GARMAN–KLASS VOLATILITY

Intuição

O estimador Garman–Klass combina open, high, low, close para estimar volatilidade diária com maior eficiência do que usar apenas retornos close-to-close.

Definição

Seja HL_t = ln(high_t/low_t) e CO_t = ln(close_t/open_t). A variância Garman–Klass é:

GK_t = 0.5 * HL_t^2 - (2*ln(2)-1) * CO_t^2

A série é agregada via média rolling em janela n, e a volatilidade é sqrt(max(GK, 0)).

Uso

from quantmaster.features.volatility import garman_klass_volatility

df["gk"] = garman_klass_volatility(df, window=20)

API

Source code in src/quantmaster/features/volatility.py

def garman_klass_volatility(
    data: pd.DataFrame,
    *,
    window: int = 20,
    open_col: str = "open",
    high_col: str = "high",
    low_col: str = "low",
    close_col: str = "close",
) -> pd.Series:
    window = validate_positive_int(window, name="window")
    validate_columns(data, required=(open_col, high_col, low_col, close_col))

    o = pd.to_numeric(data[open_col], errors="coerce").astype(float)
    h = pd.to_numeric(data[high_col], errors="coerce").astype(float)
    l = pd.to_numeric(data[low_col], errors="coerce").astype(float)
    c = pd.to_numeric(data[close_col], errors="coerce").astype(float)

    o = o.where(o > 0)
    h = h.where(h > 0)
    l = l.where(l > 0)
    c = c.where(c > 0)

    log_hl = np.log(h / l)
    log_co = np.log(c / o)
    gk_var = 0.5 * log_hl.pow(2) - (2.0 * np.log(2.0) - 1.0) * log_co.pow(2)
    var = gk_var.rolling(window).mean()

    out = np.sqrt(var.clip(lower=0.0))
    out.name = f"garman_klass_volatility_{window}"
    return out