编程金融小白学 股票期权 lv.5 希腊字母 Delta

上一篇 隐含波动率

编程金融小白学 股票期权

希腊字母 I

• 运用希腊字母 是对期权 比较静态的敏感分析

• 含义：其他条件不变，（某因素）变化一单位，期权价格大概变化多少？

  • 标的资产价格: Delta $(\Delta )$
  • 时间: Theta $(\theta )$
  • 隐含波动率: Vega $(\vartheta )$
  • 利率: Rho $(r)$

• Gamma $(\gamma )$: 标的价格变动1单位时，Delta $\Delta$ 变多少？

波动率 Sigma $(\sigma )$

• 详情 请看上一篇 隐含波动率

Delta $(\Delta )$ — 标的资产价格

• 标的资产价格变化一单位，期权价格大概变化多少？

• 例：

  • Delta = 0.3141 意味着
  • 如果指数上涨 10 点，期权价格大概上涨 3.141点

• $\Delta =\frac{\partial c}{\partial S}$

• 期权价格曲线切线斜率（动态时变）

• (无红利欧式期权)的4个特征：

特征 I

标的价格	看涨多头	看涨空头	看跌多头	看跌空头
区间	$$0<\Delta <1$$	符号相反	$$-1<\Delta <0$$	符号相反
虚值	$$\Delta \to 0$$	$$\Delta \to 0$$	$$\Delta \to 0$$	$$\Delta \to 0$$
平价	$$\Delta \approx 0.5$$	$$\Delta \approx -0.5$$	$$\Delta \approx -0.5$$	$$\Delta \approx 0.5$$
实值	$$\Delta \to 1$$	$$\Delta \to -1$$	$$\Delta \to -1$$	$$\Delta \to 1$$

• 利用上篇的BS定价模型绘制图像 更好的去理解

import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt # 画图
plt.rcParams['font.sans-serif'] = ['FangSong'] # 设置中文
plt.rcParams['axes.unicode_minus'] = False # 设置中文负号

class BlackScholes:
    def __init__(self, S0, X, r, T, sigma=0.3,t=0):
        self.S0 = S0
        self.X = X
        self.r = r
        self.sigma = sigma
        self.dT = T-t
    
    def d1(self):
        return(np.log(self.S0/self.X)+(self.r+self.sigma**2/2)*(self.dT))/(self.sigma*np.sqrt(self.dT))

    def d2(self):
        return self.d1()-self.sigma*np.sqrt(self.dT)
    
    def calc(self, call_put):
        if call_put in {'c','C','call','Call','CALL'}:
            return self.S0 * norm.cdf(self.d1())- \
                    self.X*np.exp(-self.r*self.dT)*norm.cdf(self.d2())
        elif call_put in {'p','P','put','Put','PUT'}:
            return self.X*np.exp(-self.r*self.dT)*norm.cdf(-self.d2())- \
                    self.S0 * norm.cdf(-self.d1())
        raise NameError('Must be call or Put!',call_put)
        
    def imp_vol(self,call_put,mktprice):
        price = 0
        sigma = 0.3
        up, low = 1,0
        loop = 0
        while abs(price-mktprice)>1e-6 and loop<50:
            price = BlackScholes(self.S0,self.X,self.r,self.dT,sigma).calc(call_put)
            if (price-mktprice)>0:
                up = sigma
                sigma = (sigma+low)/2
            else:
                low = sigma
                sigma = (sigma+up)/2
            loop+=1
        return sigma

# 标的价格S做自变量 求因变量c
S = np.arange(2.5,3.5,0.001)
BS = [BlackScholes(s,3., 0.05, 0.16)for s in S]
c = np.array([bs.calc('c') for bs in BS])

