卖期权的时候,我们在卖什么?

一直在思考一个问题,卖期权到底是怎么回事?卖实值期权、平值期权、虚值期权背后的本质有什么区别?卖近期的和远期的期权背后的本质又是什么?我们用沪深300指数期权来研究一下。

 

我们先从数据上来直观感受一下。上面这个表格是2020-12-09日这一天期权的情况。这里列了四类期权(都是看跌),分别代表实值期权(5400行权价),平值期权(5000行权价),虚值期权(4800行权价)和深度虚值期权(4400行权价)。

我们先来看时间维度,也就是theta*close。我们知道,theta是期权价格相对于时间的偏导,所以我们乘上期权价格(close列),就可以认为是单位时间获得的一个期权费的绝对值。

从这一角度来看,越平值,越近月,那么时间价值流逝最快。这里,5400行权价是因为这里的数据是用沪深300现货的价格作为underlying asset的价格,所以会出现时间价值为正的情况。看起来,如果我们卖出期权为了获得时间价值,那么就应该空近月平值的期权。

那么,我们在不同虚度的期权的组内来看一下期权时间价值流逝的速度。我们可以看到,平值期权内部,最邻近的期权价值流逝的最快;在虚值组,虚度越大,那么越是远月,流逝的越快。譬如IO2109-P-4400单位时间的流失金额为24块钱,可以看到,居然大于行权价为4800的近月合约的期权了。我们可以学习一下下面这张图,当然,我们要知道,乘上期权的价格才是真正获得的时间价值。

 看起来,如果我们单纯为了收取保费的话,近月平值期权很有诱惑力。但是,平值期权的delta理论值为0.5;同时,近月平值期权的gamma值大于平值期权的其他月份的期权。

 

gamma是个啥?就是赚钱的加速度。如果我们是卖期权,那么gamma值越大的合约,意味着对方赚钱的加速度越快。

那么,看起来远月的虚值期权不错,比空近月不那么虚的还要好。但是,我们注意到,越是远月的期权,他的vega值很大。Vega大家都知道就是波动率的敞口。

说到这里,我们可以抽象出点东西来了。

卖期权这件事情,本质上就是向市场暴露4个敞口,然后获得时间价值的市场认为公允的等价交换。这一等价交换就体现为时间价值的衰退。

这四个敞口分别是:

delta:未来标的资产绝对价格变动的敞口

gamma:标的资产价格变动引起的亏钱速度变快的敞口

vega:未来标的资产波动率的上升

rho:无风险利率的变化,这里我们忽略不计

所以,我们卖期权的背后,其实是对delta、gamma、vega这三个风险因素暴露的组合。

所以,举几个例子:

在情绪短期高点,内心想做空的时候,但是对于波动率没有把握,觉得波动率可能继续上行的时候,可以选择实值看跌,卖出。这个的背后就是承担了delta风险来获取时间价值;

在波动率高点(某种意义上说,波动率是存在均值回复的,相对delta更加容易把控),而对方向毫无判断,且不愿意暴露敞口的时候,为了获取时间价值可以卖出远期深度虚值的期权。

市场经历过了升波阶段,同时也觉得市场高估,短期存在确定性回调,那么就应该空平值的近月期权 。这样可以获得最大的时间价值decay,但是暴露了不少的delta、不少的gamma、不少的vega,相对来说需要有更高的把握,或者对风险因子有暴露敞口的意愿。

从上面的表格中还可以看出来gamma和vega的区别:如果短期买跨式,本质上是long gamma;买长期的跨式,本质上是long vega。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
出50ETF跨式期权策略是一种期权交易策略,它涉及出一个较低行权价的认购期权合约,同时买入一个较高行权价的认购期权合约。这种策略可以用于投资者预期标的资产价格在一段时间内保持相对稳定或略微上涨的情况下获利。 以下是一个简单的使用Python进行出50ETF跨式期权策略回测的示例代码: ```python import pandas as pd import numpy as np # 假设有以下数据 underlying_price = pd.Series([100, 105, 102, 98, 101]) # 标的资产价格 strike_price_short_call = 105 # 出认购期权的行权价 strike_price_long_call = 110 # 买入认购期权的行权价 premium_short_call = 2 # 出认购期权的权利金 premium_long_call = 1 # 买入认购期权的权利金 # 计算策略收益 def calculate_strategy_profit(underlying_price, strike_price_short_call, strike_price_long_call, premium_short_call, premium_long_call): short_call_payoff = np.where(underlying_price <= strike_price_short_call, premium_short_call, -premium_short_call) long_call_payoff = np.where(underlying_price <= strike_price_long_call, -premium_long_call, premium_long_call) strategy_payoff = short_call_payoff + long_call_payoff return strategy_payoff # 执行策略回测 strategy_payoff = calculate_strategy_profit(underlying_price, strike_price_short_call, strike_price_long_call, premium_short_call, premium_long_call) # 输出策略回报 print("策略回报:", strategy_payoff) ``` 在上述代码中,我们首先定义了标的资产价格(underlying_price)、出认购期权的行权价(strike_price_short_call)、买入认购期权的行权价(strike_price_long_call)、出认购期权的权利金(premium_short_call)和买入认购期权的权利金(premium_long_call)等参数。 然后,我们定义了一个名为`calculate_strategy_profit`的函数,用于计算策略的收益。该函数根据标的资产价格和期权行权价,计算出出认购期权和买入认购期权的收益,并返回策略的收益。 最后,我们调用`calculate_strategy_profit`函数,并将标的资产价格等参数传入,得到策略的收益,并将其打印输出。 希望以上代码能够帮助你进行出50ETF跨式期权策略的回测。如果你有任何其他问题,请随时提问。

“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

钱塘小甲子

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