编程金融小白学 股票期权 lv.4 隐含波动率

上一篇 PCP策略

编程金融小白学 股票期权

隐含波动率

波动率 $\sigma$

• 波动率 $\sigma$

  • 波动率为期权价格影响的一个重要因素
  • 没有波动，期权就没有存在的价值
  • 不可观测变量

• 在统计中的对应概念：价格（对数）收益率的年化标准差

$N$ 天数
$R_n$ 第n天的收益率
$\bar{R}$ 平均收益率
$242$ 一年中国交易天数

$$\sqrt{242\times \frac{1}{N}\sum _{n=1}^N(R_n-\bar{R}{)}^2}$$

波动率分类

• 历史波动率 Historical volatility & 未来波动率 Future Volatility

• 历史波动率法：

  • 基于标的资产已发生的历史价格数据估计波动率：
    • 标准差
    • 极差波动率
    • 已实现波动率 Realized Volatility (RV)
  • 根据历史波动率预测未来的波动率：
    • 预测值 = 历史值
    • GARCH, EWMA
    • HAR-RV

• 隐含波动率法：

  • 从期权价格倒推市场预测未来波动率
    • Black-Scholes 隐含波动率
    • 无模型隐含波动率 (如 VIX)

隐含波动率

• Implied Volatility

• Black-Scholes公式

• 用 Python 把这公式写出来：

import numpy as np
from scipy.stats import norm

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

$$\begin{array}{rl}c& =SN(d_1)-X{e}^{-r(T-t)}N(d_2)\\ p& =X{e}^{-r(T-t)}N(-d_2)-SN(-d_1)\\ d_1& =\frac{\ln (S/X)+(r+{\sigma }^2/2)(T-t)}{\sigma \sqrt{T-t}}\\ d_2& =\frac{\ln (S/X)+(r-{\sigma }^2/2)(T-t)}{\sigma \sqrt{T-t}}\\ & =d_1-\sigma \sqrt{T-t}\end{array}$$

c 看涨期权价格
p 看跌期权价格
S 标的资产现价
X 行权价
r 无风险利率
T 到期时刻
t 当前时刻
𝜎 波动率
N()为标准正态分布累积分布函数

• 隐含波动率偏高 $\to$ 期权价格偏高
• 隐含波动率偏低 $\to$ 期权价格偏低

实例

• 来看一下 具体实例：

1. 导入 需要的库（还是实用 tushare 的数据）

import pandas as pd
import tushare as tus
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

pro = tus.pro_api()
print(tus.__version__)

1.2.54

2. 以上证 50 ETF 为例
   • 获取上证 50 ETF 数据

opt_name = pro.opt_basic(exchange='SSE', fields='ts_code,name,exercise_type,list_date,delist_date')
opt_name.head()

	ts_code	name	exercise_type	list_date	delist_date
0	10000579.SH	华夏上证50ETF期权1604认购2.15	欧式	20160225	20160427
1	10000108.SH	华夏上证50ETF期权1505认购2.65	欧式	20150326	20150527
2	10000111.SH	华夏上证50ETF期权1505认沽2.55	欧式	20150326	20150527
3	10001067.SH	华夏上证50ETF期权1712认购3.24	欧式	20171123	20171227
4	10001068.SH	华夏上证50ETF期权1712认沽3.24	欧式	20171123	20171227

3. 提取 需要的期权名 到期日期 价格 认购标签等
   • 当然 Tushare 本身带有 这一系列简单的提取方式，在上式 修改 fields 所需参数 即可。

# 把 name 里的数据提取出来
opt_name['new_name']= opt_name['name'].str.extract(r'([\u4e00-\u9fa5]+)') # 提取期权名
opt_name['delist'] = opt_name['name'].str.extract(r'(期权)(\d+)')[1].astype(int) # 期权到期日期
opt_name['type']= opt_name['name'].str.extract(r'(\d+)') # 提取期权类型 300 或 50
opt_name['callput']= opt_name['name'].str.extract(r'(\w\w)(\d+\.\d+)')[0]# 认购或认沽
opt_name['price'] = opt_name['name'].str.extract(r'(\d+\.\d+)').astype(float) # 价格
opt_name.drop(columns=['name'],inplace=True)
opt_name['callput'].replace({'认购':'Call', '认沽':'Put'},inplace=True)
opt_name.head()

	ts_code	exercise_type	list_date	delist_date	new_name	delist	type	callput	price
0	10000579.SH	欧式	20160225	20160427	华夏上证	1604	50	Call	2.15
1	10000108.SH	欧式	20150326	20150527	华夏上证	1505	50	Call	2.65
2	10000111.SH	欧式	20150326	20150527	华夏上证	1505	50	Put	2.55
3	10001067.SH	欧式	20171123	20171227	华夏上证	1712	50	Call	3.24
4	10001068.SH	欧式	20171123	20171227	华夏上证	1712	50	Put	3.24

