打字猴:1.70356477e+09

1703564770 我们知道如何去估计波动率，剩下来要做的只是去估计每单位时间的股票成交量。

1703564771

1703564772 优点

1703564773

1703564774 ·该模型易于理解和应用。

1703564775

1703564776 ·该模型符合我们的基本直觉：一只股票的交易越活跃，我们的交易所导致的市场冲击就越小。

1703564777

1703564778 ·我们不需要去处理单笔交易层面的数据。

1703564779

1703564780 ·我们可以像使用BSM和第1章提到的对冲模型那样使用这个模型。我们能够针对每个独立的市场对模型进行微调，把它乘上一个预设因子便可以。比如，我们可能发现DAX的股票比FTSE的股票更容易产生波动（美林曾经计算了一份这样的预设因子列表。我之所以没列在这里，是因为这些数字可能已经失效了，而且它们是经过询问美林的交易员后得到的。我认为它们只是反映了单个交易员的观点，而不是每个市场的基本面情况，但这点没法证明。这些预设因子可能是优秀的、专注的交易员能够显著突出于交易员整体水平的一个方面）。

1703564781

1703564782 缺点

1703564783

1703564784 ·这个模型并不能把买单和卖单对市场的不同影响区分开。

1703564785

1703564786 ·这个模型没有考虑做市商的存货，这其实对每个交易的市场冲击都有重要影响。

1703564787

1703564788 [1] 这个概念最初用来表示大型金融机构的内部交叉交易，后来被延伸为任何不能被直接观察到的交易。

1703564789

1703564790

1703564791

1703564792

1703564793 波动率交易：期权量化交易员指南（原书第2版） [:1703562377]

1703564794 波动率交易：期权量化交易员指南（原书第2版）加总不同合约标的的期权

1703564795

1703564796 正如我们在本章开始时了解到的，最佳的降低对冲成本的方法就是减少对冲频率。如果我们在交易一些不同合约标的的期权，delta风险很可能会互相抵消。如果我们能够接受相关性，那就可以通过加总delta头寸来减少对冲，然后利用市场指数或者行业指数来对冲风险。总体来看，这里需要进行权衡。与使用个股期权对应的实际标的股票进行对冲相比，使用指数对冲的效果不会那么好，但是我们可以减少交易成本，因为我们只需要对冲残余风险，而不是每个个体风险。

1703564797

1703564798 期权加总的过程从原理上来说是相当简单的。考虑这样一个例子，我们持有价格SA=100的股票A，SI=1000的指数I。另外假设有一个交易所交易基金（ETF）与这个指数相匹配，因此所有的交易单位都是可比较的。股票A与指数的beta为β=1.5。这意味着如果指数上涨1个百分点，股票A会上涨1.5个点。如果我们持有股票A1000delta的多头头寸（无论是通过指数还是通过期权delta），同时指数上涨1个百分点，我们的损益（P/L）是：

1703564799

1703564800