最近在开发一个高频指数期权套利交易系统,想到一个模型实践的问题,跟大家分享一下,也让刚入金融计算领域的朋友们,了解实务的精致之处。
指数期权与外汇期权一样,有不同到期日的契约在交易,不同天期的契约隐含波动性不同。如果市场上有三个月与六个月到期的契约在交易,则我们可推算出3M与6M的波动性。
问题是,如果我想知道4M的波动性,我该如何推估? 25年前我在银行开发衍生商品估值风管系统时,就直接按时间比率内插4M的波动性。20年前我在台湾
凯基证券建置VaR风管系统时,发现J.P.Morgan的RiskMetrics文件,却不是这样处理。
后来,我发现了QuantLib链接库,里面的C++程序代码清楚交代,应该是对波动性的平方,也就是变异数做内插。想想确实是如此,因为资产的随机性是源于布朗运动的模型化,而布朗运动的最大特性便是变异数与时间成正比。
这些实务与理论交错的细节,充满在金融计算之间。虽然最近AI与Big Data成为显学,但是支撑华尔街与伦敦金融业务的骨干,还是金融工程。
QuantLib的开发团队顺应潮流,也推出了QuantLib-Python Package,方便Python使用者可以免费使用这套世界级的专业链接库。三年前,我曾在Python Taipei介绍过这套工具,可惜到目前似乎回响不大。
QuantLib-Python是一个强大的链接库,以指数选择权为例,除了传统的Black-Scholes模型外,Local Volatility、Stochastic Volatility模型也都有提供。对于一般金融计算是绰绰有余,然而对于一般信息背景的人而言,障碍可能来自财务模型的理论实作。
最近台科大缪维中教授,打算成立一个高频运算实验室,我将协助推出一些训练课程,QuantLib-Python的使用也会成为重点之一。届时欢迎有兴趣的朋友一起来参与,推动金融计算的普及实现。