Python-QuantLib Package

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。