第 8 章：期权定价与波动率策略

⏱️ 预计阅读 ~30 分钟 ｜ 🎯 难度 ★★★★☆（偏难）

期权 (Options) 是金融工程皇冠上的明珠。它不仅是一种非线性 (Non-linear) 的衍生品，更是交易“波动率 (Volatility)”和“时间 (Time)”的工具。本章将从经典的 Black-Scholes-Merton (BSM) 定价模型出发，深入剖析希腊字母 (Greeks) 的数学含义与风控应用，并展示如何在 AKQuant 中构建专业的期权策略。

学习目标

• 理解期权定价、时间价值、隐含波动率与 Greeks 的核心作用。
• 掌握期权策略回测中的主要配置入口与风险暴露来源。
• 能够解释执行价、到期日与波动率变化如何影响策略表现。

前置知识

• 建议先掌握第 7 章中的衍生品与风险控制基础。
• 了解看涨、看跌、到期日和执行价等基本术语。

本章实践入口

• 主示例：examples/textbook/ch08_options.py
• 进阶示例：examples/07_option_test.py
• 对应指南：量化基础

快速运行与验收

python examples/textbook/ch08_options.py

验收要点：

1. 脚本可完成期权策略回测并输出核心统计指标。
2. 输出中可观察到 Greeks 或波动率变化对策略表现的影响。
3. 修改执行价或到期参数后，结果变化符合期权定价直觉。

8.0 AKQuant 中国期权配置速览

AKQuant 提供 BacktestConfig.china_options 用于中国期权费率配置：

• fee_per_contract: 全局每张合约手续费
• fee_by_symbol_prefix: 按品种前缀覆盖手续费
• use_china_market: 中国市场路由开关

与中国期货配置能力的详细对照可参考 API 文档中的“期货 vs 期权配置能力对照”。

示例：

from akquant import (
    BacktestConfig,
    ChinaOptionsConfig,
    ChinaOptionsFeeConfig,
    InstrumentConfig,
    StrategyConfig,
)

config = BacktestConfig(
    strategy_config=StrategyConfig(initial_cash=500_000),
    instruments_config=[
        InstrumentConfig(
            symbol="RB2310-C-3800",
            asset_type="OPTION",
            option_type="CALL",
            strike_price=3800.0,
            underlying_symbol="RB2310",
        )
    ],
    china_options=ChinaOptionsConfig(
        fee_per_contract=5.0,
        fee_by_symbol_prefix=[
            ChinaOptionsFeeConfig(
                symbol_prefix="RB",
                commission_per_contract=8.0,
            )
        ],
    ),
)

8.1 期权基础与定价理论 (Pricing Theory)

8.1.1 核心要素

期权赋予买方在未来特定时间 (\(T\)) 以特定价格 (\(K\)) 买入或卖出标的资产 (\(S\)) 的权利。

• Call (看涨)：\(Payoff = \max(S_T - K, 0)\)
• Put (看跌)：\(Payoff = \max(K - S_T, 0)\)
• Moneyness (实虚值状态)：
  • ITM (实值)：具有内在价值 (\(Call: S > K\))。
  • ATM (平值)：\(S \approx K\)。
  • OTM (虚值)：无内在价值 (\(Call: S < K\))。

8.1.2 Black-Scholes-Merton (BSM) 模型

BSM 模型是现代期权定价的基石。对于欧式看涨期权 (European Call)，其定价公式为：

\[ C = S N(d_1) - K e^{-rT} N(d_2) \]

其中：

• \(N(\cdot)\)：标准正态分布累积分布函数。
• \(d_1 = \frac{\ln(S/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}\)
• \(d_2 = d_1 - \sigma\sqrt{T}\)
• \(\sigma\)：标的资产收益率的波动率。

模型洞察：期权价格取决于五个变量：\(S, K, T, r, \sigma\)。其中前四个是市场可观测的，唯独波动率 (\(\sigma\)) 是未知的，需要估计。

