如何获取期权市场数据快照

来源：https://uqer.io/community/share/550274e4f9f06c7a9ae9a535

在本文中，我们将通过实际的市场的例子，展示如何在量化实验室中计算和展示期权的隐含波动率微笑。

import pandas as pd
from matplotlib import pylab
pd.options.display.float_format = '{:,>.4f}'.format

1. 获取市场数据

在本节中，我们使用数据API获取数据，并进行一些必要的数据转换。这里我们获取的是实时报价，是本 notebook 运行时的市场快照。

• dataDate 交易日
• dataTime 快照时间戳
• optionId 期权代码
• instrumentID 期权交易代码
• contractType 期权类型，CO为看着，PO为看跌
• strikePrice 行权价
• expDate 到期日
• lastPrice 最新价

optionSnapShot = OptionsDataSnapShot()
optionSnapShot[optionSnapShot.expDate == Date(2015,9,23)]

2. 计算隐含波动率以及相关Greeks

接着我们可以方便的使用内置函数 BSMImpliedVolatity 计算期权的隐含波动率。

• price 市场报价或者模型价格
• delta 期权价格关于标的价格的一阶导数
• gamma 期权价格关于标的价格的二阶导数
• rho 期权价格关于无风险利率的一阶导数
• theta 期权价格关于到期时间的一阶导数（每日）
• vega 期权价格关于波动率的一阶导数

analyticResult = OptionsAnalyticResult()
analyticResult.loc[:10, ['optionId', 'contractType', 'strikePrice', 'expDate', 'lastPrice', 'vol', 'delta', 'gamma', 'rho', 'theta', 'vega']]

3. 构造波动率曲面

但是对于市场参与者而言，像刚才这样仅仅观察的线的结构不够。他们需要看到整个市场以到期时间，行权价为轴的波动率曲面（Volatility Surface）。除此之外，他们更想知道，波动率曲面上，那些并不是市场报价点的值，至少是个估计。这样的波动率曲面构造，往往需要依赖某种模型，或者某种插值方法。在这一节中，我们将介绍使用 CAL 中的波动率曲面构造函数。

以下的例子基于 CAL 函数: VolatilitySurfaceSnapShot

3.1 基于SABR模型的波动率曲面

volInterpolatorSABR = VolatilitySurfaceSnapShot(optionType = 'CALL', interpType = 'SABR')
volInterpolatorSABR.plotSurface(startStrike = 2.2,endStrike = 2.6)
volInterpolatorSABR.volalitltyProfileFromPeriods([2.2, 2.3, 2.4, 2.5, 2.6], ['1M', '2M', '3M', '6M', '9M'])

3.2 基于SVI模型的波动率曲面

volInterpolatorSVI = VolatilitySurfaceSnapShot(optionType = 'CALL', interpType = 'SVI')
volInterpolatorSVI.plotSurface(startStrike = 2.2,endStrike = 2.6)
volInterpolatorSVI.volalitltyProfileFromPeriods([2.2, 2.3, 2.4, 2.5, 2.6], ['1M', '2M', '3M', '6M', '9M'])

3.3 基于Balck波动率插值的波动率曲面

volInterpolatorVariance = VolatilitySurfaceSnapShot(optionType = 'CALL', interpType = 'BlackVariance')
volInterpolatorVariance.plotSurface(startStrike = 2.2,endStrike = 2.6)
volInterpolatorVariance.volalitltyProfileFromPeriods([2.2, 2.3, 2.4, 2.5, 2.6], ['1M', '2M', '3M', '6M', '9M'])

4. 组合计算

在本节中，我们假设客户已经拥有了自己的期权头寸，希望利用量化实验室的功能进行风险监控。我们假设有以下的期权头寸：

然后我们构造 OptionBook:

optionIDs = ['10000011', '10000027', '10000004', '10000047']
amounts = [2000, 5000, -7000, 3000]
optBook = OptionBook(optionIDs, amounts)
print u'期权头寸：'
optBook.description()

期权头寸：

4.1 使用Black插值模型计算组合风险

optBook.riskReport(volInterpolatorVariance)

4.2 使用SABR模型组合风险

optBook.riskReport(volInterpolatorSABR)

4.3 使用SVI模型组合风险

optBook.riskReport(volInterpolatorSVI)

5 比较不同模型的拟合市场数据的能力

这里我们比较不同的模型，对于市场数据的拟合能力。这里我们可以观察到单论你和能力 BlackVarianceSurface > SviCalibratedVolSruface > SABRCalibratedVolSruface。这里我们并不想下这样的结论：这些模型的优劣也有相同的排序。

另一个我们可以观察到的现象，对于近月合约（流动性最好），波动率微笑是最规则的。在这个期限上，三种模型的拟合都很到位。随着期限的上升，流动性的下降，买卖价差也随之扩大。这时候波动率微笑变得愈发不规则，这个时候一个完美拟合至市场的模型是否必要，是一个很大的问题：如果市场报价并不理性，一个优秀的模型应该可以指出这种不合理点，而不是简单的接受市场的非理性。

from matplotlib import pylab

strikes = sorted(analyticResult['strikePrice'].unique())
expiries = [Date(2015,3,25),Date(2015,4,25),Date(2015,6,25),Date(2015,9,25)]
maturity = [(date - EvaluationDate())/ 365.0 for date in expiries]
volSurfaces = [volInterpolatorSABR, volInterpolatorSVI]

def plotModelFitting(index, volSurfaces, legends = ['Market Quote', 'SABR', 'SVI']):
    # Using Black variance surface to extrace the rar wolatility
    data = volInterpolatorVariance.volatility(strikes, maturity[index], True)
    pylab.plot(strikes, data, 'r+-.',  markersize = 8)
    for s in volSurfaces:
        data = s.volatility(strikes, maturity[index], True)
        pylab.plot(strikes, data)
    pylab.xlabel('Strike')
    pylab.ylabel('Volatility')
    pylab.legend(legends, loc = 'best', fontsize = 12)
    pylab.title(u'行权结算日: ' + str(expiries[index]), fontproperties = font, fontsize = 20)
    pylab.grid(True)

pylab.subplots(2,2, figsize = (16,14))
for i in range(1,5):
    pylab.subplot('22' + str(i))
    plotModelFitting(i-1, volSurfaces)