第9章：期权信息

9.1 期权信息的本质

将期权交易数据整合到量化投资策略中，代表了金融市场领域的一个动态前沿。期权作为金融衍生品，与标的股票有着内在联系，形成了一种共生关系，为量化因子研究和投资分析提供了独特的机会。

期权与股票之间的关系既是基础性的，也是多方面的。期权的价值来源于标的股票的价格变动，实质上是一种金融工具，赋予持有者在特定期间内（到期日）以预定价格（执行价格）买入或卖出标的资产的权利，而非义务。期权与股票之间的这种联系构成了机构投资者和散户投资者采用的众多交易策略和投资方法的基础。

量化因子研究旨在剖析和理解资产收益的潜在驱动因素，以期识别可被利用来获利的系统性模式和异象。在这种背景下，期权交易数据提供了丰富的信息来源，可以增强量化因子研究的深度和广度。通过将期权数据纳入量化模型，研究人员可以获得对市场情绪、波动性预期和潜在未来价格走势的洞察，从而增强其投资策略的预测能力。

期权数据与量化因子研究交叉的主要方式之一是通过对隐含波动率曲面的探索。隐含波动率是从布莱克-斯科尔斯-默顿等期权定价模型导出的关键参数，反映了市场对未来波动性的预期。通过分析不同执行价格和期限的隐含波动率曲面，量化研究人员可以发现有关市场情绪、风险感知和潜在错误定价的宝贵见解，从而为其投资决策提供信息。此外，我们将讨论随机过程，包括包含跳跃过程来量化跳跃的模型，这为因子的开发提供了另一条途径。

布莱克-斯科尔斯-默顿模型

布莱克-斯科尔斯-默顿模型由费希尔·布莱克、迈伦·斯科尔斯和罗伯特·C·默顿在1970年代早期开发，对金融市场产生了深远影响。他们的合作建立在保罗·萨缪尔森和罗伯特·C·默顿关于随机微积分和期权定价理论的研究基础之上。布莱克-斯科尔斯模型由费希尔·布莱克和迈伦·斯科尔斯在1973年的论文《期权与公司负债的定价》中提出（Black and Scholes 1973）。同时，罗伯特·默顿开发了一个类似的模型，并在同年的《理性期权定价理论》中展示了他的结果（Merton 1973）。默顿的贡献包括将布莱克-斯科尔斯模型扩展到包含股息以及应用连续时间金融框架。

具有讽刺意味的是，当布莱克和斯科尔斯首次提交如此强大和原创的工作时，它被认为是如此非常规，以至于被《金融学杂志》、《经济学与统计学评论》和《政治经济学杂志》拒绝。截至现在，《金融学杂志》认为这次拒绝是其最大的错误之一。直到两位非常著名的美国经济学家默顿·米勒和尤金·法玛建议《政治经济学杂志》重新审视这项工作，这篇有影响力的论文才最终于1973年在《政治经济学杂志》上发表。

该模型的影响力超越了学术界。它被世界各地的金融机构、期权交易员和市场参与者广泛采用。它为期权合约的定价提供了一个标准化的框架，实现了更有效的交易策略和风险管理实践。交易所期权交易的增长和复杂金融工具的发展，部分归功于该模型的影响。此外，该模型的引入推动了量化金融的进步以及数学模型在金融分析和决策各个领域的使用。

迈伦·斯科尔斯和罗伯特·C·默顿因其对布莱克-斯科尔斯-默顿模型发展的贡献于1997年被授予诺贝尔经济学奖。然而，需要注意的是，对该模型发展做出重大贡献的费希尔·布莱克于1995年去世，因此没有资格获得诺贝尔奖。

布莱克-斯科尔斯-默顿模型通过为期权合约定价提供标准化框架，彻底改变了期权市场。它的引入使交易员和投资者能够确定期权的公允价值，促进了更有效的交易和风险管理策略。该模型的影响在交易所期权交易的增长和衍生品市场的出现中尤其显著。

金融机构也从该模型的引入中受益。它通过为期权估值和对冲提供理论基础，影响了风险管理实践。使用布莱克-斯科尔斯-默顿模型对冲期权的能力在衍生品市场的扩张和复杂金融工具的发展中发挥了关键作用。

然而，该模型也面临批评。其假设，如恒定波动性和有效市场，在市场极端波动时期受到质疑。1987年的金融市场崩盘和2007-2008年的全球金融危机引发了人们对该模型准确捕捉现实世界风险能力的怀疑，并强调了仅依赖数学模型进行风险评估的局限性。

尽管有局限性，布莱克-斯科尔斯-默顿模型仍然是量化金融中的基础工具。它的发展、发表以及随后对金融市场的影响，在期权定价、风险管理实践和衍生品市场增长方面留下了持久的遗产。

此外，期权数据可用于开发和精炼旨在捕捉特定风险溢价和市场低效率的量化因子模型。例如，期权偏度、波动率风险溢价和期权情绪等因子已被广泛研究，并纳入量化投资策略，以提高风险调整后收益和分散投资组合暴露。

在本章中，我们探讨了期权交易数据在量化投资研究中的多种利用方式。从剖析隐含波动率曲面到开发专有因子模型，我们深入探讨了将期权数据纳入量化策略的复杂性，提供了见解和方法论，以帮助投资者驾驭金融市场的复杂性并优化其投资结果。具体来说，第9.2节提供期权基础知识和数学的简要回顾。第9.3节讨论了一些关于将期权信息作为因子的近期工作。第9.4节介绍构建跳跃因子的Q quant技术。第9.5节总结。