# 绘图
plt.figure(figsize=(8,5), dpi=200)
plt.plot(S,c,'r',lw=2)
annotate_x=[2.6,3.,3.4]
annotate_y=[BlackScholes(s,3., 0.05, 0.16).calc('c') for s in annotate_x]
annotate_name = ['虚值','平价','实值']
annotate_symbol= [r'$\Delta \to 0$',r'$\Delta \approx 0.5$',r'$\Delta \to 1$']
for x,y,z,s in zip(annotate_x,annotate_y,annotate_name,annotate_symbol):
    plt.annotate(z,xy=(x-0.05,y+0.08),weight="bold")
    plt.annotate(s,xy=(x,y),xytext=(x-0.05,y+0.05),arrowprops=dict(arrowstyle='->',connectionstyle="arc3",color="r"))
plt.annotate(r'$0<\Delta<1$',xy=(2.95,0.01))
plt.xlabel('标的价格')
plt.ylabel('看涨期权价格')
plt.title('看涨期权多头 Delta 特征')
plt.show()

# 标的价格S做自变量 求因变量c
c = np.array([-1*bs.calc('c') for bs in BS])
plt.figure(figsize=(8,5), dpi=200)
plt.plot(S,c,'r',lw=2)
annotate_x=[2.6,3.,3.4]
annotate_y=[-1*BlackScholes(s,3., 0.05, 0.16).calc('c') for s in annotate_x]
annotate_name = ['虚值','平价','实值']
annotate_symbol= [r'$\Delta \to 0$',r'$\Delta \approx -0.5$',r'$\Delta \to -1$']
for x,y,z,s in zip(annotate_x,annotate_y,annotate_name,annotate_symbol):
    plt.annotate(z,xy=(x-0.1,y-0.08),weight="bold")
    plt.annotate(s,xy=(x,y),xytext=(x-0.1,y-0.05),arrowprops=dict(arrowstyle='->',connectionstyle="arc3",color="r"))
plt.annotate(r'$0>\Delta>-1$',xy=(2.95,-0.5))
plt.xlabel('标的价格')
plt.ylabel('看涨期权价格')
plt.title('看涨期权空头 Delta 特征')
plt.show()

# 标的价格S做自变量 求因变量p
p = np.array([bs.calc('p') for bs in BS])
plt.figure(figsize=(8,5), dpi=200)
plt.plot(S,p,'r',lw=2)
annotate_x=[2.6,3.,3.4]
annotate_y=[BlackScholes(s,3., 0.05, 0.16).calc('p') for s in annotate_x]
annotate_name = ['实值','平价','虚值']
annotate_symbol= [r'$\Delta \to -1$',r'$\Delta \approx -0.5$',r'$\Delta \to 0$']
for x,y,z,s in zip(annotate_x,annotate_y,annotate_name,annotate_symbol):
    plt.annotate(z,xy=(x-0.05,y+0.08),weight="bold")
    plt.annotate(s,xy=(x,y),xytext=(x-0.05,y+0.05),arrowprops=dict(arrowstyle='->',connectionstyle="arc3",color="r"))
plt.annotate(r'$-1<\Delta<0$',xy=(2.9,0.01))
plt.xlabel('标的价格')
plt.ylabel('看跌期权价格')
plt.title('看跌期权多头 Delta 特征')
plt.show()

# 标的价格S做自变量 求因变量p
p = np.array([-1*bs.calc('p') for bs in BS])
plt.figure(figsize=(8,5), dpi=200)
plt.plot(S,p,'r',lw=2)
annotate_x=[2.6,3.,3.4]
annotate_y=[-1*BlackScholes(s,3., 0.05, 0.16).calc('p') for s in annotate_x]
annotate_name = ['实值','平价','虚值']
annotate_symbol= [r'$\Delta \to 1$',r'$\Delta \approx 0.5$',r'$\Delta \to 0$']
for x,y,z,s in zip(annotate_x,annotate_y,annotate_name,annotate_symbol):
    plt.annotate(z,xy=(x-0.05,y-0.08),weight="bold")
    plt.annotate(s,xy=(x,y),xytext=(x-0.05,y-0.05),arrowprops=dict(arrowstyle='->',connectionstyle="arc3",color="r"))
plt.annotate(r'$1>\Delta>0$',xy=(2.95,-0.5))
plt.xlabel('标的价格')
plt.ylabel('看跌期权价格')
plt.title('看跌期权空头 Delta 特征')
plt.show()

