什么是波动率锥？如何用波动率锥设计期权策略？

投资者在交易期权时，常用的交易策略一般可以分为两类。一类是方向性交易，即投资者根据自己对标的物未来行情走势与收益预判而进行的交易（也就是单边“猜涨跌”）；另一类是波动率交易，基于市场未来波动率（来自各种模型或“灵感”）与当下波动率（可以是历史波动率也可以是隐含波动率）存在差额所进行的交易。我们已经知道，在波动率交易中使用Delta中性策略便可以避免标的物价格方向性变动的干扰，而获取波动率变化所带来的收益。这里，我们一起探讨如何利用波动率锥来设计波动率交易策略。

　　我们先回顾一下历史波动率（HV）与隐含波动率（IV）的含义与区别，以确保大家在同定义之下讨论波动率。首先，历史波动率是由标的资产的历史价格所计算出来的波动率，属于已实现的波动率。

它可以在真格量化中这样计算：

而隐含波动率是由当前交易的期权价格套用定价模型所推算出来的波动率，表示的是市场对标的资产未来一段时间的价格波动水平的“定价”。

它可以在真格量化中这样计算：

  大家熟知的期权定价模型Black-Scholes-Merton（BSM）模型，在估算期权价格时的假设之一是期权波动率已知且保持不变，也可以用来根据已知的期权市场价格倒推期权的隐含波动率。我们可以将隐含波动率与历史波动率进行比较，来判断当前期权波动率是被高估还是低估。然而，BSM模型在计算历史波动率时使用的是固定的时间周期，忽略了不同到期时间期权的波动率随时间变化的实际情况。Burghardt与Lane在1990年发表的《How to Tell if Options are Cheap》论文中提出波动率锥的概念，通过增加波动率估计的时间区间，为波动率的分析与预测提供了另一种思路。

波动率锥的计算基于两个基本理念前提。一是波动率具有均值回归的特性，当波动率远高于均值时，波动率大概率会回落到平均波动率；当波动率远低于均值时，波动率大概率会回升至平均波动率。该性质使得波动率的未来走向具有一定的可预测性，也使得波动率锥可以作为判断当前隐含波动率“定价”高低的依据。二是比较波动率应保持在同一时间维度，也就是说，用1个月的隐含波动率比较1个月的历史波动率，或用3个月的隐含波动率比较3个月的历史波动率。

　　波动率锥的描绘比较简单，通过划分不同的到期时间周期分别计算标的资产的历史波动率，标识同周期波动率分位点，将同水平的分位点连接即可。例如下图，我们可以根据豆粕主力合约的历史数据绘制了相应的波动率锥，如图所示，横轴表示计算时间周期（可对应不同期权合约到期天数），纵轴表示历史波动率，从上至下曲线分别表示波动率的最大值、90%、75%、50%、25%、10%分位数（可使用scipy.stats的mstats模块计算）以及最小值。从图上不难发现，波动率锥得名于其形态类似于锥形，长期波动率具有向中位聚集的特征，而短期波动率的变化较为发散。就高分位而言，标的资产短期的波动率一般大于长期波动率。

通过对比对应周期的隐含波动率和历史波动率分位数，我们就能估计隐含波动率是处在“高估”还是“低估”状态。

波动锥通过划分不同水平的历史波动率，可以帮助我们更立体地判断当前隐含波动率的定价在何水平，进而判断是否存在波动率交易机会。这个方法要比与直接对比隐含波动率与历史波动率孰大孰小来判断交易机会更为全面、稳妥。

比如我们可以使用隐含波动率和历史波动率设计这样一个交易策略：

当 HV 大于波动率锥 70%分位数时，卖出跨式期权组合；

当HV < 70%分位时，则比较 HV 与 IV 的大小关系，若 IV < HV，则买入跨式期权组合；

若IVHV > ε,则卖出跨式期权组合。根据 IV 与 HV 的关系， ε 取 max(IV 与 HV 差的均值，0)。
其回测表现可以参考真格量化网站-社区-交流的“一个波动率锥期权策略”。

当然，在使用波动率锥策略时，我们可能还需要综合考虑是否会有重大事件发生来影响短期波动率的走势，来进行更精细的风险控制。投资者不妨将波动率锥作为一件工具，灵活运用到期权交易过程之中。

— — — — — — E N D — — — — — —
往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法
如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘
[h1]一个Call搅动市场？让我们温习一下波动率策略[/h1][h1]如何用真格量化设计持仓排名跟踪策略[/h1][h1]还不理解真格量化API设计？我们不妨参考一下CTP平台[/h1][h1]理解同步、异步、阻塞与非阻塞[/h1][h1]隐波相关系数和偏度——高维风险的守望者[/h1]Delta中性还不够？——看看如何设计Gamma中性期权策略
[h1]Python的多线程和多进程——从一个爬虫任务谈起[/h1]线程与进程的区别皮尔逊相关系数与历史K线匹配
Python2和Python3的兼容写法 Python代码优化技巧
理解Python的上下文管理器
如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标
看看如何定位Python程序性能瓶颈
什么是Python的GIL
投资研究中的大数据分析趋势及应用
理解CTP中的回调函数
如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类
[/url][url=http://mp.weixin.qq.com/s?__biz=MzU4OTg0NjkyOA==&mid=2247484219&idx=1&sn=e21c50c8ff10d47a9ec27b6da418e774&chksm=fdc603c4cab18ad22df89d414350b8e951ea1e2e7eb16dcc0b9cf617ad81d3843ef548a39b1d&token=960839381&lang=zh_CN&scene=21#wechat_redirect]Python编码的最佳实践总结

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群  726895887