9.2 期权数学 – 简要回顾

金融期权（或衍生品）这个主题本身是庞大的。它涉及复杂的估值框架、随机微积分等重数学、蒙特卡洛模拟、树图和有限差分等数值算法，涉及希腊字母的交易策略，涉及校准的波动率曲面，以及几何布朗运动、局部波动率、随机波动率和随机局部波动率等波动率模型。这些都是独立的主题，因此对它们的全面处理超出了本书的范围。相反，我们冒着过度简化的风险，尝试进行简单的讨论，目的是探索可以从期权中提取用于因子投资的信息。

9.2.1 期权的本质

期权，也称为衍生品，是复杂的金融工具，其价值取决于标的资产的表现。该资产可以是多样化的，涵盖股票、固定收益证券、货币和大宗商品，为潜在策略和应用提供了广泛的领域。

期权的两种主要类型是看涨期权和看跌期权。看涨期权赋予持有者权利（但非义务）在特定到期日或之前以预定价格（执行价格）购买标的资产。另一方面，看跌期权赋予持有者在到期日之前以执行价格卖出标的资产的权利（但非义务）。获得这些权利需要支付溢价，即期权合约的成本。该溢价受多个因素影响，包括标的资产的价格、其价格波动性、到期前的剩余时间以及当前的利率。

在期权的细致格局中，我们会遇到“普通”和“奇异”期权，各有不同的特征。普通期权包括欧式期权和美式期权，代表最基本形式的期权。欧式期权的特点在于只能在到期日行权，不能提前。美式期权则更具灵活性，允许持有者在到期日之前的任何时间点（含到期日）行权，提供了更广泛的策略可能性。

相比之下，奇异期权更为复杂，包括具有更复杂特征和收益的各种非标准期权。这些可以包括具有多个触发条件、障碍或影响其估值和执行的条件的期权，为特定的对冲或投机需求提供定制解决方案，但也引入了额外的风险和复杂性。

根据其相对于标的资产当前价格的内在价值，期权的分类进一步扩展。如果期权的行权能够产生利润，则称为“价内”（ITM）；当执行价格等于标的资产市场价格时，称为“平价”（ATM）；如果行权不会带来财务收益，则称为“价外”（OTM）。

期权对投资者具有多种功能，从追求显著回报的投机性冒险到旨在降低风险的对冲策略，甚至作为产生收入流的机制。其固有的灵活性和杠杆能力使其成为现代金融市场参与者武器库中不可或缺的工具，满足全球交易员、投资者和机构实体的多样化策略。关于期权复杂性的进一步阅读，可参考Hull（2014）的专著，这是一本深入探讨当代金融中衍生证券的机制、估值和应用的综合性资源。

9.2.2 布莱克-斯科尔斯公式

由于其非线性的收益特征，对期权进行估值是复杂的。估值方法大致可分为三类：蒙特卡洛模拟、有限差分法（树图是其中的一个特例）和解析解。解析解提供闭式公式且最精确。然而，解析解仅适用于普通期权，其中最具影响力的例子是布莱克-斯科尔斯公式。

欧式看涨期权的布莱克-斯科尔斯公式为： [ C = S e^{-qT} N(d_1) - K e^{-rT} N(d_2) ] 其中 [ d_1 = \frac{\ln(S/K) + (r - q + \sigma^2/2)T}{\sigma \sqrt{T}}, \quad d_2 = d_1 - \sigma \sqrt{T} \quad (9.1) ]

在方程(9.1)中，(C) 是欧式看涨期权价格，(S) 是标的资产的当前价格（也称为现货价格），(K) 是执行价格，(r) 是连续复利无风险利率，(q) 是标的资产的连续股息（或收入）收益率，(T) 是期权的期限（以年为单位），(\sigma) 是期权的波动性（估值中的关键因素），最后 (N(\cdot)) 表示标准正态分布的累积分布函数。

类似地，对于欧式看跌期权，估值公式为： [ P = K e^{-rT} N(-d_2) - S e^{-qT} N(-d_1) ] 其中 [ N(-d_2) = 1 - N(d_2) \quad (9.2) ] 这是由正态分布的对称性决定的。图9.1使用欧式看涨和看跌期权的收益和价格提供了一个示例。在此示例中，两者的执行价格均设为100，(T=0.5)，(\sigma=20%)，并假设无风险利率和股息收益率均为0。我们将股票价格从80变化到120，并绘制价格和收益随现货价格变化的曲线。

欧式看跌和看涨期权的一个重要性质是“看跌-看涨平价”。它确立了具有相同执行价格 (K) 和到期日 (T) 的欧式看涨期权价格 (C) 与欧式看跌期权价格 (P) 之间的确定关系。该平价表明，看涨期权与看跌期权的价格之差等于执行价格现值（以无风险利率折现）与标的资产当前价格之差。形式上，看跌-看涨平价表示为： [ C - P = S - PV(K) \quad (9.3) ] 其中 (PV(K)) 代表执行价格的现值。看跌-看涨平价的精巧之处在于它能够突出看涨期权与看跌期权之间的内在联系，为期权市场内的投机策略和风险管理技术提供支持框架。这是一个在现代金融理论和实践中仍然核心的概念。

