ROGERS–SATCHELL VOLATILITY

Intuição

O estimador Rogers–Satchell é um estimador range-based que permanece útil em presença de drift (tendências), sendo frequentemente usado como componente em estimadores mais completos (ex: Yang–Zhang).

Definição

Seja:

• HO_t = ln(high_t/open_t)
• HC_t = ln(high_t/close_t)
• LO_t = ln(low_t/open_t)
• LC_t = ln(low_t/close_t)

A variância RS diária é:

RS_t = HC_t * HO_t + LC_t * LO_t

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

Uso

from quantmaster.features.volatility import rogers_satchell_volatility

df["rs"] = rogers_satchell_volatility(df, window=20)

API

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

def rogers_satchell_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_hc = np.log(h / c)
    log_ho = np.log(h / o)
    log_lc = np.log(l / c)
    log_lo = np.log(l / o)
    rs_var = log_hc * log_ho + log_lc * log_lo
    var = rs_var.rolling(window).mean()

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