python历史波动率_【BSM模型】用实际市场数据计算隐含波动率并验证波动率微笑...

在Black-Scholes期权定价模型中，不能直接观察到的参数只有股票价格的波动率。波动率可以由历史数据进行估计，这是历史波动率。隐含波动率也是交易员非常关心的，隐含波动率是期权的市场价格中所包含的波动率，即由期权价格和期权定价公式反推的波动率。隐含波动率和历史波动率作比较，可以指导投资者的操作。投资者可以直接买卖波动率，或者参考波动率确定买卖时机。

我们可以通过期权定价公式写出隐含波动率的方程，但是直接解方程非常困难，因为这个方程不存在闭合解。既然是用程序求解，当然可以用计算机求方程解的神器-数值计算。牛顿迭代法和二分法是求隐含波动率常用的两个方法。相比二分法，牛顿迭代法是更通用的近似求解方程的方法。

由于国内没有场内个股期权，曲曲菜用上证50ETF期权做分析。首先从新浪财经的网站获得期权的行情信息，并存入csv文件。到期时间我选了16天，51天，76天三种，分别存成三个文件。

新浪财经的期权行情数据(16天到期)

期权数据文件(16天到期)

然后就可以计算隐含波动率了，计算隐含波动率的python程序如下。

一.BSM模型

1.引入所用到的库

2. 定价公式的程序实现

二.牛顿迭代法

1.介绍

设r是f(x)=0的根，选取x0作为r的初始近似值，过点(x0,f(x0))做曲线y=f(x)

的切线L &