期权:短期交易日内波动为主 静待市场情绪拐点

今天,我们继续来看看在期权交易中,困扰了大多数投资者的问题都是怎样的,它们的解决方法是什么?先收藏,再学习哦~

1、当方向看好后如何使用合适的策略进行买卖?

当方向看好了,是否知道会立即涨跌或不知何时会涨跌?若不知道则可使用卖方为主的策略,赚钱方向收益的同时也获取时间价值收益,若知道短期会涨,则以买方为主,或可用垂差策略,减少权利金中时间价值的损失。大多都不知何时涨,通常卖方为佳。

2、期权波动率的百分比,对于策略如何选择?

通常只要到40以上都是非常少见的,可以在IV高于40时采用卖出波动率策略,但多数时,在30以上就可以开始陆续开仓了。因为40以上多数都是因为崩盘结果。多数时候,没有什么崩盘的因素25以上都可能是高于中位数的数字。

至于IV何时偏低?统计上,大约13以下是偏低的,短线交易可以将注意力转到做多波动率来对冲,就算损失都较有限,当IV上升时,都可以有获利,当然以上数字都是经验值,可供参考。

3、PMI数据如何看?

在期权上,很少看采购经理人指数的,由于是调查的结果,对景气有一定的判断,但有点太长线了,对指数的影响可能没那么明显,大多会配合其它的经济数据来一起参考。

4、怎么判断高估的虚值合约?

直接说一下过去的统计数字吧,通常+0.25delta的行权价比+0.5delta的行权价高出10%以上,大约都算偏高了,而认沽由于虚值IV一般都比平值的高,而指数下跌速度比上涨快,故除非对方向有判断否则就算高20%也可接受。

5、做深度虚值义务方成功率非常高?

在风险与报酬对称的前提下,是的。但交易时仍需要对冲或止损才能保证安全性更高。

6、期权经常有三分钟熔断,怎么回事?

这是交易所规定的。

在期权连续竞价期间,期权合约盘中交易价格较最近参考价格涨跌幅度达到或者超过50%且价格涨跌绝对值达到或者超过10个最小报价单位时,期权合约进入3分钟的集合竞价交易阶段。

7、日历价差是等金额的还是等张数开仓的?

是等张数的开仓,并没有使用vega中性或是gamma中性。因为vega中性使近月份的gamma太大,而gamma中性的交易,由于在合约的前半部及后半部效果并不一样,因为离到期日愈近,近月的gamma愈大,若是买近卖远的交易,则会逐渐卖出较大的仓位,而卖近买远,离到期日近,则会逐渐买入较大的次月合约,以波动率交易来说,这才是风险更低以波动率为主的交易,且以波动率为主的交易,但而在书中仅是尽量简化。

8、对于普通投资者来讲,简便宜行的期权投资策略?

就使用期权基本款(4种单腿策略),简单易懂。但希望由小仓位开始,再透过资金管理方式来扩张仓位。

9、如何从买涨或买跌期权的持仓量,来分析预测股市涨与跌?

使用PCR(put- call -ratio)这些仓位的比率来分析,其实准碓度有限。一般来说认沽的IO量除以认购的IO量,若值愈大,表示市场近期喜欢留仓认沽,倾向有避险需求,应该是偏空的,但由于各市场参与者结构不一,个人投资者居多的市场反而是反向指标,个人认为预测效果没有想象那么好。

10、隐含波动率预测有什么方法或途径吧?

通常根据以下四种方法预测:

(1)从宏观市场角度

(2)从微观市场角度

(3)从标的资产走势分析

(4)从数据上来分析

11、以前听过一位期权专家介绍,说普通人期权投资是四亏一赢,即4种情况是亏钱的,只有1种情况才能盈利,那么在这种概率下,普通期权投资不就是亏得多么?只有发行期权的人才能一亏四赢,但发行期权人又不是我们这种资金量少的普通人!对于我们普通人投资期权,如何才能判断这个20%的盈利的机会?

这个专家说的是错的,期权是可以做卖方的。所有的价格都是买卖双方所决定,你可以站在任何一方。卖方胜率高,遇到极端行情单次损失金额大,买方胜率低,却有一次数十倍甚至数百倍的机会,都是公平的。

12、沪深300股指期权和沪深300ETF期权的交易有何不同?是否可以根据两者差异应用跨市场交易策略?

