期权做市商面临的风险及其对做市业务的影响

随着中国市场期权产品不断增多,有越来越多的研究者开始关注期权市场的重要参与者——做市商。

 

衍生品市场的做市商制度的定义可以概括为:在特定衍生品市场上,为维持市场的流动性、满足公众投资者的投资需求,由具备一定实力和信誉的金融机构作为指定交易商,不断地在收到报价要求后的规定时限内向市场报出所负责标志资产的买卖价格,并在该价位上接受投资者的买卖要求,以其自有账户与投资者进行交易。通过以上的定义,我们可以发现,中国股票市场和衍生品市场存在着一个不同点,衍生品市场是一个买空卖空的市场,而中国股票市场对于大多数股票标的还是是一个现货市场,因而衍生品市场的做市商制度并不像股票市场那样,要求做市商必须以自有证券进行交易。

 

 

 

 

对于做市商买卖报价分析,众多研究者通过理论和实证的研究角度,已经成了共识,认为买卖价差(Spread)中包含了做市商的运营成本、所承担风险的风险补偿和做市商提供双向报价服务所取得的利润。进一步,研究者们还将买卖价差中的做市商风险补偿部分细分为流动性补偿成本、存货成本和信息不对称成本。

 

在真格量化中,买卖价差可以通过GetQuote函数获取实时行情,并取买一和卖一价格进行相减计算。

 

对于做市商来说,流动性补偿成本是指,做市商在向市场提供流动性时所要求的回报。在市场为“单边市”时,做市商为弥补其向市场提供流动性而遭受的损失,往往对流动性补偿要求比较多。流动性补偿成本亦称为指令处理成本。 

 

 

 

存货成本是指,在做市商履行双向报价义务的过程中,存在一种理想的情况,双向报价产生的双向成交量正好相等,在这种情况下,做市商就能够取得稳定的价差收益,然而在实际交易中却很难达到这种理想状态,通常是单方成交或者双方成交数量不同,这样就会产生一定的库存,做市商也就面临着一种存货风险。存货风险的存在,使存货管理成为做市商的一项重要的日常业务。存货管理的方式主要是在连续不断的买卖中保持适当的存货量,运用多个市场投资品种进行投资组合、风险对冲和套期保值等等。

 

 

 

信息不对称成本是指,市场中存在信息交易者和非信息交易者。信息交易者可能掌握了比做市商更多的市场信息,那么做市商与信息交易者进行交易将使做市商处于不利的地位。另一方面,做市商与信息交易者交易产生的损失只能从事后价格变动中得知,因此为弥补与信息交易者交易可能受到的损失,做市商通过相应扩大买卖价差来减轻信息不对称风险带来的不利影响。出于这一考虑而扩大的买卖价差部分为信息不对称成本。

 

 

 

值得说明的是,信息不对称主要来源于两个方面:一个方面是交易双方掌握的私有信息量不同。当交易双方所拥有的私有信息不同时,将造成双方在交易中所处地位的不同,私有信息多的处于优势;另一个方面是交易者对公开信息的解读不同,即使交易双方掌握的公开信息是相同的,但由于解读能力的差异,双方往往会对同一个信息产生不同的看法,解读能力强的市场参与者将处于优势地位。

 

由于做市商的报价行为是金融市场微观结构理论研究的核心,同时,做市商报价的买卖价差又是市场交易成本的反映,因此近年来大量的研究在不同国家金融市场和同一市场不同时间期限的做市商报价数据中展开。另一方面,由于买卖价差中运营成本和双向报价利润部分是相对固定的,因此这些研究中对买卖价差的分析主要聚焦于做市商风险补偿的部分。

 

那么,具体而言,对于期权市场的做市商,他们所面临的风险又体现为什么?对于信息不对称风险而言,正如上文所述,由于期权市场中信息交易者分为波动率交易者和方向性交易者,因此做市商面对市场指令流中包含的信息不对称风险分别来自波动率信息风险和方向性信息风险。举例来说,如果波动率(方向性)交易者 A 已经掌握了可以促使市场价格高于做市商 B 卖盘报价的波动率(方向性)信息,而做市商 B 并没有掌握这个信息,仍然按已有卖价卖出期权,那么做市商 B 就会产生一定损失,这就是期权市场中做市商面临的波动率信息风险和方向性信息风险。

 