8.2 希腊字母 (The Greeks)

希腊字母是期权价格关于各变量的偏导数，量化了期权的风险暴露。

8.2.1 Delta (\(\Delta\))：方向风险

\[ \Delta = \frac{\partial C}{\partial S} \]

• 含义：标的价格变化 1 单位，期权价格变化多少。
• 特性：Call \(\Delta \in (0, 1)\), Put \(\Delta \in (-1, 0)\)。ATM Call \(\Delta \approx 0.5\)。
• 应用：Delta Neutral Hedging。通过持有 \(-N \times \Delta\) 份标的资产，使组合的总 Delta 为 0，从而免疫小幅价格波动风险，纯粹赚取时间价值或波动率收益。

8.2.2 Gamma (\(\Gamma\))：凸性风险

\[ \Gamma = \frac{\partial^2 C}{\partial S^2} = \frac{\partial \Delta}{\partial S} \]

• 含义：Delta 随标的价格的变化率。Gamma 越大，Delta 变化越快，对冲越困难。
• 特性：ATM 期权 Gamma 最大。临近到期时，ATM Gamma 会急剧飙升 (Pin Risk)。

8.2.3 Theta (\(\Theta\))：时间衰减

\[ \Theta = \frac{\partial C}{\partial T} \]

• 含义：时间每流逝一天，期权价值损失多少。
• 特性：期权买方通常是 Theta 负值（消耗时间），卖方是 Theta 正值（赚取时间）。

8.2.4 Vega (\(\nu\))：波动率风险

\[ \nu = \frac{\partial C}{\partial \sigma} \]

• 含义：波动率变化 1%，期权价格变化多少。
• 特性：长期限 (Long-term) 期权的 Vega 更大。

8.3 波动率曲面 (Volatility Surface)

8.3.1 隐含波动率 (Implied Volatility, IV)

如果我们把市场上的期权价格 \(C_{market}\) 代入 BSM 公式，反推出的 \(\sigma\) 即为隐含波动率 (IV)。IV 代表了市场对未来波动的预期。

8.3.2 波动率微笑 (Volatility Smile)

BSM 模型假设 \(\sigma\) 为常数，但实际上，不同行权价 (\(K\)) 的期权 IV并不同：

• Smile/Skew：通常 OTM Put 的 IV 高于 ATM，形成“偏斜 (Skew)”，反映了市场对暴跌风险的恐惧（黑天鹅定价）。
• Term Structure：不同到期日的 IV 也不同。

8.4 策略示例：备兑看涨 (Covered Call)

这是一种最基础的收益增强策略，适合长期看好但认为短期横盘的标的。

构建：

1. 持有标的 (Long Underlying)。
2. 卖出 OTM Call (Short Call)。

逻辑：备兑看涨的损益取决于标的走向。若标的上涨，收益会被行权价封顶 (Capped Upside)，因为卖出的 Call 让出了向上的超额空间；若标的横盘，策略则赚取 Call 的权利金 (Theta Income)，从而降低了持仓成本；若标的下跌，这笔权利金又提供了一定的安全垫 (Downside Buffer)，部分缓冲了标的的浮亏。

8.4.1 代码实现

"""
第 8 章：期权与衍生品策略 (Options & Derivatives).

本示例展示了期权交易的核心特性，特别是如何利用期权构建非线性损益结构。
示例策略：**备兑看涨 (Covered Call)**
这是一种保守的增强收益策略：在持有标的期货的同时，卖出看涨期权 (Short Call) 以收取
权利金。

