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。