9.2.3 隐含波动率与隐含波动率曲面

虽然布莱克-斯科尔斯模型代表了期权估值的一个里程碑成就，但人们观察到，期权的市场价格常常偏离该模型建议的理论价格。值得注意的是，价外期权在市场上的定价往往高于模型的预测。因此，布莱克-斯科尔斯公式常被以一种逆向工程的方式使用。具体来说，当知道期权的市场价格（无论是看涨还是看跌）时，波动性参数 (\sigma) 被确定为使布莱克-斯科尔斯模型得出的理论价格与观察到的市场价格一致。这个过程导致从市场价格中提取出基于布莱克-斯科尔斯框架的所谓“隐含波动率”。

期权估值的基本前提是复制和对冲假设，即可以构建一个对冲投资组合使其基本上无风险。这个概念被封装在风险中性估值框架中，其中未来的金融结果使用风险中性概率（也称为Q测度）进行评估，如第1.1节所述。在布莱克-斯科尔斯公式中，执行看涨期权的概率由 (N(d_2)) 表示，而看跌期权的概率为 (N(-d_2))。由于 (d_2) 是隐含波动率 (\sigma) 的函数，这个参数可以被解释为市场对未来波动性的共识。这个视角特别有洞察力，因为它反映了市场参与者对与标的资产相关的未来风险的预期。

在期权市场中观察到一个有趣的现象是与同一标的资产相关的期权会形成一个隐含波动率曲面。该曲面因不同的执行价格和到期日而变化，展现出在值程度（通常表示为现货价格与执行价格之比）和期限（表示不同的到期日）等维度上的差异。图9.2提供了一个隐含波动率曲面的示例。

隐含波动率曲面的一个共同特征是，较低执行价格的期权通常比较高高执行价格的期权表现出更高的隐含波动率，导致隐含波动率呈向下倾斜的偏斜。更陡峭的偏斜表明较低执行价格的看跌期权具有更高的隐含波动率，反映了更高的下行风险感知。

此外，隐含波动率的期限结构（描绘不同到期日的隐含波动率）可以提供关于标的资产的有价值信息。典型的期限结构是轻微向上倾斜的，反映了在更长的时间范围内不确定性增加。相反，倒挂的期限结构可能表明市场预期将发生影响资产的重大短期事件或扰动。

9.2.4 随机微积分与伊藤引理

在对奇异期权进行估值时，由于其复杂性，解析解通常不可行，我们不得不采用数值方法。这些方法包括蒙特卡洛模拟和有限差分法，两者都深深植根于随机微积分的原理。随机微积分提供了对价格和其他金融变量随时间随机演化进行建模的框架，通常使用随机微分方程。SDEs捕捉了衍生品收益的复杂动态，纳入了路径依赖性和提前行权特征等元素。MC和FD方法致力于求解这些SDEs所描述的收益的期望值，从而能够以纯解析方法无法达到的精确度对奇异期权进行估值。

布朗运动

标准布朗运动（也称为维纳过程）是随机微积分中的一个基本概念，是现代金融理论的核心，特别是在股票价格和其他金融变量的随机行为建模中。它被定义为一个连续时间的随机过程 (W_t)，满足以下性质：

初始化：(W_0 = 0)，即过程从零开始。
独立性：对于所有 (t > 0) 和 (s \ge 0)，增量 (W_{t+s} - W_s) 是独立的。
平稳性：增量 (W_{t+s} - W_s) 服从均值为零、方差为 (t) 的正态分布，即 (W_{t+s} - W_s \sim N(0, t))。

除了这些性质，(W_t) 是连续的，但处处不可微。在数学上，标准布朗运动是当时间步长变得无穷小时随机游走过程的极限。如果我们用 (dW_t) 表示过程在无穷小时间间隔 (dt) 内的变化，那么它服从均值为零、方差为 (dt) 的正态分布。布朗运动的另一个关键性质（我们在此不给出证明）是非零的二次变分。它指出，在无穷小差分形式下，以下关系成立： [ (dW_t)^2 = dt \quad (9.4) ]

与布朗运动相关的最深刻结果之一是伊藤引理，它用于寻找随机过程函数的微分，从而引出了伊藤微积分，这是金融数学的一个组成部分。正如我们很快将看到的，布朗运动的这个非零二次变分在伊藤引理的推导中具有重要意义。

几何布朗运动

标准布朗运动不太适合作为股票价格的模型，主要有两个原因：它可能取负值（而股票价格不可能为负），并且它不能反映股票价格变动的比例性质。股票价格预期按百分比而非绝对数量变化，且股票的风险和回报通常与股票价格本身成比例。

几何布朗运动解决了这些问题，并为股票价格动态提供了一个更现实的模型。它使用一个连续时间的随机过程对股票价格建模，其中价格的百分比变化呈正态分布。具体来说，股票价格的无穷小变化率遵循一个带有漂移成分的连续扩散过程。GBM由以下SDE定义： [ \frac{dS_t}{S_t} = \mu dt + \sigma dW_t \quad (9.5) ] 其中 (S_t) 表示时间 (t) 的股票价格，(\mu) 是过程的漂移项，表示确定性增长（随时间无穷小变化）或预期收益，(\sigma) 是股票的波动性。该模型确保股票价格保持为正，因为它们以乘法而非加法方式演变。GBM还纳入了波动性与股票价格成比例缩放的关键特征。这些特性使GBM成为描述金融市场中股票价格运动时优于标准布朗运动的选择。

伊藤引理

布朗运动为人们研究股票价格提供了框架。然而，对于金融衍生品，其价格是标的资产的函数。设 (f(W_t)) 是布朗运动 (W_t) 的一个连续且光滑的函数。在金融数学中，一个重要课题是研究 (f(W_t)) 在一个无穷小时间间隔内的变化，即 (df) 的性质。正如我们很快将展示的，经典微积分在分析 (df) 时无效，但由日本数学家伊藤清提出的伊藤微积分有效地解决了这个问题，并为随机分析奠定了坚实的基础。

