Ai帮你编写策略：点击进入

订单流图表：点击进入

期权交易基础知识

期权交易是一种衍生品交易，参与者（称为期权交易者）签订合约，合约赋予他们权利（但没有义务）在指定的时间段内（称为到期日）以预定价格（称为执行价格）买入（通过看涨期权）或卖出（通过看跌期权）特定标的资产。

以下是看涨期权的基础知识：

期权的组成部分

• 标的资产：期权价值所依据的资产（例如股票、指数）。

• 执行价格：行使期权时可以买入（看涨期权）或卖出（看跌期权）标的资产的价格。

• 到期日：必须行使期权的日期，如果在此日期之后未行使，期权将失效且毫无价值。

• 期权费：买方为获得购买（看涨或看跌期权）标的资产的权利而向卖方支付的价格。它代表期权的成本。

期权的盈亏

• 买方：如果标的资产的价格上涨至执行价加上支付的权利金以上，看涨期权的买方将获利。买方的最大损失仅限于支付的权利金。而看跌期权的买方则在标的资产的价格低于执行价时获利。这样，看跌期权的买方可以行使以更高价格（执行价）出售的权利。

• 卖方（立权人）：如果标的资产的价格低于执行价格，看涨期权卖方将获利，因为期权到期时将一文不值。但是，如果标的资产的价格大幅高于执行价格，卖方的损失可能是无限的。

在这里，当标的价格高于执行价格时，看跌期权卖方就会获利。这样，看跌期权卖方就可以获得溢价。由于期权的买方不会继续履行合同，因此期权将毫无价值地到期。

了解备兑看涨期权

备兑看涨期权是期权交易中使用的一种策略，投资者持有基础资产（如股票）的多头头寸，同时出售同一资产的看涨期权。出售的看涨期权是“备兑的”，因为投资者已经拥有基础资产，如果行使期权，就可以交付。

工作原理如下：

持仓：投资者持有某只股票的一定数量股份。

卖出看涨期权：投资者卖出同一只股票的看涨期权。每个看涨期权通常代表一定数量的股票，数量可能有所不同。在本博客的示例中，我们假设它们是 100 股标的股票。通过卖出看涨期权，投资者从期权买方那里获得溢价。

到期日：看涨期权有预定的到期日，在此日期之前，看涨期权的买方有权以指定的执行价格从投资者手中购买标的股票。

结果情景：

• 如果股票价格在到期前一直低于看涨期权的执行价格，则看涨期权将失效，而投资者将保留出售期权所获得的溢价。

• 如果股价上涨至行使价以上，看涨期权的买方可以行使以行使价购买股票的权利。在这种情况下，投资者必须以行使价出售股票，而不管当前市场价格如何。投资者仍可保留出售看涨期权所获得的溢价，这有助于减轻以低于市场价格的价格出售股票所造成的损失。

例子：

假设某位投资者拥有 100 股 XYZ 公司的股票，目前交易价格为每股 50 美元。投资者决定出售一份备兑看涨期权合约，其执行价格为 55 美元，到期日为一个月后。出售此看涨期权所获得的溢价为每股 2 美元（总溢价为 200 美元）。

情景 1：如果股票价格在到期时仍低于 55 美元，看涨期权到期时将一文不值。投资者保留出售看涨期权所获得的 200 美元溢价。

情景 2：如果股票价格在到期时上涨至 55 美元以上，比如说每股 60 美元。看涨期权的买方行使以每股 55 美元购买股票的权利。投资者以每股 55 美元的价格出售股票，实现每股 5 美元的利润（55 美元 - 50 美元），但放弃了执行价格以外的潜在额外收益。投资者仍可保留出售看涨期权所获得的 200 美元溢价。

展望未来，我们现在可以更深入地探讨这个主题，并了解备兑看涨期权中的机器学习。

使用机器学习实现备兑看涨期权策略

现在让我们看一个例子，使用标准普尔 500 指数。标准普尔 500 指数是美国指数，追踪在美国证券交易所上市的 500 家最大公司的股票表现。

为了执行该策略，我们假设我们持有期货合约，然后尝试在同一标的上写一份看涨期权。为此，我们以期权的各种希腊值（如 IV、delta、gamma、vega 和 theta）作为输入，对过去的数据进行机器学习算法的训练。并且将根据第二天的回报做出因变量或预测。只要算法产生卖出信号，我们就会写出看涨期权。

首先，让我们导入必要的库。

步骤 1-导入库

首先，让我们导入数据。我有两个数据集，一个是期货合约的连续数据，另一个是 4600 执行价看涨期权的连续数据。这里的连续是指“跨越各种到期日”。

第 2 步 - 读取数据

输出：

步骤 3 - 预处理数据

因此，我们需要对数据进行预处理，以确保它适用于机器学习模型。

输出：

上面，我们删除了缺少值的行，并通过删除指定的列将特征提取到“X”中。

然后，我们将目标变量 y 设置为“信号”列。

步骤 4 - 拆分数据

现在，我们将数据分成训练数据集和测试数据集。接下来，我们将使用前 95% 的数据作为训练数据，后 5% 的数据用于预测。

因此，我们将使用前 116 天的数据来训练算法，并使用最后 7 天（1 周）的交易数据来预测其性能。

输出：

步骤 5 - 拟合决策树

接下来，我们实例化一个示例决策树并拟合训练数据以对测试数据进行预测。我们将通过计算策略的收益（以看涨期权溢价的形式）然后将每天的收益添加到测试数据集中的数据来评估策略的表现。

我们还将打印该策略的准确率和利润。

输出：

根据算法的随机状态，利润结果可能会有所不同，但准确度会接近上述值。上图表示根据决策树分类器预测的信号，备兑看涨期权策略随时间产生的累积回报。

值得注意的是，回测结果并不能保证未来的表现。所呈现的策略结果仅用于教育目的，不应被视为投资建议。需要对策略的多个参数进行全面评估，以评估其有效性。

领取完整源码发送：callML

Ai帮你编写策略：点击进入

订单流图表：点击进入