打字猴:1.703563559e+09
1703563559 波动率交易:期权量化交易员指南(原书第2版) [:1703562359]
1703563560 波动率交易:期权量化交易员指南(原书第2版) 交易费用为零
1703563561
1703563562 波动率交易中的交易费用包括佣金、买卖价差、税收、交易所费用和清算费用等。显然,这些费用并不为零,并且实际上会比交易股票或期货时的费用更大。特别地,通过期权来交易波动率需要进行动态对冲。这会产生很大的交易费用,同时包含可观的与风险监控有关的间接费用。方差互换则刚好相反,但这些工具仅能在柜台市场进行双边交易。这些柜台市场的交易范围比场内市场更宽,但交易员只能与有限的交易对手进行交易。
1703563563
1703563564
1703563565
1703563566
1703563567 波动率交易:期权量化交易员指南(原书第2版) [:1703562360]
1703563568 波动率交易:期权量化交易员指南(原书第2版) 完美信息流
1703563569
1703563570 新闻必须能快速和无成本地传播给所有市场参与者。现在这一现象比历史上的任何时刻都要好。虽然现在有很多低成本的信息服务,但同样存在大量的基于内幕信息的期权交易(至少对于个股期权来说是如此)(Bradley、Cline和Lian,2009;Arnold等,2000)。这样做会非常赚钱,有些策略就是基于识别出这样的交易员来进行跟随交易。从定义上说,内幕信息是不被所有人知晓的信息,这就是不完美信息流的一个典型例子。
1703563571
1703563572
1703563573
1703563574
1703563575 波动率交易:期权量化交易员指南(原书第2版) [:1703562361]
1703563576 波动率交易:期权量化交易员指南(原书第2版) 对信息的价格影响力的共识
1703563577
1703563578 我们将在第5章中看见,期权价格并不会立即对公开信息进行反应。在某些情况下,价格调整需要花费数周的时间。这意味着此时市场各方对该新闻的影响存在某种分歧。
1703563579
1703563580 因此,看上去这些条件在期权市场中并不满足。但正如Fama所强调的,这并不意味着市场是无效的。不过这些现象,正如我们所见,市场中确实存在着持续盈利的期权交易员和交易公司,这让我们相信波动率市场的低效率足以让交易盈利,并且市场看上去还会这样继续下去。
1703563581
1703563582 这里我们还需注意的是,期权的合约设置和交易行为有足够的空间,让我们可以以一种不同于其最初设计目的的方式来交易并盈利。的确,波动率交易本身就是这种策略的一个例子。这种情况在赌博中很常见。如果你能够算牌,21点是可以被打败的。如果你记住了球的时间,轮盘赌也可以被打败。如果你知道了卡片的设计算法,也可以打败刮刮卡彩票。类似地,例如,可以把期权与信用产品一起交易,来构造一个资本结构套利。或者将个股期权与指数期权一起交易,来得到一个关于隐含相关性的头寸。
1703563583
1703563584 在运用数学方法之前,我们先了解一下所要预测的波动率都有哪些特征。波动率看起来是怎么样的?正如我们在第3章中所见:
1703563585
1703563586 ·波动率的大幅变化中,向上变化多于向下变化。
1703563587
1703563588 ·波动率看上去是均值回复的(至少局部上是如此);它会朝其长期均值变化。
1703563589
1703563590 在预测波动率时,我们需要牢记这些普遍特征。
1703563591
1703563592 最简单的预测方法就是假设未来N天的波动率会和过去N天一致。因此只要我们估计出过去30天的波动率(无论用何种估计量)为20%,我们就可以把它作为未来30天的预测值。这种方法有时被称为移动窗口法(moving window method),但这种预测方法存在一个明显的问题,即股票价格的大幅变动(例如好的业绩使得股票大涨)会在波动率估计量的序列中保留N天后突然消失。这一现象如图4-1所示。
1703563593
1703563594
1703563595
1703563596
1703563597 图4-1 真实信仰牛仔公司(TRLG)30天移动窗口收盘价–收盘价波动率(2006年6月20日~2007年5月7日)
1703563598
1703563599 很明显,当股价向上跳空后,波动率的预测值不应该是100%。这一跳跃是由某个大事件所触发的,这个事件已经发生了,并且未来很难再次发生。这使得对波动率的预测存在较大的偏差(注意,它并没有给当前的波动率估计带来偏差,因为过去30天的波动率的确是100%)。解决这类问题的标准方法是使用指数加权移动平均模型(EWMA)。该模型表达式如下:
1703563600
1703563601
1703563602
1703563603
1703563604 其中,λ是介于0和1之间的参数。
1703563605
1703563606 这个模型用最近一期平方收益率与前一期方差的加权平均来估计方差(我们在这里使用的是方差的形式,这是该模型的常见表示方式,我们稍后介绍的其他时间序列模型也是如此)。λ越小意味着越早期的波动对当前波动率的影响越小,而越近期的波动对当前波动率的影响越大。λ的取值通常为0.9~0.99。
1703563607
1703563608 这种方法的优点是简单易用、便于理解,缺点则是不够灵敏。如果某一事件确实是一个异常事件,那么在预测未来波动率时,我们最好将它从数据集中剔除。指数加权平均确实可以在波动率预测中平滑价格跳空的影响,但是其处理方式过于简单。更好的方法是直接让交易员判断某个事件是不是异常事件,如果是的话就直接剔除掉,或者将其视作可能再次发生的特殊事件,并在预测时给予相应的权重。指数加权移动平均模型假设事件的影响呈指数式递减,其实只是将这一问题简单回避掉了。例如,由于公布业绩而引起的价格跳空就显然是一次异常事件。交易惯例是把这个事件从未来波动率的预测中剔除(除非要预测的时间区间包含了业绩公布日)。为什么使用指数递减的方式会有道理?因为业绩公告只是一次性事件,公司并不会在次日再公告一个小点的业绩,然后在后天再公告一个更小的。
[ 上一页 ]  [ :1.703563559e+09 ]  [ 下一页 ]