我们首先说明为什么经典微积分不适用。假设我们应用链式法则来求 (df)： [ df = \frac{dW_t}{dt} f'(W_t) dt \quad (9.6) ]

为了看出为什么这是错误的，回想一下 (W_t) 是不可微的，因此 (dW_t/dt) 不存在。因此，上述尝试失败。解决这个问题的一个可能方法是尝试用 (dW_t) 而不是 (dW_t/dt) 来描述 (df)。在这种情况下，我们有： [ df = f'(W_t) dW_t \quad (9.7) ]

这个新公式至少有意义，因为 (f'(W_t)) 和 (dW_t) 都可以计算。不幸的是，这也不太奏效。为了看出原因，考虑 (f(x)) 在 (x) 处的泰勒展开： [ f(x + \Delta x) - f(x) = f'(x)(\Delta x) + \frac{f''(x)}{2} (\Delta x)^2 + \frac{f'''(x)}{6} (\Delta x)^3 + \ldots \quad (9.8) ]

当 (\Delta x \to 0) 时，方程(9.8)中的主导项是第一项 (f'(x)\Delta x)，所有其他项都是更低阶的无穷小，可以忽略。因此，我们可以写 (df = f'(x)dx)。但是，对于 (x = W_t) 这是否成立？答案是否定的。对于 (x = W_t)，我们有： [ f(W_t + \Delta W_t) - f(W_t) = f'(W_t)(\Delta W_t) + \frac{f''(W_t)}{2} (\Delta W_t)^2 + \frac{f'''(W_t)}{6} (\Delta W_t)^3 + \ldots \quad (9.9) ]

同样，第一项 (f'(W_t)\Delta W_t) 仍然是主导。但其他项与它相比可以忽略吗？答案是否定的，因为 (W_t) 的非零二次变分，即 ((dW_t)^2 = dt)。由于二次变分不为零，方程(9.9)中的第二项就不再是可忽略的了。伊藤微积分本质上告诉我们，可以进行替换 ((dW_t)^2 = dt)，而其余项可忽略。因此，我们可以推导出： [ df = f'(W_t) dW_t + \frac{1}{2} f''(W_t) dt \quad (9.10) ]

方程(9.10)是伊藤引理的基本形式。推广到一般情况，假设我们给定随机过程的动态： [ dS_t = u dt + v dW_t \quad (9.11) ]

然后，通过应用伊藤引理，我们可以推导出 (S_t) 的一个二阶可微函数（比如 (f(S_t))）的动态： [ df(S_t) = u f'(S_t) dt + v f'(S_t) dW_t + \frac{1}{2} v^2 f''(S_t) dt \quad (9.12) ]

更一般地，方程(9.11)中的漂移和扩散系数 (u) 和 (v) 可以是 (S_t) 和 (t) 的函数。设 (a(S_t, t)) 和 (b(S_t, t)) 为漂移和扩散系数。那么满足以下SDE的随机过程称为伊藤漂移-扩散过程： [ dS_t = a(S_t, t) dt + b(S_t, t) dW_t \quad (9.13) ]

根据伊藤引理，在这种情况下 (df) 的表达式为： [ df = \left( \frac{\partial f}{\partial t} + a \frac{\partial f}{\partial S_t} + \frac{b^2}{2} \frac{\partial^2 f}{\partial S_t^2} \right) dt + b \frac{\partial f}{\partial S_t} dW_t \quad (9.14) ]

方程(9.14)可用于推导布莱克-斯科尔斯期权定价公式，但我们不在此书中进行推导。

在进入下一个主题之前，让我们用GBM演示一下伊藤引理的用法。假设我们已知方程(9.5)中的 (dS_t = S_t \mu dt + S_t \sigma dW_t)。现在，我们想找到 (S_t) 的对数的动态，即 (d\ln S_t)。与方程(9.11)中的一般形式相比，我们有 (u = S_t \mu)，(v = S_t \sigma)，(f'(S_t) = 1/S_t)，(f''(S_t) = -1/S_t^2)。根据伊藤引理，我们推导出： [ d\ln S_t = \mu dt + \sigma dW_t - \frac{1}{2} \sigma^2 dt = \left( \mu - \frac{\sigma^2}{2} \right) dt + \sigma dW_t \quad (9.15) ]

跳跃扩散过程

GBM假设股票价格的无穷小变化率是一个带有漂移成分的连续扩散过程。然而，股票价格通常伴随着新闻或事件而发生跳跃。让我们讨论一个更现实的随机过程 (y_t)，它具有以下跳跃扩散形式： [ dy_t = a_t dt + b_t dW_t + J_t dq_t \quad (9.16) ] 其中 (J_t) 是跳跃事件（如果发生）的跳跃大小，(q_t) 是一个计数过程，即如果有跳跃事件则 (dq_t = 1)，否则 (dq_t = 0)。对于一个二阶可微函数 (f(y_t))，带有跳跃的广义伊藤引理为： [ df(y_t) = a_t f'(y_t) dt + b_t f'(y_t) dW_t + \frac{1}{2} f''(y_t) b_t^2 dt + \left[ f(y_t) - f(y_t^-) \right] dq_t \quad (9.17) ] 在方程(9.17)中，(f(y_t)) 是跳跃发生时的值，而 (f(y_t^-)) 是跳跃发生前的值。