适用场景：
- 对标的期货长期看涨，但预期短期内窄幅震荡或小幅上涨。
- 通过权利金收入降低持仓成本，提供一定的下跌保护。

交易逻辑：
1. 买入 1 手螺纹钢期货 (RB2310)。
2. 卖出 1 手虚值 (OTM) 看涨期权 (行权价 > 当前价)。
3. 到期时：
    - 若价格 < 行权价：期权归零，赚取全部权利金。
    - 若价格 > 行权价：期货被行权指派，最大收益锁定在 (行权价 - 开仓价) + 权利金。
"""

import akquant as aq
import numpy as np
import pandas as pd
from akquant import Bar, InstrumentConfig, Strategy


# 模拟数据生成 (期货 + 期权)
def generate_option_data(length: int = 100) -> pd.DataFrame:
    """生成期权模拟数据."""
    np.random.seed(42)
    dates = pd.date_range(start="2023-01-01", periods=length, freq="D")

    # 标的期货价格 (震荡向上)
    futures_prices = np.linspace(3500, 3800, length) + np.random.normal(0, 50, length)

    # 虚值看涨期权价格 (简单模拟：随标的价格上涨而上涨，随时间衰减)
    # 假设行权价 K=3800
    K = 3800
    # 简单定价模型: Max(0, S-K) + TimeValue
    time_to_maturity = np.linspace(1.0, 0.0, length)  # 剩余时间从 1 到 0
    intrinsic_value = np.maximum(0, futures_prices - K)
    time_value = 200 * time_to_maturity * (futures_prices / K)  # 时间价值
    option_prices = intrinsic_value + time_value

    # 构造期货数据
    df_fut = pd.DataFrame(
        {
            "date": dates,
            "open": futures_prices,
            "high": futures_prices + 20,
            "low": futures_prices - 20,
            "close": futures_prices,
            "volume": 500000,
            "symbol": "RB2310",
        }
    )

    # 构造期权数据
    df_opt = pd.DataFrame(
        {
            "date": dates,
            "open": option_prices,
            "high": option_prices + 5,
            "low": option_prices - 5,
            "close": option_prices,
            "volume": 10000,
            "symbol": "RB2310-C-3800",  # 看涨期权，行权价 3800
        }
    )

    # 合并数据
    return pd.concat([df_fut, df_opt])


class CoveredCallStrategy(Strategy):
    """备兑看涨策略."""

    def on_start(self) -> None:
        """策略启动回调."""
        self.log("策略启动: 备兑看涨 (Covered Call)")
        self.future_symbol = "RB2310"
        self.option_symbol = "RB2310-C-3800"
        self.has_position = False
        self.bar_count = 0

    def on_bar(self, bar: Bar) -> None:
        """收到 Bar 事件的回调."""
        self.bar_count += 1

        # 简单逻辑：第一天开仓，一直持有到最后一天
        if not self.has_position:
            self.log(
                f"开仓: 买入期货 {self.future_symbol}, 卖出期权 {self.option_symbol}"
            )

            # 1. 买入 1 手期货
            self.buy(self.future_symbol, 1)

            # 2. 卖出 1 手看涨期权 (收取权利金)
            self.sell(self.option_symbol, 1)

            self.has_position = True

        # 在最后一天平仓 (模拟到期结算)
        if self.bar_count == 99:
            self.log("到期平仓...")
            self.close_position(self.future_symbol)
            self.close_position(self.option_symbol)


if __name__ == "__main__":
    df = generate_option_data()

    print("开始运行商品期权策略示例...")

    # 配置合约
    rb_fut_config = InstrumentConfig(
        symbol="RB2310", asset_type="FUTURES", multiplier=10.0, margin_ratio=0.1
    )

    rb_opt_config = InstrumentConfig(
        symbol="RB2310-C-3800",
        asset_type="OPTION",  # 期权类型
        option_type="CALL",  # 看涨期权
        strike_price=3800.0,  # 行权价
        underlying_symbol="RB2310",  # 标的期货合约（期权必填）
        multiplier=10.0,  # 1张期权对应1手期货 (10吨)
        margin_ratio=0.0,  # 期权买方不收保证金，卖方收 (引擎会自动计算卖方保证金)
    )