4. 以 昨天 2020年 4 月 29 日数据为例
   • 提取 2020年 4 月 29 日期权交易数据

# 找到 4月 29日的期权交易数据
DATE = '20200429'
opt_date = pro.opt_daily(trade_date=DATE,exchange='SSE')

5. 合并交易名与交易具体数据

new_date = pd.merge(opt_name,opt_date,on=['ts_code']) # 正在交易的名字和4月29日的数据交集

6. 提取 上证2020年06月到期的 50ETF 认购 4月29日 数据
   • 并按行权价 排序

call_date_2006 = new_date.query('delist == 2006 and type == "50" and callput == "Call"').sort_values(by='price')
call_date_2006.head(5)

	ts_code	exercise_type	list_date	delist_date	new_name	delist	type	callput	price	trade_date	...	pre_settle	pre_close	open	high	low	close	settle	vol	amount	oi
20	10002421.SH	欧式	20200320	20200624	华夏上证	2006	50	Call	2.35	20200429	...	0.46	0.4327	0.4300	0.4542	0.4300	0.4498	0.479	0.0221	985895.0	2353.0
46	10002401.SH	欧式	20200319	20200624	华夏上证	2006	50	Call	2.40	20200429	...	0.41	0.3842	0.3816	0.4050	0.3808	0.3950	0.429	0.0043	170508.0	2079.0
47	10002402.SH	欧式	20200319	20200624	华夏上证	2006	50	Call	2.45	20200429	...	0.36	0.3373	0.3362	0.3576	0.3362	0.3549	0.379	0.0104	364896.0	1075.0
96	10002291.SH	欧式	20200204	20200624	华夏上证	2006	50	Call	2.50	20200429	...	0.31	0.2909	0.2889	0.3130	0.2864	0.3069	0.329	0.0162	493784.0	2725.0
97	10002292.SH	欧式	20200204	20200624	华夏上证	2006	50	Call	2.55	20200429	...	0.26	0.2458	0.2430	0.2673	0.2430	0.2620	0.279	0.0127	328143.0	2058.0

5 rows × 21 columns

7. 为了解释 标的资产现价 与 行权价的关系，绘制图表
   • 可见 越接近 标的资产现价 它的时间价值或者说 期权价 越高

current = 2.829 # 当天收盘价为 2.829元
plt.figure(figsize=(8,5), dpi=800)
plt.plot(call_date_2006['price'],current-call_date_2006['price'],color='red',label='股票收益')
plt.stem(call_date_2006['price'],call_date_2006['settle'],use_line_collection=True)
plt.ylabel('结算价 & 股票收益')
plt.xlabel('行权价格')
plt.ylim((-.1,.5))
plt.title('4月29日 华夏上证50ETF期权2006 认购')
plt.show()

8. 具体行权价与期权价到期收益情况绘图
   • 更改一下之前作简要介绍的期权类，就变如下：

class OptionPlot:
    '''
    输入行权价 与 到期价格区间 绘制 期权收益图像
    
    ST: 到期价区间
    opt: 期权价
    X: 行权价
    '''
    def __init__(self, X, ST, buy=True):
        self.ST = ST
        self.X = X
        self.buy = 1 if buy else -1
    
    def call_opt(self, opt:float=0):
        return self.buy*((self.ST-self.X)*(self.ST>=self.X)-opt)
    
    def put_opt(self, opt:float=0):
        return self.buy*((self.X-self.ST)*(self.ST<=self.X)-opt)

plt.figure(figsize=(8,5), dpi=800)
plt.axhline(y=0,ls="-",c="black")
plt.axvline(x=current,ls="-",c="black")
ST_period = np.linspace(2.35,3.5,101)
plt.plot(ST_period,ST_period-current,color='red',linewidth = '3',label='股票收益')
for i in call_date_2006['settle'].index[6:18]:
    option_price = call_date_2006['settle'][i] # 期权价
    price = call_date_2006['price'][i] # 行权价
    if not price*100%5:
        buy = OptionPlot(price,ST_period)
        plt.plot(ST_period,buy.call_opt(option_price),label=f'行权价({price})')
plt.ylabel('收益')
plt.xlabel('到期价格')
plt.xlim((2.6,3.0))
plt.ylim((-.2,.2))
plt.title('4月29日 华夏上证50ETF期权2006 认购')
plt.legend(loc='upper left')
plt.grid(True)
plt.show()

* 从之前所学，可知 虚值期权 它的风险是相当高，同时当你买入实值越大的期权时，随着期权费越高，它和普通股票价格直线越接近。

9. 接下来 我们 来看看之前构造的 BlackScholes 定价系统
   • 输入当天价格 current、行权价 call_date_2006['price']、无风险利率 5%、到期时间 40/250=0.16年、默认波动率 30%
   • 对比 BS 期权价 与 实际 期权价