让我们再推导一个与第9.4节中跳跃因子分析密切相关的例子。假设对数价格过程 (y_t = \ln S_t) 具有以下形式： [ d\ln S_t = \mu_t dt + V_t^{1/2} dW_t + J_t dq_t \quad (9.18) ] 这里 (\mu_t) 是瞬时漂移，(V_t) 是与布朗运动增量 (dW_t) 相关的瞬时方差。对数股票价格过程 (d\ln S_t) 有一个平滑成分（其方差每单位时间以 (V_t) 增长）和一个跳跃成分（由 (J_t) 表示，(q_t) 是计数过程）。根据方程(9.17)，(f(y_t) = \exp(\ln S_t) = S_t)，(f'(y_t) = f''(y_t) = S_t)，当跳跃发生 (dq_t = 1) 时，(f(y_t) = \exp(\ln S_t + J_t) = S_t \exp(J_t))，(f(y_t^-) = S_t)。因此，我们有： [ dG(y_t) = dS_t = S_t \mu_t dt + S_t V_t^{1/2} dW_t + \frac{1}{2} S_t V_t dt + \left[ S_t \exp(J_t) - S_t \right] dq_t \quad (9.19) ] 除以 (S_t) 并整理包含 (dt) 的项，得到： [ \frac{dS_t}{S_t} = \left( \mu_t + \frac{V_t}{2} \right) dt + V_t^{1/2} dW_t + \left( \exp(J_t) - 1 \right) dq_t \quad (9.20) ] 我们将在讨论跳跃因子时使用这个结果。

9.2.5 VIX指数

VIX指数，也称为“恐慌指数”，是美国股票市场中广泛跟踪的市场情绪和波动性指标。理解VIX指数的构建及其对因子投资的意义，对于寻求衡量市场风险并将波动性信号纳入其投资策略的量化分析师和投资者至关重要。

VIX指数由芝加哥期权交易所计算，基于标普500指数期权的价格。具体来说，它代表了市场对未来30天波动性的预期。VIX指数使用一个公式构建，该公式对不同的标普500期权进行加权以估计预期波动性。它从看跌期权和看涨期权的价格中推导出来，并作为隐含波动率的加权平均值计算。

VIX指数是市场情绪的宝贵指标。VIX水平高意味着投资者恐慌或不确定性加剧，而水平低则表示自满或信心。因子模型可以将VIX作为情绪因子纳入，以相应调整投资组合配置。

将VIX信息纳入因子投资，为市场情绪、风险动态和波动性模式提供了宝贵的见解。通过理解VIX指数的构建并有效利用其信号，量化分析师和投资者可以增强其投资策略，提高风险调整后回报，并以更大的信心应对动荡的市场条件。

9.3 期权信息作为因子

9.3.1 关键期权信息

在第3章中，我们探讨了主要从历史定价数据中提取的波动性因子。尽管如此，期权市场领域展现了丰富的前瞻性信息，这些信息有潜力增强量化因子模型并改进投资策略。期权市场不仅仅是关于波动性；它们揭示了市场情绪的各层面，突显了风险的动态，并捕捉了经济不确定性的图景。这些洞察可以为投资者在复杂的金融环境中航行提供战略优势。

隐含波动率：如第9.2.3节所述，从期权价格推导出的隐含波动率概括了市场对未来波动性的预期。它是期权定价模型的关键输入，并反映了交易员对未来市场走势的共识观点。
期权成交量与未平仓合约：期权成交量和未平仓合约是市场活动和流动性的关键指标。这些数字的激增标志着市场参与度大大提高，可能指明了投资者关注的领域或表明广泛的套期保值活动。未平仓合约、成交量和价格动态之间的联系已成为广泛实证研究的主题，研究表明它们与未来价格变动相关（例如，Pan and Poteshman 2006）。
波动率偏斜：通过不同执行价格下隐含波动率的变化观察到的波动率偏斜，提供了市场对潜在下行或上行风险认知的洞察。偏斜模式可以为交易策略提供信息，特别是在对冲极端市场事件方面。
期权希腊字母：“希腊字母”，如Delta、Gamma和Theta，表示期权价格对各种因素的敏感性，包括标的资产的价格变动、波动率变化和时间的流逝。掌握这些衍生品对于制定对冲策略和动态管理投资组合风险是不可或缺的。它们帮助交易员和投资者理解基础变量的变化如何影响期权的价格和行为。五个主要的期权希腊字母是Delta、Gamma、Theta、Vega和Rho。让我们分别探讨它们：

Delta (Δ)：Delta度量期权价格对标的资产价格变化的敏感性。它表示标的资产价格每变动一个单位时期权价格的变化。看涨期权的Delta在0到1之间，看跌期权的Delta在-1到0之间。Delta为0.5意味着标的资产价格每上涨1美元，期权价格上涨0.50美元（对于看涨期权）或下跌0.50美元（对于看跌期权）。
Gamma (Γ)：Gamma度量期权的Delta随标的资产价格变化的变动率。它代表了Delta的曲率。Gamma在平价期权中最高，并随着期权进一步进入价内或价外而降低。较高的Gamma意味着期权的Delta对标的资产价格的变化更敏感。
Theta (Θ)：Theta度量期权价格因时间流逝而产生的变动率。它量化了期权价值随到期日临近的时间衰减或侵蚀。Theta通常为负，意味着在其他因素不变的情况下，期权随时间流逝而贬值。随着到期日临近，Theta加速，特别是对于平价或接近平价的期权。
Vega (ν)：Vega度量期权价格对标的资产隐含波动率变化的敏感性。它表示了市场对未来波动性预期的变化对期权价格的影响。较高的Vega意味着期权价格对隐含波动率的变化更敏感。Vega对于评估波动率变化对期权价格的影响至关重要。
Rho (ρ)：Rho度量期权价格对无风险利率变化的敏感性。它量化了利率变化对期权价格的影响。Rho通常对长期期权更相关。正的Rho表示期权价格随利率上升而增加，而负的Rho表示期权价格随利率上升而下降。

