OptionTrader注释01——VolatilityTrading(一)
sinclair写的书体系非常完整,我来为这本书增加一些注释。
书的定位:几天到几个月的交易;基本的指导原则;量化的方法论;
由于作者在书中提到交易可以被分解为三个部分:
I 寻找有利可图的机会(+EV) II RM III 心理状态,猜测作者应该是属于量化投研,主观交易的模式,而没有程序化去执行,不过对于一个中低频的quant,执行确实是“最不产生优势”的一环。
寻找交易机会:
预测波动率 → 波动率到premium的传导机制(model)
第一章
BSM的价值:
I 符合直觉,比如随着到期时间接近,平值期权的gamma会快速上升,在BSM定义的希腊值公式中,能证明这一性质,而这一性质的现实直觉是:delta:胜率;gamma:价格变动对胜率的影响,那么随着ttm的下降,于一章平值期权而言,每个tick的跳动都可能决定胜负,因此,这个敏感度必然是非常高的;
II 建立起合约之间的可比较性,虚值合约一定比平值合约便宜,近月合约一定比远月合约便宜,但是这两个结论是基于最基本的无套利关系推导出来的,事实上,由于moneyness和ttm的差别,直接进行权利金的比较是不科学的,而pricing model抽离出了单纯由期权本身供求所决定的东西——IV;
(其实BSM反推IV是期权中将快变量转为慢变量的经典手法,在很多策略研究中,快慢变量的转化都是一个非常有趣的问题,这里我们看到了期权当中的例子)
III 能刻画一个组合的损益分解,进而告诉一个trader他在做什么:
delta中性下,期权组合是RV vs IV 的游戏
最终的损益在瞬时视角下通过gamma去表达,在区间视角下(积分)通过vega去表达,即所谓的vega利润是通过不断的再平衡delta去实现的,是不断对冲delta的盈利之和,因为bsm框架下名义上是不存在vega的,所以很难说清楚gamma scapling是在赚什么的钱,vol smile(同样非常好的一本书)计算了这个策略的瞬时利润,但是在这本书里作者更进一步,表述出了“通过对带gamma的这个式子求关于时间的积分,可以得到vega的这个公式”,这一点在我看过的期权类读物中是最好的。
接着,作者点出了一个在非常practical的点:gamma与期权的在值状态高度相关→盈利是路径依赖的。可以说,光这一点的指出,已经体现了这本书的价值(这直接涉及到实际环境中组合的调整)。
对了,顺便提一句每个option trader都会记得的经典名言:
隐含波动率使我们用一个错误的模型,填入一个错误的数字,所得出的一个正确的期权价格。
BSM缺陷:
从数学建模的方法论本身出发,我们知道缺陷 = 假设,作者书中分析了很多假设,但实际当中,在处理上具备艺术性的(或者说科学性较低的)只有两点:
I jump
II 肥尾分布 → BSM不能用来做精确的风控
第二章 波动率的度量
很多老手觉得这一章比较流水账,但是对于新人来说,这一章建立起了把握波动率的“统计直觉”,并且为这些直觉提供了严谨的测试。为了让这一章的注释有意义,我用tips的方法去写。
1.波动率和价格的区别是无法即刻被测量,需要一个时间区间来估计;
2.和很多参数确定问题一样,在波动率计算上,也是 过时数据 vs 过少数据 的权衡;
3.BSM → GBM → 方差完全刻画了分布的形状;
4.parkinson方法名片:日内极差信息;适用GBM;不能处理趋势和跳空(其实从这里看出jump在期权中如何处理是一个非常关键的点,事实上在价格连续运动的环境中风控是非常简单的,merton尝试给出了一个解决方案,但也仅仅只能作为尝试解决这个问题的一个demo);会系统性的低估波动率;
5.即使是Yang-Zhang这样综合了多种波动率估计方法的估计量,也只是在一定程度上处理了jump,这些复杂的估计方法所带来的效率,很大程度上来自于GBM及continuous的假设,因此,并不能绝对的说这些估计量就优于close-to-close;
6.不同估计量虽然难以挑出一个最优解,但是因为不同估计量的算法和使用信息上的差异,我们能从这些差异中读出一些价格运动的特性:parkinson下波动率为40%,close-close下为20%,则日内的波动贡献了波动的很大一部分,那么这时候close-close对波动过程的低估是显然的;
7.高频数据的使用:
i)高频数据解决的问题:有了更多的数据点;避免使用已经不能反映当下状态的信息;加入了更多的信息,能够更精确的“表达路径”;
ii)高频数据带来的问题:事实上市场始终有两个价格:bid and ask,当数据往高频去使用的时候,bid-ask spread的影响开始大到不能忽略,因此一般的切入点在5-30分钟(书中是15-30分钟,但事实上5m的数据在实际研究中也是经常使用的);
8.一般我们的行情数据是这样的:1分钟结束确定这一分钟的high,low,close,但事实上也有另一种处理方法,也就是从volume的角度出发,vol达到一定的程度生成一行high open close low,这就是等时线。这种类似的转化思想也可以用在构建波动率的估计量中,当价格上涨或者δ,就记录一个退出时间τi,这样同样可以得到一个序列,一个时间的序列,这种方法从“价格会运动多远”转化为“价格会运动多块”来解决波动率估计的问题。