对于存货风险而言,对于由于双向成交量不相等产生的头寸,一方面,期权市场做市商并不与市场对赌获得收益,一般通过现货或期货市场的 delta 对冲操作,转移出手中头寸的方向性风险。但现实世界中,往往存在众多因素使得做市商不能进行完美套保,比如交易规则的限制、流动性变化、交易系统的技术限制、现货价格存在随机波动和跳跃的情况等等,因而存货风险转化为不能完美套保风险。另一方面,如前文所述,期权做市商参与做市,要求以自有资金与市场投资者进行交易,那么,做市商交易账户的盈亏影响到做市商自有资金的充足度,进而所受到的资金限制就会影响到做市商的报价。有关做市商资金限制对报价的影响研究也是最近兴起的一个研究方向。

 

— — — — — — E N D — — — — — —

 

真格量化可访问:

https://quant.pobo.net.cn

真格量化微信公众号,长按关注:

遇到了技术问题?欢迎加入真格量化Python技术交流QQ群  726895887

 


 

往期文章:

Numpy处理tick级别数据技巧

真正赚钱的期权策略曲线是这样的

多品种历史波动率计算

如何实现全市场自动盯盘

AI是怎样看懂研报的

真格量化策略debug秘籍

真格量化对接实盘交易

常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法

如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战

如何构建知识图谱

机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法

真格量化制作期权HV-IV价差

另类数据介绍

TensorFlow中的Tensor是什么?

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统

Python调用C++

如何选择数据库代理

统计套利揭秘

一个Call搅动市场?让我们温习一下波动率策略

如何用真格量化设计持仓排名跟踪策略

还不理解真格量化API设计?我们不妨参考一下CTP平台

理解同步、异步、阻塞与非阻塞

隐波相关系数和偏度——高维风险的守望者

Delta中性还不够?——看看如何设计Gamma中性期权策略

Python的多线程和多进程——从一个爬虫任务谈起

线程与进程的区别
皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法
Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码?这是Python软件基金会的建议

评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略                    

看看如何用Python进行英文文本的情感分析

算法交易的分类

Python编码的最佳实践总结

什么是波动率锥?如何用波动率锥设计期权策略?

期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧

期权交易中的“大头针”风险

期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略

海外市场交易执行策略的实践

设计期权套期保值方案时应注意的问题

美式期权、欧式期权比较分析——定价与风险管理

构建您的AI时代武器库——常用的机器学习相关Python库

期权波动率“微笑曲线”之谜

运算任务愈发繁重,如何加速Python程序运行?

证券市场微观结构理论模型是什么

是瞬间成交还是漫长等待?——如何衡量市场流动性

波动率指数及其衍生品介绍

Python的异常处理技巧

Python中的阻塞、异步与协程

"香草"之外的更多选择——几种常见的路径依赖奇异期权

什么是CTP?——了解上期所CTP快速交易系统

了解季节性——以谷物和油籽为例

是前因还是后果?——在真格量化中进行格兰杰因果检验

Python导入模块的技巧

Python程序员常犯的十个错误

搜索数据泄露天机?——舆情指数与期货行情关联性分析思路

机器学习常见算法分类汇总

如何使用Data Pipeline 自动化数据处理工作?

CTP API的委托介绍和在真格量化中的订单流控制

高频交易对市场的影响

期货行情及其组织形式——以上期所为例

理解并行与并发

郑商所和大商所套利指令及在真格量化的实现

机器学习用于金融市场预测面临的挑战

高频交易中风险控制的常用措施

查询结果偏离预期?来了解CTP的报单函数及委托状态查询

Python中的ftplib模块

理解真格量化的Python编程范式

需要处理大量市场数据?来了解一下MySQL、HBase、ES的特点和应用场景

NumPy中的ndarray与Pandas的Series和DataFrame之间的区别与转换

Python中的scikit-learn机器学习功能库

什么是程序设计中的高内聚、低耦合?

Python的内存管理与垃圾回收机制

云服务中的容器技术

什么是“面向对象”程序设计-以Python为例

波动率介绍及其在资产定价中的应用

发现策略中的孪生兄弟——期权交易中的等价或相似策略解析

如何利用期权改进指数投资表现——借鉴海外市场经验

如何用期权进行“哑铃型”资产配置——“90/10”策略介绍

国外著名商品指数编制方法比较

FPGA技术在金融行业的应用——以沪深行情加速为例

美国市场对部分高频交易行为的监管

报价驱动制度与指令驱动制度比较

理解动量投资策略和逆向投资策略——通过行为金融学视角

 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值