Tag Archives: 波动率

套利还是滥用?解构Jane Street-SEBI案及其对全球算法交易的启示

第一部分:印度市场的异常现象与Jane Street的“秘密”策略 本节旨在为该案奠定事实与背景基础,首先剖析印度市场的独有特征,正是这些特征促成了相关策略的实施;随后,将详细拆解印度证券交易委员会(SEBI)所认定的两种主要交易模式,并同时呈现Jane Street提出的反驳论述。 1.1 极端市场:印度衍生品微观结构 本小节将详细阐述印度市场的特定状况,这些状况为Jane Street的策略创造了得天独厚的土壤。其核心主题在于不同市场板块之间存在的严重结构性失衡。 这种由极端流动性失衡、庞大的被动式散户群体和高杠杆共同作用形成的市场,本质上是低效的。其价格发现机制十分脆弱,因为一个资本雄厚的参与者可以通过影响流动性较差的现货市场(该市场决定指数价值)来操纵规模远大于此且流动性更强的期权市场的定价。这不仅是一个市场特征,更是一个结构性漏洞。 其内在逻辑如下: 1.2 “日内指数操纵”策略剖析 本小节将以2024年1月17日的案例为样本,对SEBI所指控的主要策略进行严谨的、分步骤的拆解。 现货/期货交易部分的持续亏损并非交易不佳的标志,而是该策略的一个关键特征。这些亏损代表了为在衍生品部分产生更大、更可预测的利润而付出的、经过计算的“操纵成本”。这种视角将盈亏分析从一个简单的业绩指标转变为证明其意图的证据。 其逻辑链条如下: 1.3 终局策略:“延长收盘价操纵” 本小节将分析第二种更为隐蔽的策略,该策略的核心是在一个关键时间点——到期结算时——对市场施加影响。 此策略是一种更精密的操纵形式,它专门针对衍生品结算的机制。通过将火力集中在决定结算价格的狭窄窗口期,公司可以用比影响全天市场更集中的资本支出,实现对其盈亏的最大化影响。其无视监管警告的行为表明,该公司认为该策略要么在法律上站得住脚(可辩护为合法对冲),要么利润丰厚到值得冒险。 其逻辑推演如下: 1.4 反方论述:合法的套利行为 本小节将呈现事件的另一面,即Jane Street的行为并非操纵,而是一种合法的、提升市场效率的套利行为,旨在消除由非理性散户狂热造成的巨大价格缺口。 此案为监管者提出了一个根本性的两难困境。如果一个市场极度低效(例如存在1.6%的套利缺口),那么一个理性的、追求利润的公司为纠正这种低效而采取的行动(即在流动性差的一端进行大规模、激进的交易)可能与教科书式的操纵行为难以区分。惩罚该公司可能意味着惩罚了那个能让市场更有效率的机制本身。 其逻辑困境在于: 第二部分:全球可行性测试:该策略在国际市场的适用性 本节将进行一项比较分析,评估促成Jane Street在印度实施其策略的条件是否存在于其他主要市场。分析将聚焦于流动性比率、杠杆规则以及具体的反操纵法规。 市场 主要监管机构 期权/现货流动性比率(示意) 杠杆/保证金规则 关键算法/高频交易规则 跨市场操纵执法 策略可行性评分 印度 SEBI 极高 (>100x) … Continue reading