    from akquant import (
        BacktestConfig,
        ChinaOptionsConfig,
        ChinaOptionsFeeConfig,
        StrategyConfig,
    )

    config = BacktestConfig(
        strategy_config=StrategyConfig(initial_cash=500_000),
        instruments_config=[rb_fut_config, rb_opt_config],
        china_options=ChinaOptionsConfig(
            fee_per_contract=5.0,
            fee_by_symbol_prefix=[
                ChinaOptionsFeeConfig(
                    symbol_prefix="RB",
                    commission_per_contract=8.0,
                )
            ],
        ),
    )

    result = aq.run_backtest(
        strategy=CoveredCallStrategy,
        data=df,
        config=config,
    )

    # 打印最终结果
    metrics = result.metrics_df
    end_value = (
        metrics.loc["end_market_value", "value"]
        if "end_market_value" in metrics.index
        else 0.0
    )
    print(f"最终权益: {float(str(end_value)):.2f}")

8.5 希腊字母深入 (Advanced Greeks)

除了 Delta, Gamma, Theta, Vega 这四个主要风险维度，专业交易员还需要关注二阶甚至三阶导数。

1. Vanna (\(\frac{\partial \Delta}{\partial \sigma}\))：

   • Delta 对波动率的敏感度。
   • 应用：当波动率上升时，OTM Call 的 Delta 会增加（变得更有可能变为 ITM），而 ITM Call 的 Delta 会减小。做市商需要根据 Vanna 调整 Delta 对冲头寸。

2. Vomma (\(\frac{\partial \nu}{\partial \sigma}\))：

   • Vega 对波动率的敏感度（Vega 的凸性）。
   • 应用：买入 Vomma（通常是买入 OTM 期权）可以在波动率飙升时获得加速度收益。

3. Charm (\(\frac{\partial \Delta}{\partial T}\))：

   • Delta 对时间的敏感度。
   • 应用：随着到期日临近，OTM 期权的 Delta 会加速衰减至 0，ITM 期权的 Delta 会加速收敛至 1。周末效应（Weekend Effect）往往会导致 Charm 风险暴露。

8.6 常见期权策略组合

期权的魅力在于通过组合构建出任意形状的损益曲线 (Payoff)。

8.6.1 跨式组合 (Straddle)

跨式组合通过买入 ATM Call + 买入 ATM Put（相同 \(K\), 相同 \(T\)）来构建。它表达的观点是做多波动率：交易者认为市场即将发生大行情（如财报发布、重大政策），但不确定方向，因而押注波动幅度而非涨跌。其风险则在于，如果市场横盘，就会损失全部权利金，因为此时 Theta 损耗极大。

8.6.2 宽跨式组合 (Strangle)

宽跨式组合改用买入 OTM Call + 买入 OTM Put 来构建。它的观点与 Straddle 相同，但因为用的是虚值期权，所以成本更低，相应地需要的波动幅度也更大。这使它常被用作一种彩票型策略，博取黑天鹅事件。

8.6.3 垂直价差 (Vertical Spread)

垂直价差通过一买一卖同类期权来表达方向观点。其中牛市价差 (Bull Spread) 买入低行权价 Call (\(K_L\))、卖出高行权价 Call (\(K_H\))；熊市价差 (Bear Spread) 则买入高行权价 Put (\(K_H\))、卖出低行权价 Put (\(K_L\))。这类组合的特点是收益有限、风险也有限：由于通过卖出期权降低了权利金成本，它成为方向性交易的首选。

8.6.4 铁鹰组合 (Iron Condor)

铁鹰组合由卖出 OTM Put Spread + 卖出 OTM Call Spread 构建而成，其中：

• 卖出 Put \(K_1\) (低)，买入 Put \(K_2\) (更低) 保护。
• 卖出 Call \(K_3\) (高)，买入 Call \(K_4\) (更高) 保护。

