵盖全市场的VIX指数历史数据接口供直接回测使用（虽然有针对50ETF的期权波动率指数，但数据获取相对复杂）。使用历史波动率（Historical Volatility）是计算最简便且有效的替代方案。
Q: 除了波动率，还有什么能代表恐慌？
A: RSI指标。你可以使用 jqlib.technical_analysis 中的 RSI 函数。如果 RSI(6) < 10 或 RSI(24) < 20，通常代表短期极度恐慌（超卖）。
Q: 这个指标能预测大跌吗？
A: 波动率通常具有“聚集性”。即高波动往往伴随着后续的高波动。它更多是同步指标或滞后指标，用来确认当前市场状态，而不是预测未来。但在量化风控中，当波动率突破阈值时降低仓位（Target Volatility Strategy）是一种非常经典的用法。