BS = [BlackScholes(current, x, 0.05, 0.16) for x in call_date_2006['price']]
BS_price = np.array([bs.calc('c') for bs in BS])
plt.figure(figsize=(8,5), dpi=800)
plt.stem(call_date_2006['price'],call_date_2006['settle'],'b',use_line_collection=True,label='市场 期权价')
plt.plot(call_date_2006['price'],BS_price,'r',label='BS计算 期权价')
plt.xlabel('认购期权价格')
plt.title('4月29日 华夏上证50ETF期权2006 BS波动率30% 认购期权价格')
plt.legend(loc='upper right')
plt.grid(True)
plt.show()

marketprice = list(call_date_2006['settle']) # 市场期权价
imp_vol = np.array([bs.imp_vol('c',marketprice[i]) for i,bs in enumerate(BS)])
plt.figure(figsize=(8,5), dpi=800)
plt.plot(call_date_2006['price'],imp_vol)
plt.ylabel('隐含波动率')
plt.ylim((-.1,1.1))
plt.yticks(np.arange(0,1.1,0.1), [f'{int(y*100)}%' for y in np.arange(0,1.1,0.1)])
plt.xlabel('行权价格')
plt.title('4月29日 华夏上证50ETF2006认购期权 隐含波动率')
plt.grid(True)
plt.show()

绘制期权隐含波动率

• 结合上面的分步绘图 我们可以绘制出 并对比 当前所有可购买 50EFT 期权的隐含波动率

opt_name = pro.opt_basic(exchange='SSE')
opt_name['type']= opt_name['name'].str.extract(r'(\d+)') # 提取期权类型 300 或 50

opt_name.head(2) # 预览

	ts_code	exchange	name	per_unit	opt_code	opt_type	call_put	exercise_type	exercise_price	s_month	maturity_date	list_price	list_date	delist_date	last_edate	last_ddate	quote_unit	min_price_chg	type
0	10000579.SH	SSE	华夏上证50ETF期权1604认购2.15	10000.0	OP510050.SH	ETF期权	C	欧式	2.15	201604	20160427	0.0412	20160225	20160427	20160427	20160428	人民币元	0.0001	50
1	10000108.SH	SSE	华夏上证50ETF期权1505认购2.65	10000.0	OP510050.SH	ETF期权	C	欧式	2.65	201505	20150527	0.1006	20150326	20150527	20150527	20150528	人民币元	0.0001	50

# 找到 4月 29日的期权交易数据
DATE = '20200429'
opt_date = pro.opt_daily(trade_date=DATE,exchange='SSE')

new_date = pd.merge(opt_name,opt_date,on=['ts_code'])

current = 2.829
plt.figure(figsize=(8,5), dpi=800)
for s_month in new_date.s_month.unique():
    call_date = new_date[new_date['s_month'] == s_month].query(f'type == "50" and call_put == "C"').sort_values(by='exercise_price')
    ex_price = call_date['exercise_price'] # 行权价
    opt_price = call_date['settle'] # 期权价
    comb_BS = [(BlackScholes(current, ex_price[i], 0.05, 0.16), opt_price[i])for i in ex_price.index]
    imp_vol = np.array([bs.imp_vol('c',marketprice) for bs,marketprice in comb_BS])
    plt.plot(ex_price,imp_vol,label=f'认购期权{s_month[2:]}')
for s_month in new_date.s_month.unique():
    put_date = new_date[new_date['s_month'] == s_month].query(f'type == "50" and call_put == "P"').sort_values(by='exercise_price')
    ex_price = put_date['exercise_price'] # 行权价
    opt_price = put_date['settle'] # 期权价
    comb_BS = [(BlackScholes(current, ex_price[i], 0.05, 0.16), opt_price[i])for i in ex_price.index]
    imp_vol = np.array([bs.imp_vol('p',marketprice) for bs,marketprice in comb_BS])
    plt.plot(ex_price,imp_vol,'--',label=f'认沽期权{s_month[2:]}')
    
plt.ylabel('隐含波动率')
plt.ylim((-.1,1.1))
plt.yticks(np.arange(0,1.1,0.1), [f'{int(y*100)}%' for y in np.arange(0,1.1,0.1)])
plt.xlabel('行权价格')
plt.title(f'{DATE[4:6]}月{DATE[6:]}日 华夏上证50ETF认购期权 隐含波动率')
plt.grid(True)
plt.legend(loc='upper right')
plt.show()

• 看跌期权波动率 普遍比 看涨波动率高，说明投资者比较偏爱于购买看跌期权。

下篇 希腊字母概要