答:是的,IV的短期差距相差大大,确实是一个良好的套利机会,但要留意:

(1)到期日的不同

(2)沪深300股指期权的结算方式不同

(3)合约规模的不同

(4)股指期权进入分红季节,导致行权价的明显差距的不同

13、果做Delta中性策略,怎样维持Delta的中性,组合Delta的范围控制在什么区间,动态调整还是静态调整,Gamma和Vega维持在什么区间?

答:这些数据在过去的文章中多有提及,可提供一个大致的风险区间。风险承受度较小者,可再自行缩小风控空间,并在极端行情出现时有更大的操作空间。

以目前行情波动情况来看,该问题看起来应该是问卖方的风险控制的问题。在方向上,通常只要delta仍在某个区间之内,我们通常不会有动作去对冲其仓位,但超过某个区间后,则需将其调整至中性,而这个区间,一般会落在市值的20%,即有100万资金,delta不超过正负20万,则不需调整,但个人可按其风险承受度调整。

至于gamma则建议不超过资金的30%为佳,vega则不超资金的1%。若以此为标准,投资人应可自行推断遇到行情时的最大损失为何?这样的损失是否可以承受,而这次的极端行情是个很好的压力测试的机会。

14、1分钟M&#x

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
计算波动率微笑曲线的方法一般是先使用市场上的期权价格反推出各个行权价对应的波动率,然后将波动率与行权价的关系绘制成图形。以下是一个简单的Python实现,使用了scipy.optimize.minimize函数来解出每个行权价对应的波动率: ```python import numpy as np from scipy.stats import norm from scipy.optimize import minimize import matplotlib.pyplot as plt def bs_option_price(S, K, r, q, sigma, T, option_type): d1 = (np.log(S/K) + (r - q + sigma**2/2) * T) / (sigma * np.sqrt(T)) d2 = d1 - sigma * np.sqrt(T) if option_type == 'call': Nd1 = norm.cdf(d1) Nd2 = norm.cdf(d2) option_price = S * np.exp(-q * T) * Nd1 - K * np.exp(-r * T) * Nd2 elif option_type == 'put': Nd1 = norm.cdf(-d1) Nd2 = norm.cdf(-d2) option_price = K * np.exp(-r * T) * (1 - Nd2) - S * np.exp(-q * T) * (1 - Nd1) else: raise ValueError('Invalid option type') return option_price def implied_volatility(S, K, r, q, T, option_price, option_type): obj_fun = lambda sigma: (bs_option_price(S, K, r, q, sigma, T, option_type) - option_price)**2 res = minimize(obj_fun, x0=0.2) return res.x[0] def smile_curve(S, r, q, T, option_type, strike_range, option_prices): vols = [] for K, option_price in zip(strike_range, option_prices): vol = implied_volatility(S, K, r, q, T, option_price, option_type) vols.append(vol) plt.plot(strike_range, vols) plt.xlabel('Strike') plt.ylabel('Implied Volatility') plt.title(f'{option_type.capitalize()} Implied Volatility Smile') plt.show() S = 100 r = 0.05 q = 0.02 T = 0.25 option_type = 'call' strike_range = np.linspace(80, 120, 41) option_prices = [13.05, 10.40, 7.93, 5.75, 4.00, 2.66, 1.68, 1.02, 0.58, 0.31, 0.15, 0.07, 0.03, 0.01, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.01, 0.03, 0.07, 0.14, 0.25, 0.42, 0.67, 1.00, 1.44, 2.02, 2.74, 3.60, 4.60, 5.73, 7.00, 8.39, 9.92, 11.57, 13.34, 15.24] smile_curve(S, r, q, T, option_type, strike_range, option_prices) ``` 该代码首先定义了两个函数,bs_option_price用于计算期权价格,implied_volatility用于根据期权价格解出对应的波动率。然后,使用np.linspace函数生成一组行权价,再根据这些行权价和市场上观察到的期权价格,使用implied_volatility函数求出对应的波动率。最后,使用plt.plot函数将波动率与行权价的关系绘制成图像。 上述代码中使用的是调整后的BS公式,而实际操作中可能会使用带有波动率哑变量的公式,例如Black-Scholes模型或Heston模型。此外,算法的可靠性也需要进一步考虑,例如如何处理有多个期权价格的情况,如何处理异常值等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

qiquan2021

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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