它表达的观点是做空波动率，即认为市场将在 \([K_1, K_3]\) 区间内震荡。因此它本质上是一种收租策略：只要标的不大涨大跌，就能稳赚权利金。

8.7 动态对冲：Gamma Scalping

这是一种利用 Gamma 属性，通过不断调整 Delta 对冲来获利的策略。

1. 构建：买入跨式组合 (Long Straddle)，保持 Delta 中性。
2. 上涨时：Gamma \(> 0\)，Delta 变大（如 \(0 \rightarrow 0.2\)）。为了保持中性，卖出 0.2 份标的。
3. 下跌时：Gamma \(> 0\)，Delta 变小（如 \(0 \rightarrow -0.2\)）。为了保持中性，买入 0.2 份标的。

结果：在对冲过程中，我们其实一直在“高抛低吸”标的资产，而这套机制的盈亏取决于波动是否足够。如果市场波动足够大，Gamma Scalping 赚取的利润将超过 Theta 损耗（权利金的时间衰减）；反之，如果市场死水一潭，Gamma 利润不足以覆盖 Theta 成本，策略就会亏损。

8.8 引擎配置与实战细节

8.8.1 合约配置

在 AKQuant 中，配置期权合约需指定 option_type, strike_price 和 expiry_date。

from akquant import InstrumentConfig, OptionType

# 配置某个月份的购 4000 合约
opt_config = InstrumentConfig(
    symbol="MO2309-C-4000",
    asset_type="OPTION",
    option_type=OptionType.CALL,
    strike_price=4000.0,
    expiry_date="2023-09-15"
)

如果你的期权策略需要在到期后执行额外逻辑，例如记录行权/到期结算结果、移除失效合约后重建候选池，推荐实现 on_expiry(event)。该回调仅在引擎实际执行 expiry_date 驱动的到期结算/移除后触发。最小可运行示例见：examples/49_on_expiry_demo.py。

8.8.2 保证金计算

期权卖方（义务方）需要缴纳保证金。AKQuant 支持交易所标准的保证金计算公式：

\[ Margin = \text{权利金} + \max(12\% \times S - \text{虚值额}, 7\% \times S) \]

这意味着卖出期权的杠杆并不是固定的，而是随着标的价格变化而动态变化的。策略必须预留足够的现金以防追加保证金 (Margin Call)。

8.9 波动率套利 (Volatility Arbitrage)

波动率套利的核心在于交易隐含波动率 (IV) 与已实现波动率 (RV) 之间的差价。

\[ Profit \approx \text{Vega} \times (IV_{sold} - IV_{bought}) + \frac{1}{2} \text{Gamma} \times (RV^2 - IV^2) \]

一种典型做法是做空波动率：当 \(IV > RV\) 时，卖出跨式组合 (Short Straddle) 并进行 Delta 对冲，只要市场实际波动小于 IV 预示的波动，就能赚取 Vega 差价。另一种是Vanna-Volga 方法，它利用市场上的三个主要报价（ATM, 25-Delta Call, 25-Delta Put）来构建整个波动率曲面，进而寻找定价错误的期权。

8.10 尾部风险对冲 (Tail Risk Hedging)

黑天鹅事件（如 2020 年疫情熔断）虽然罕见，但足以摧毁整个投资组合。

常见的尾部对冲手段有两类。其一是 Put Buying，即定期买入深度虚值 (Deep OTM) Put：它虽然长期亏损权利金（像买保险一样），但在崩盘时能获得百倍回报，对冲股票多头的亏损。其二是 VIX Call，即买入 VIX 看涨期权，其逻辑在于 VIX 指数通常与股市负相关。