总的来说，这些从期权衍生的度量提供了对市场未来方向的多维视角。当与传统的金融分析相结合时，它们可以增强投资策略的稳健性。随着金融格局的演变，在战略规划中利用期权数据已不再是一个新颖的概念，而是在市场不确定性下做出明智决策的必要条件。

9.3.2 方差风险溢价

除了传统的波动性度量，期权数据可以有效地作为经济不确定性的代理。Bali和Zhou（2016）提出的方差风险溢价（VRP），通过比较期权隐含方差与已实现方差来捕捉未被观察到的经济不确定性。VRP已被证明与股票投资组合中的显著风险溢价相关，突显了其在风险管理和资产配置决策中的重要性。

Bali和Zhou（2016）将风险中性测度下的预期方差定义为月度VIX，即 (VIX^2/12)。在客观测度下，日度已实现方差计算为 (\sum_{i=1}^{78} r_i^2)，其中 (r_i) 是5分钟对数收益，包括从上午9:30到下午4:00的78个日内5分钟收益，以及收盘到开盘的间隔。时间 (t) 的月度VRP定义为期权隐含方差与已实现方差在 ([t, t+1]) 时间区间内的统计期望值之差。

他们基于规模、账面市值比、动量和行业投资组合的实证结果表明，股票投资组合与市场及不确定性的条件协方差预测了股票收益的时间序列和横截面变化。具体来说，与用VRP代理的经济不确定性高度相关的股票投资组合，相对于与VRP相关性最小的投资组合，具有显著的8%年化溢价。

9.3.3 波动率风险溢价

González-Urteaga和Rubio（2016）在投资组合层面分析了波动率风险溢价的横截面变化。他们为每只股票定义的30天期限的波动率风险溢价，是相应的已实现波动率与Britten-Jones和Neuberger（2000）以及Jiang和Tian（2005）扩展的无模型隐含波动率（MFIV）之间的差值。

特别地，资产 (i) 在区间 ([t, t+\tau]) 上的MFIV通过对执行价格 (K) 的连续积分计算： [ MFIV_{t,t+\tau}^i = 2 \int_0^{\infty} \frac{C_{t,t+\tau}^i(K) - \max\left( \frac{S_t^i}{B_{t,t+\tau}} - K, 0 \right)}{K^2} dK \quad (9.21) ] 其中 (C_{t,t+\tau}^i(K)) 是时间 (t) 时具有到期日 (\tau)、执行价 (K) 的看涨期权价格，(B(t, t+\tau)) 是在时间 (t) 时购买的在 (t+\tau) 时支付1美元的零息债券的价格，(S_t^i) 是资产 (i) 在时间 (t) 的现货价格减去在期权到期前将支付的所有预期未来股息的现值。

在另一项研究中，Baltussen、Bekkum和Grient（2018）将关于风险的不确定性度量定义为预期波动率的波动率（vol-of-vol），并发现在风险方面具有高不确定性（高vol-of-vol）的股票显著表现不如具有低不确定性的股票。股票 (i) 在第 (t) 天的vol-of-vol仅是隐含波动率的滚动20天标准差除以平均隐含波动率： [ VOV_{i,t} = \frac{ \sqrt{ \frac{1}{20} \sum_{j=t-19}^{t} (\sigma_{i,j}^{IV} - \bar{\sigma}{i,t}^{IV})^2 } }{ \bar{\sigma}{i,t}^{IV} } \quad (9.22) ] 其中 (\bar{\sigma}{i,t}^{IV} = \frac{1}{20} \sum{j=t-19}^{t} \sigma_{i,j}^{IV})，(\sigma_{i,j}^{IV}) 是第 (j) 天的隐含波动率。

此外，Huang等人（2019）也表明，vol-of-vol是超越波动性本身的一个显著风险因子。波动率和vol-of-vol指数（分别为VIX和VVIX）仅微弱相关。VIX期权的回报平均为负，并且对于更暴露于波动率和vol-of-vol风险的策略，负回报更大。此外，波动率和vol-of-vol负向预测未来的期权回报（delta-hedged），表明波动率和vol-of-vol被联合定价且具有负的风险溢价。

9.4 跳跃因子

如前所述，股票价格过程可以描述为一个带有跳跃的连续过程。不连续性或跳跃带来了一种应该得到补偿的风险。在本节中，我们讨论跳跃因子，并重点介绍一些关于如何度量它们的最新工作。

9.4.1 方差互换

为了便于讨论跳跃因子，我们首先介绍方差互换的概念。方差互换是一种关于标的资产未来已实现方差的远期合约。它允许投资者直接获得对未来波动性水平（方差的平方根）的暴露。方差互换的收益为： [ (\sigma_R^2 - K_{var}) \cdot N \quad (9.23) ] 其中 (\sigma_R^2) 是合约期内标的资产的已实现方差（按年化报价），(K_{var}) 是方差执行价，其值被确定为使方差互换在开始时价值为零。(N) 是互换的名义金额。