特征 II

• PCP 平价原理
  • $看涨期权Delta=看跌期权Delta+1$

$$c+\frac{X}{1+r(T-t)}=p+S\to \frac{\partial c}{\partial S}=\frac{\partial p}{\partial S}+1$$

# 其实没必要这么复杂。。。
from sklearn import linear_model
def d1(X,Y,Window=5):
    result_x, result_y = [],[]
    step = Window//2
    for i in range(len(X)-Window):
        reg = linear_model.LinearRegression()
        reg.fit(X[i:i+Window].reshape(-1,1),Y[i:i+Window].reshape(-1,1))
        result_y.append(reg.coef_[0][0])
        result_x.append(X[i+step])
    return result_x,result_y

bc = np.array([bs.calc('c') for bs in BS]) # Buy Call
bp = np.array([bs.calc('p') for bs in BS]) # Buy Put
bc_x,bc_y = d1(S,bc) # Buy Call Delta
bp_x,bp_y = d1(S,bp) # Buy Put Delta

plt.figure(figsize=(8,5), dpi=200)
plt.plot(bc_x,bc_y,'r',label='Call')
plt.plot(bp_x,bp_y,'green',label='Put')
plt.legend(loc='best')
plt.ylabel('Delta 值')
plt.xlabel('标的价格')
plt.grid(True)
plt.show()

• 如图，可以看出来 他们的Delta 相差1

特征 III

• 快到期时，实值、虚值、和平值期权的Delta 差异比较大
  • 剩余期限比较大的话 时间价值比较大 它的期权价格曲线相对平滑，所以它的切线斜率比较小

T = np.arange(0.01,2,0.001)
BS_T_r = [(BlackScholes(3.49,3., 0.05, t),BlackScholes(3.51,3., 0.05, t)) for t in T] # 实值
BS_T_e = [(BlackScholes(2.99,3., 0.05, t),BlackScholes(3.01,3., 0.05, t)) for t in T] # 平价
BS_T_i = [(BlackScholes(2.49,3., 0.05, t),BlackScholes(2.51,3., 0.05, t)) for t in T] # 虚值

plt.figure(figsize=(8,5), dpi=200)
for BS_T,labels,color in zip([BS_T_r,BS_T_e,BS_T_i],['实值','平价','虚值'],['r','orange','g']):
    bc = np.array([(bs2.calc('c')-bs1.calc('c'))/0.02 for bs1,bs2 in BS_T]) # Buy Call Delta
    plt.plot(T,bc,color,label=labels)
plt.legend(loc='best')
plt.ylabel('Delta 值')
plt.title('看涨期权的Delta 与期限的关系')
plt.xlabel('期权期限(年)')
plt.xticks([0,1,2])
plt.grid(True)
plt.show()

plt.figure(figsize=(8,5), dpi=200)
for BS_T,labels,color in zip([BS_T_r,BS_T_e,BS_T_i],['虚值','平价','实值'],['g','orange','r']):# 与认购相反
    bp = np.array([(bs2.calc('p')-bs1.calc('p'))/0.02 for bs1,bs2 in BS_T]) # Buy Call Delta
    plt.plot(T,bp,color,label=labels)
plt.legend(loc='best')
plt.ylabel('Delta 值')
plt.title('看跌期权的Delta 与期限的关系')
plt.xlabel('期权期限(年)')
plt.xticks([0,1,2])
plt.grid(True)
plt.show()