本章小结

必须掌握

• 期权不是单纯押方向，而是在交易价格、时间与波动率的联合暴露。
• Greeks 是连接期权理论、风险管理与策略解释的核心桥梁。

理解即可

• 卖方策略、波动率策略与组合 Greeks 管理属于更高阶的实务延伸。

实践提醒

• 每次调参时优先记录执行价、期限与波动率口径，避免只看收益结果。

主线推进

贯穿全书的那条最小双均线 / 趋势策略，到这一章迎来了它最不一样的一次迁移：从“押方向”转向“押波动率与时间”。前几章里，这条主线在股票与衍生品市场上始终交易的是价格方向——金叉买入、死叉卖出，盈亏几乎只由标的涨跌决定。进入期权市场后，本章把同一套“信号 + 下单 + 风控”的框架接到了非线性资产上：原本的趋势判断可以转化为方向性的垂直价差或备兑看涨，而原本无处安放的“横盘观点”，现在能通过跨式、铁鹰这类组合直接表达成对波动率的多空。更重要的是，主线策略第一次需要在 Delta、Gamma、Theta、Vega 这组风险维度上同时管理暴露，而不再只盯收益曲线。至此，这条最小策略已经具备了在期权场景下被改写、被对冲、被组合的能力，为后续把它接入更复杂的多资产与波动率管理打下了基础。

延伸阅读

经典著作

• Hull, J. C. Options, Futures, and Other Derivatives（第 11 版），Pearson, 2022 —— 期权与衍生品定价的权威教科书，系统讲解 BSM 模型、Greeks 与波动率曲面，可与本章 8.1（定价理论）、8.2（希腊字母）、8.3（波动率曲面）对照精读。
• Natenberg, S. Option Volatility & Pricing: Advanced Trading Strategies and Techniques（第 2 版），McGraw-Hill, 2014 —— 从交易员视角讲解波动率交易与组合策略，直接对应本章 8.4（备兑看涨）、8.6（策略组合）、8.9（波动率套利）。
• Taleb, N. N. Dynamic Hedging: Managing Vanilla and Exotic Options，John Wiley & Sons, 1997 —— 做市商与套利者视角的动态对冲与高阶 Greeks 实务专著，延伸本章 8.5（希腊字母深入）、8.7（Gamma Scalping）与 8.10（尾部风险对冲）。

官方文档与工具

• AKQuant 量化基础指南 —— 本章期权配置与回测的对应指南，配合 8.0（中国期权配置速览）与 8.8（引擎配置与实战细节）阅读。
• AKShare 官方文档 —— 期权合约、行情与波动率相关数据的获取来源，支撑本章 8.3 与 8.9 的实证分析。

本书相关

• 第 7 章：期货市场与衍生品策略 —— 本章 8.8.2（保证金计算）与卖方风险承接第 7 章的衍生品与风控基础。
• 第 5 章：策略开发实战 —— 本章 8.4 备兑看涨与 8.7 动态对冲沿用第 5 章建立的策略类结构与下单接口心智模型。

课后练习

基础题

1. 修改执行价或到期日，比较策略结果与 Greeks 变化。

应用题

1. 为示例策略增加一个基于 Delta 或 Vega 的风险约束。

综合题

1. 对比两种不同波动率环境下同一策略的收益风险特征。

参考答案要点（先独立思考再展开）

基础题：行权价越高（越虚值），权利金越低、Delta 越小；越临近到期，Theta 时间衰减越快，且 ATM 期权的 Gamma 会急剧上升。

应用题：当组合 |Delta| 或 Vega 超过阈值时减仓或对冲（如加一条期货腿中和 Delta），把方向/波动率暴露控制在限额内。

综合题：高 IV 环境下卖方权利金更厚但风险更大；低波动环境中备兑/卖方更易稳赚 Theta，而跨式买方易因 Theta 损耗亏损。

常见错误与排查

1. 定价偏差过大：检查无风险利率、到期时间和波动率输入。
2. 保证金不足：核对卖方策略的仓位规模与资金占用。
3. 风险暴露失控：优先检查 Delta、Gamma、Vega 是否超出阈值。