python绘制隐含波动率曲面_使用python+tushare计算期权隐含波动率并作图-CSDN博客

前言

这其实是我们一次课程作业，以上证50ETF期权为例说明波动率微笑现象。按习惯我先上网搜了一下看有没有前辈写过这样的代码，毕竟重复造轮子不好嘛。没想到真的有，原文链接：使用plotly作图，生成可交互式图像。

利用tushare自动拉取数据，计算某日所有50ETF期权的隐含波动率，同时可以生成标准的DataFrame数据。

借鉴

可生成波动率微笑图和波动率曲面图。

本文同步发布在个人博客，见：使用python计算期权隐含波动率并作图 - Shu's Gardenwww.sitstars.com

理论

从期权定价模型本身来说，公式中的波动率指的是未来的波动率数据，这使历史波动率始终存在着较大的缺陷。为了回避这一缺陷，一些学者将目光转向隐含波动率。隐含波动率具体计算思路是：不论用何种理论的理论模型对市场上交易的期权用模型确定其合理的期权价值，一般需要用到6个标准参数：执行价格（K）、到期时间（t）、标的资产价格（S）、利率（rf）、标的资产息票率（q）和波动率。前五个参数可以从市场中和期权合约中获取，只有波动率是未知的参数。因此，将期权市场价格以及除波动率之外的5个参数代入期权定价公式后推导出波动率，由此计算出的波动率称为隐含波动率。因此，隐含波动率是根据期权的市场价格反推出来的波动率，也是市场自身对未来波动率的预期值，是市场参与者通过期权交易的买卖报价对未来波动率达成的共识。上述说明来自蒋祥林《金融衍生工具》

分红率用看涨看跌期权平价关系求出：

equation?tex=c%5Cleft%28t%5Cright%29%2BKe%5E%7B-r%5Cleft%28T-t%5Cright%29%7D%3Dp%5Cleft%28t%5Cright%29%2Be%5E%7B-q%5Cleft%28T-t%5Cright%29%7DS%5Cleft%28t%5Cright%29+%5C%5C

将上述参数代入Black-Scholes定价公式，即可求出相应隐含波动率

$equation?tex=d_1%3D%5Cfrac%7B%5Cln%7B%5Cleft%28S%5Cleft%28t%5Cright%29%2FK%5Cright%29%7D%2B%5Cleft%28r-q%2B%5Csigma%5E2%2F2%5Cright%29%5Cleft%28T-t%5Cright%29%7D%7B%5Csigma%5Csqrt%7BT-t%7D%7D+%5C%5C$

$equation?tex=d_2%3D%5Cfrac%7B%5Cln%7B%5Cleft%28S%5Cleft%28t%5Cright%29%2FK%5Cright%29%7D%2B%5Cleft%28r-q-%5Csigma%5E2%2F2%5Cright%29%5Cleft%28T-t%5Cright%29%7D%7B%5Csigma%5Csqrt%7BT-t%7D%7D%3Dd_1-%5Csigma%5Csqrt%7BT-t%7D+%5C%5C$

看涨期权：