Demeterfi等人（1999）证明，方差互换可以被估值为一连串执行价为 (K)、权重为 (1/K^2) 的看跌期权（(K) 从零到远期价值）与一连串执行价为 (K)、权重为 (1/K^2) 的看涨期权（(K) 从远期价值到无穷大）之和。由于我们知道股票市场通常具有波动率偏斜，即价外看跌期权的隐含波动率高于价外看涨期权，因此得出的方差互换执行价应高于平价（ATM）隐含方差。在开始时，方差互换的价值为零。随着时间的流逝，方差互换的价值将根据已实现方差 (\sigma_R^2) 而高于或低于零。

9.4.2 日内与隔夜跳跃

Jiang和Zhu（2017）发现，具有高日内跳跃回报的股票在接下来的一个交易日和三个交易日中，比具有低日内跳跃回报的股票获得更高的回报。为了检查是否存在日内或隔夜跳跃，他们应用了Jiang和Oomen（2008）提出的方差互换跳跃检验，这是一个从方差互换定价中借鉴的概念。

假设股票价格的瞬时（对数）变化遵循一个跳跃扩散过程，即 (d\ln S_t = \mu_t dt + V_t^{1/2} dW_t + J_t dq_t)。根据伊藤引理，我们有 (dS_t/S_t = (\mu_t + V_t/2) dt + V_t^{1/2} dW_t + (\exp(J_t)-1) dq_t)。从 (dS_t/S_t) 中减去 (d\ln S_t) 并从0到 (T) 积分，得到： [ 2 \int_0^T \left( \frac{dS_t}{S_t} - d\ln S_t \right) = \int_0^T V_t dt + 2 \int_0^T \left[ e^{J_t} - 1 - J_t \right] dq_t \quad (9.24) ] 这里，(V_{0:T} = \int_0^T V_t dt) 是已实现方差，构成了跳跃检验的基础。

在没有跳跃的情况下，简单回报与对数回报之差反映了瞬时回报方差的一半（方差互换的执行价）。设 ({S_{t_0}, S_{t_1}, \ldots, S_{t_N}}) 是在区间 ([0, T]) 内观测到的股票价格，其中 (t_0=0, t_N=T)。已实现方差（(V_{0:T}) 的离散化形式）定义为： [ RV_N = \sum_{i=1}^N r_i^2 \quad (9.25) ] 其中 (r_{t_i} = \ln(S_{t_i}/S_{t_{i-1}})) 是连续复利对数回报。方程(9.24)左侧的方差互换在离散化版本中定义为： [ SWV_N = 2 \sum_{i=1}^N (R_i - r_i) = 2 \sum_{i=1}^N R_i - 2 \ln\left( \frac{S_T}{S_0} \right) \quad (9.26) ] 其中 (R_{t_i} = (S_{t_i} - S_{t_{i-1}})/S_{t_{i-1}}) 是简单回报。

假设在 ([0, T]) 期间没有跳跃发生，在原假设下我们预期 (SWV_N - RV_N) 应接近于零。为了检验该假设，Jiang和Oomen（2008）表明： [ \frac{ \sqrt{N} (SWV_N - RV_N) }{ \sigma_{SWV} } \xrightarrow{d} N(0, 1) \quad (9.27) ] 其中 (\sigma_{SWV}) 的样本估计量为： [ \hat{\sigma}{SWV} = \frac{1}{9} \mu_6 \frac{N^3 \mu_p^{-6/p}}{N-p+1} \sum{i=0}^{N-p} \left( \sum_{k=1}^p |r_{i+k}|^{6/p} \right)^{p/6}, \quad \text{取 } p=6 \quad (9.28) ] 这里 (\mu_p = 2^{p/2} \Gamma\left(\frac{p+1}{2}\right)/\sqrt{\pi})。

上述检验可以使用滚动窗口（比如三个月）的日度回报观测值进行。设 ({r_{t_1}, r_{t_2}, \ldots, r_{t_N}}) 为区间 ([t_1, t_N]) 内的日度回报。顺序跳跃识别过程描述如下：

步骤1：假设我们使用一个三个月窗口 ([t_1, t_N]) 的回报观测值进行了跳跃检验。如果跳跃检验不拒绝无跳跃的零假设，则移动到下一个三个月窗口；否则，记录跳跃检验统计量 (JS_0)（方程(9.19)）并继续步骤2。
步骤2：将每个日度回报替换为样本的中位数（记为 (r_{median})），并对该序列进行跳跃检验。例如，当第 (i) 天的回报被替换时，我们对序列 ({r_{t_1}, \ldots, r_{t_{i-1}}, r_{median}, r_{t_{i+1}}, \ldots, r_{t_N}}) 进行跳跃检验，并记录检验统计量 (JS_i)，(i=1,\ldots,N)。
步骤3：构造序列 (JS_0 - JS_i)，(i=1,\ldots,N)。然后，如果某一天 (j) 的 (JS_0 - JS_j) 值在所有天数中最大，则该日的股票价格变化被识别为一次跳跃。
步骤4：将识别出的跳跃观测值替换为 (r_{median})，并用新的股票回报样本从步骤1重新开始。

该过程持续进行，直到所有股票的所有跳跃都被识别出来。

9.4.3 特质跳跃

上一节提到的方差互换跳跃检验的优点是无模型的，即该检验不依赖于任何模型假设。还有其他工作试图沿着因子模型文献中系统性与特质性风险的思路，识别所谓的特质性跳跃。

Kapadia和Zekhnini（2019）构建了一个带有模型假设的特质性跳跃版本，并发现一个基于预测跳跃概率的多空投资组合，相对于由Fama-French三因子以及动量因子组成的因子定价模型，获得了显著的平均超额收益和alpha。特质性跳跃的构建基于以下步骤：

