TB中的波动率代码如下：
Params
Series<Numeric> initdata; //价格序列
Numeric daylength(30); //标准差周期
Vars
Numeric yearfactor(245); //每年多少个交易日
Numeric mylength;
Series<Numeric> lnpricerate; //对数价格收益率序列
Numeric bsv; //历史波动率
Numeric i;
Numeric dayfactor(375); //每天多少根BAR
Numeric vt0(10);
Begin
if(BarStatus==0) Return vt0;
lnpricerate=ln(initdata/initdata[1]);
dayfactor=DayBarsNumI(0,1);
if(dayfactor==InvalidNumeric) Return vt0;
mylength=dayfactor*daylength;
//求年化波动率
bsv=100*Sqrt(yearfactor*dayfactor)*0.01*StandardDev(100*lnpricerate,mylength,2);
if(bsv==0 or bsv==InvalidNumeric) bsv=vt0;
Return bsv;
End
具体实现流程逻辑如下：
1. 定义参数和变量
参数：
- initdata: 价格序列
- daylength: 标准差周期
变量：
- yearfactor: 每年的交易日数，用于计算年化波动率
- mylength: 实际使用的周期数，等于标准差周期乘以每日BAR数
- lnpricerate: 对数价格收益率序列
- bsv: 历史波动率
- i: 计数器
- dayfactor: 每日BAR数
- vt0: 初值
2. 计算对数价格收益率
将价格序列转换为对数价格，然后计算对数价格的收益率序列lnpricerate
3. 计算历史波动率
使用StandardDev计算lnpricerate序列的历史波动率，波动率的周期数为mylength。根据年化计算公式，将波动率乘以一年的交易日数yearfactor和每个交易日的BAR数dayfactor，再除以100和100%，得到对数价格收益率的年化波动率。
4. 处理异常值
若计算所得历史波动率bsv为0或Invalid
关键代码：
其中的关键代码就是bsv=100*Sqrt(yearfactor*dayfactor)*0.01*StandardDev(100*lnpricerate,mylength,2);
这一行代码的详细解释如下：
1. 100: 表示将对数价格收益率lnpricerate乘以100，将其转化为百分比形式，使得波动率bsv也是以百分比的形式给出。
2. Sqrt(yearfactor * dayfactor): 在计算波动率之前，需要先计算波动率的周期数。为了将波动率转化为年化波动率，将yearfactor表示每年的交易日数，dayfactor表示每个交易日的BAR数。那么对于一个标准差周期，实际使用的周期数就是yearfactor * dayfactor。
3. 0.01: 将结果乘以0.01，得到波动率的百分比形式。
4. StandardDev(100 * lnpricerate, mylength, 2): 计算对数价格收益率序列lnpricerate的历史波动率，时长为mylength个周期，这里选择的是样本数据的修正标准差（也称为Bessel标准差），即将样本标准差乘以sqrt((N-1)/N)，其中N为样本数量，N-1即为样本自由度（用于估计总体方差时自由变量的数量）。100 * lnpricerate是将对数价格收益率转换为百分比形式，将其单位与价格序列保持一致。
5. 综上所述，代码表示：将对数价格收益率转化为百分比形式，按每日BAR数计算标准差周期的周期数，使用修正标准差计算历史波动率，再将结果乘以100，得到年化波动率的百分比形式。
思考：对于波动率，有以下几点个人思考：
第一：日周期和其他周期的差异在哪里？根据公式代码可以知道，无论什么周期（30m，1h或者1d），都已经折算成了（n日的）年化波动率。因此在不同周期中也是可以进行对比的
日周期波动率与1H周期波动率的异同：
变化一致：趋势上基本保持一致，高低点出现的位置时间也都保持一致。
数值不同：但是波动率的值是有所不同的，比如波动率最高点都是22年4月1，日周期为33.16，1H周期为30.95。22年底那波的波动率最高点，日周期为26.86，1H周期为22.47
小周期更连续平滑：由于小周期的样本更多，单个样本对整体波动率的影响更小，同时，在小周期上，每根BAR所统计的N日波动率，是用N来确定bar数量，因此不是真实的前N日，只是数量上等于n日的数量，因此统计下来也更加的连续和平滑。
应用层面：抛开数值的不同，由于小周期更加平滑、快速和精准，因此在应用中，个人觉得在小周期使用这个波动率公式更好。
第二，ATR与Volatility：ATR与Volatility同样作为衡量波动率的指标，两者的差异在哪里？
ATR使用了更多的信息：波动率指标只用到了收盘价这1个信息，而ATR指标用到了更多最高和最低价和前一个收盘价3个信息（虽然大部分时间里只用2个）。
数值上不可比：ATR与Volatility的单位不同，无法直接比较。只能自己与自己比。
历史回测走势：无论是日周期，还是小时周期，参数上无论20日还是5日，只要是相同的统计参数（如图中的20日-80根1hbar），其波动率走势基本是一样的。不过细节上的数据还是存在细微不同的。单从观察来看，ATR的变化更敏锐，快速，且更加平滑，有些波动率高低点比Volatility要提前。
应用上：鉴于ATR用到了更多的信息，且变化更加的敏锐和平滑，因此逻辑上来说个人更倾向于使用ATR作为个人使用的波动率指标。
第三，波动率参数：波动率设定是需要有一个参数的，比如TB中的Volatility公式，参数设置默认是30日，ATR的默认参数是14，但是这个参数在公式的具体应用中应该如何设定？
基于策略需要：具体问题具体分析，根据策略需要确定参数。一般来说小周期策略，可以使用较小的参数，而相反，大周期策略就应该使用大周期波动率参数。
如同MA和其他技术指标：作为技术指标之一，逻辑上来说，波动率的指标和其他技术指标一样，基于个人对于市场的理解，服务于策略的设计。
第四，波动率的应用：从应用角度来看，波动率指标有哪些指导意义？
仓位设定：一般逻辑是，高波动低仓位，低波动高仓位。在很多现有的公式中，仓位的设定都是需要使用历史波动率来确定的。
止损设定：一般逻辑是，大波动打止损，小波动小止损。比如移动止损，很多策略中也会使用到ATR指标。