特征 IV

• 波动率较低时，实值、虚值、和平值期权的Delta 差异比较大
  • 原理与特征 III 相同

Sigma = np.arange(0.01,1,0.001)
t = 0.5
BS_S_r = [(BlackScholes(3.49,3., sigma, t),BlackScholes(3.51,3., sigma, t)) for sigma in Sigma] # 实值
BS_S_e = [(BlackScholes(2.99,3., sigma, t),BlackScholes(3.01,3., sigma, t)) for sigma in Sigma] # 平价
BS_S_i = [(BlackScholes(2.49,3., sigma, t),BlackScholes(2.51,3., sigma, t)) for sigma in Sigma] # 虚值

plt.figure(figsize=(8,5), dpi=200)
for BS_S,labels,color in zip([BS_S_r,BS_S_e,BS_S_i],['实值','平价','虚值'],['r','orange','g']):
    bc = np.array([(bs2.calc('c')-bs1.calc('c'))/0.02 for bs1,bs2 in BS_S]) # Buy Call Delta
    plt.plot(Sigma,bc,color,label=labels)
plt.legend(loc='best')
plt.ylabel('Delta 值')
plt.title('看涨期权的Delta 与波动率的关系')
plt.xlabel('波动率')
plt.xticks([0,0.5,1],['0%','50%','100%'])
plt.grid(True)
plt.show()

plt.figure(figsize=(8,5), dpi=200)
for BS_S,labels,color in zip([BS_S_r,BS_S_e,BS_S_i],['虚值','平价','实值'],['g','orange','r']):# 与认购相反
    bp = np.array([(bs2.calc('p')-bs1.calc('p'))/0.02 for bs1,bs2 in BS_S]) # Buy Call Delta
    plt.plot(Sigma,bp,color,label=labels)
plt.legend(loc='best')
plt.ylabel('Delta 值')
plt.title('看跌期权的Delta 与波动率的关系')
plt.xlabel('波动率')
plt.xticks([0,0.5,1],['0%','50%','100%'])
plt.grid(True)
plt.show()

证券组合的 Delta 值

头寸	Delta	例子(N为数量)
现货多头	1	4单位: $4\times 1=4$
现货空头	-1	3单位: $3\times -1=-3$
期货多头	1	2单位: $2\times 1=2$
现货多头	-1	5单位: $5\times -1=-5$
欧式看涨期权多头 (无红利)	$$0<\Delta <1$$	5单位多头，每单位Delta为0.5: $5\times 0.5=2.5$
欧式看涨期权空头 (无红利)	$$-1<\Delta <0$$	4单位多头，每单位Delta为-0.4: $4\times -0.4=-1.6$
欧式看跌期权多头 (无红利)	$$-1<\Delta <0$$	3单位多头，每单位Delta为-0.5: $3\times -0.5=-1.5$
欧式看跌期权空头 (无红利)	$$0<\Delta <1$$	2单位多头，每单位Delta为0.6: $2\times 0.6=1.2$
投资组合		$$\sum _i{N}_i\cdot {\Delta }_i\uparrow$$

Delta 中性

• 在投资组合中 让Delta 为0 称 Delta 中性
• 意味着 投资组合对现货价格变动的一阶敏感性为 0
• 实现：运用同一标的资产的现货，期货和期权等进行相互套期保值，使证券组合的值等于0
• 特点：有期权的情况下是动态的，需要不懂调整头寸以使组合重新处于$\Delta$中性状态，这种调整称为再均衡(Rebalancing)。

Theta $(\theta )$ — 时间

• 时间变化一天，期权价格大概变化多少？

• Time 时间

• 例：

  • Theta = 1.234 意味着
  • 时间每过一天，期权价格大概上涨 1.234点

Vega $(\vartheta )$ — 隐含波动率

• 隐含波动率变化一百分点，期权价格大概变化多少？

• Volatility 隐含波动率

• 例：

  • Vega = 1.878 意味着
  • 每隐含波动率上升1%，期权价格大概上涨 1.878点

Rho $(r)$ — 利率

• Rate 利率

Gamma

• 例：
  • Gamma = 0.0056，Delta = 0.3141 意味着
  • 如果指数上涨 10 点，Delta大概上升至 $0.3141+10\ast 0.0056=0.3701$
  • 如果指数下跌 10 点，Delta大概下降至 $0.3141-10\ast 0.0056=0.2581$

下篇 希腊字母 Gamma