Posted in 学术研究 | Tagged , , | Leave a comment

凤凰期权下历史波动率的欺骗性

写这个话题,是因为最近在对冲凤凰期权,标的是首旅酒店,我对冲出来的结果没有赚钱,但是在wind上通过HVG观测其最新的历史波动率远高于我定价的波动率。 我定价波动率在41%,前面可以看到最新的波动率最高到50%,最近又一下子下行到了38%左右。 由此,我想到最新的波动率具有欺骗性,这对于凤凰期权特别明显。 首先凤凰期权的期限具有欺骗性,一个合约期限半年(120个交易日)的凤凰期权(什么是凤凰期权我就不介绍了,能搜到这里的想必对这些基础很了解了),如果100%价格就敲出,那么 它实际的期限实际上只有20*0.5+40*0.5*0.5+60*0.5^3+。。。=37.5,两个月不到。 因此它的价值实际上对近期波动率敏感,对远期并不敏感。 而短期波动率具有相当的欺骗性,这是因它极易被影响。 下面是一个收益率序列,每天涨跌2%,这样年化波动率是32% 但是如果有一天他涨了8%,那么当月波动率会变多少呢,是(varance==SUM(D232:D261)*252/20) 也就是说,波动率整整涨了10个百分点,这对于一个存续期半年,敲入价70%,敲出价100%的凤凰期权来说,其估值甚至可以差2%,或者用票息率来说,可以差1%(32%波动率对应票息是1%,42%对应票息是2%),实际上每个月票息也就1%,也就是说,票息差一倍。 从上面波动率的突变我们容易看到,近期波动率上涨特别容易,但是跌下来并不容易 把上面一个波动率改成0.00 我们可以看到,波动率只跌了3%,而前面的相对变化是33%,这里的相对变化不到3%。票息则从13.20%,变化到13.74%,虽然也变化了接近0.5%,但是从比例上来说,只有3.64%,相比与前面的票息变化100%,差异是很明显的。 另一个很重要的点是,如果我们在近期波动率HVG的曲线上看到一个低下去的点,这个不是说明近期有一个点波动率很低,而是过去一段时间,这20天波动率都很低,只不过后来有一个极端值,把近期波动率拉上来了。 因为股票一天波动很低,是无法把HVG的线拉下来的,但是一天波动很大,很容易把线拉上去。因此,我们在利用HVG看波动率的时候,要特别注意,近期波动率很高,是不是因为有某一天波动率特别大,而其他日期波动率很低,甚至,我们应该提出某一天的波动,然后在计算近期波动率,因为我们实际对冲的时候,一般也就能拿到这种极端波动的一半,也就是涨8%,我们一般也就做到涨4%,对于我们来说,波动率也就是从32%,变成了34%,距离42%差的很远。 因此,在给凤凰期权定价的时候,这种极端交易日对波动率的影响,必须考虑的更清楚才行。 比如对于近期的首旅酒店,如果直接用近期波动率计算波动率是45%,而调整两个交易日的波动,波动率就变成了37%,而后者是实际上我感受到的标的的真实波动。 实际上,到这里,我觉得这个指标反而是更好的描述我对对冲波动率的理解了 step1 取收益率 step2 收益率取绝对值 step3 绝对值取平均值 step4 平均值*16 最后得到的就是我所感受到的标的真实波动。 实际上step1-step3就是【平均绝对误差】这样一个统计量,我之前接触不多,一般书上也很少介绍。

Posted in 学术研究 | Tagged , , , | 2 Comments

SVI模型拟合

波动率模型是学界搞期权的重点,BS模型中,使用的是固定的波动率。现在提的较多的是局部波动率模型和随机波动率模型。局部波动率模型是随机波动率模型的一种简化,将波动率定义为标的价格S和时间t的函数sigma(S,t),随机波动率模型中,对波动率描述存在随机项(独立于价格中的随机项)。 局部波动率模型中,常用的是SVI模型(stochastic volatility inspired),SVI模型本质上是描述了波动率微笑曲线,并且增加了一些期权性质上的约束。 我前面研究过一次SVI模型,但由于对python里面最优化函数理解的不透,对外层使用了是穷举法,这个方法显然是不好的,只是让我初次了解这个模型的性质。最近部门一个实习生用matlab实现了一下这个模型,虽然拟合的结果并不是很好,但让我发现原来matlab里面的几个函数,如lsqlin就是二次非线性最优化,而fminsearch的函数,使用的就是Nelder-Mead Simplex方法。 实际上我以前虽然也用matlab做最优化,但是对里面的求解算法实在是没研究,反正直接用就好了。但前面自己用python摸索求解函数的时候,突然觉得自己根本不知道在python里面用什么函数去求解自己要解的最优化方程。 最初以为scipy里面应该有对应的最优化函数,后来发现matlab里面基本的lsqlin在scipy里面就没有实现,scipy最接近的是lsq_liner,但这个函数只能接受上下限,无法接受不等式方程约束,后来发现用凸优化报cvxopt才有希望。但是这个包里面也没有lsqlin函数,不过知识点到这里,搜索一下lsqlin+python关键词就能找到一个俄罗斯人贡献的用python实现的lsqlin代码了。 在这些知识点的基础上,我重新将自己的svi模型实现了一下。 首先是数据源格式 合约编码    行权日 行权日 剩余到期时间(日历日) 期权类型    标的收盘价   期权行权价   收盘中间价  10000887    20171227    2017-12-27  0.052082192 C   2.865   2.209   0.6624  10000888    20171227    2017-12-27  0.052082192 C   2.865   2.258   0.6135  10000889    20171227    2017-12-27  0.052082192 C   2.865   … Continue reading

Posted in 学术研究 | Tagged , , | 5 Comments