步骤1：对于每个交易日 (t)，使用从 (t-150) 到 (t-31) 的120个交易日的滚动窗口，对每只股票 (i) 进行回归： [ r_{it} = \alpha_i + B_i F_t + \varepsilon_{it} \quad (9.29) ] 其中 (F_t) 是一个因子向量，例如，Fama-French三因子加上动量因子。

使用估计的因子载荷 (\hat{B})，特质性回报定义为： [ r_{it}^{idio} = r_{it} - \hat{B}_{i,t} F_t \quad (9.30) ] 为了避免估计中异常值的影响，Kapadia和Zekhnini（2019）在5%和95%的水平上对因子载荷进行了缩尾处理。
步骤2：基于指数加权移动平均模型（(\lambda = 0.94)）计算第 (t) 天的条件波动率： [ \sigma_{i,t} = \sqrt{ (1-\lambda) \sum_{s=1}^{t-1} \lambda^{s} \left( r_{i,t-s}^{idio} \right)^2 } \quad (9.31) ]
步骤3：通过指示变量 (J_{it}) 将第 (t) 天归类为股票 (i) 的跳跃日： [ J_{it} = \begin{cases} 1 & \text{if } \frac{|r_{i,t}^{idio}|}{\sigma_{i,t}} > 3 \ 0 & \text{otherwise} \end{cases} \quad (9.32) ]

特质性比率 (\frac{|r_{i,t}^{idio}|}{\sigma_{i,t}}) 非常符合因子的定义（从业界视角），而指示变量可以用作离散因子。

在他们的实证分析中，作者证明了特质性跳跃在解释股票收益的横截面方面起着至关重要的作用。基于事前预测，一个购买高预测跳跃概率股票并卖出低预测跳跃概率股票的市值加权投资组合，获得了9.4%的年化平均回报，对应的四因子alpha为8.1%。基于事后，一只典型股票的年平均回报集中在其价格跳跃的四天。当套利限制更大时，该策略的回报更高。这些发现与投资者通常厌恶与股票价格特质性跳跃相关的风险的观点一致。

9.5 结论

在本章中，我们踏上了探索期权数据及其在因子投资中应用的旅程。我们浏览了期权的复杂数学，探索了定价模型、波动率曲面、随机过程，以及像伊藤引理和方差互换定价这样的高级概念。通过理解期权的本质及其固有的前瞻性特征，我们发现了可以增强传统因子模型的宝贵见解。

通过跳跃扩散过程和方差互换定价等方法，我们阐明了将股票收益分解为连续成分和跳跃成分的过程，揭示了促成市场动态的隐藏因子。此外，我们介绍了用于捕捉特质性跳跃的无模型和基于模型的方法，为因子提取和解释提供了多样化的视角。

展望未来，因子投资的未来在于接受前瞻性信息，而期权提供了一个肥沃的探索领域。期权价格中蕴含的共识预期在因子投资领域中仍未得到充分利用，这为提高预测能力和精炼投资策略提供了一个未被发掘的机会。随着我们更深入地研究期权数据的复杂性，挑战在于设计创新的方法以提取可操作的见解，并将其转化为有效的投资策略。

参考文献

Bali, T. G. and H. Zhou (2016). 风险、不确定性与预期收益. Journal of Financial and Quantitative Analysis 51(3), 707–735.

Baltussen, G., V. Bekkum, and B. Grient (2018). 未知的未知：关于风险的不确定性与股票收益. Journal of Financial and Quantitative Analysis 53(4), 1615–1651.

Black F. and M. Scholes (1973). 期权与公司负债的定价. Journal of Political Economy 81(3), 637–654.

Britten-Jones, M. and A. Neuberger (2000). 期权价格、隐含价格过程与随机波动性. Journal of Finance 55(2), 839–866.

Demeterfi, K., E. Derman, M. Kamal, and J. Zou (1999). 关于波动率互换你所想知道的更多. 高盛：量化策略研究笔记.

González-Urteaga, A. and G. Rubio (2016). 波动率风险溢价的横截面变化. Journal of Financial Economics 119(2), 353–370.

Huang, D., C. Schlag, I. Shaliastovich, and J. Thimme (2019). 波动率中的波动率风险. Journal of Financial and Quantitative Analysis 54(6), 2432–2452.

Hull, J. C. (2014). 期权、期货与其他衍生品 (第9版). Pearson.

Jiang, G. J. and R. C. Oomen (2008). 当资产价格观测带有噪声时检验跳跃——“互换方差”方法. Journal of Econometrics 144(2), 352–370.

Jiang, G. J. and Y. S. Tian (2005). 无模型隐含波动率及其信息含量. Review of Financial Studies 18(4), 1305–1342.

Jiang, G. J. and K. X. Zhu (2017). 信息冲击与短期市场反应不足. Journal of Financial Economics 124(1), 43–64.

Kapadia, N. and M. Zekhnini (2019). 特质性跳跃重要吗？ Journal of Financial Economics 131(3), 666–692.

Merton, R. C. (1973). 理性期权定价理论. The Bell Journal of Economics and Management Science 4(1), 141–183.

Pan, J. and A. M. Poteshman (2006). 期权成交量中的未来股票价格信息. Review of Financial Studies 19(3), 871–908.