Question

版本：1.0

作者：李丞

联系：[email protected]

在本篇中，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。

数据准备

用户的期权头寸数据保存在期权头寸.csv文件中(请点击链接下载），样例如下：

optionData = pd.read_csv(u'期权头寸.csv', encoding='gbk', parse_dates = [3], dtype = {u'代码':str})
pd.options.display.float_format = '{:,.2f}'.format
print(optionData)

       代码 方向  行权价       到期时间    头寸
0  000001  C 2.20 2015-02-19  1000
1  000002  C 2.10 2015-02-19  -500
2  000003  P 1.90 2015-03-19  1000
3  000004  P 1.80 2015-03-19  -500

计算方法

这里我们简单展示如何用内置函数，方便的计算基于Black-Scholes模型的价格以及风险值：

def processOptionBook(optionData):

    # 由于我们现在还无法获取市场数据，制作一些假的市场数据数据
    # 例如波动率水平，利率水平
    vol = 0.3 * np.random.random(len(optionData)) + 0.2
    spot = 2.0
    riskFree = 0.04
    dividend = 0.0
    evaluationDate = Date.todaysDate()

    # 根据用户的输入计算期权的价格以及各种greeks
    t2m = (optionData[u'到期时间'].apply(lambda x:Date(x.year,x.month,x.day)) - evaluationDate)/ 365.0
    optionType = optionData[u'方向'].apply(lambda x: x=='C' and 1 or -1)
    strike = optionData[u'行权价']

    calculateResult = BSMPrice(optionType,strike,spot,riskFree,dividend, vol,t2m)

    # 整理数据
    calculateResult = calculateResult.multiply(optionData[u'头寸'].values, axis = 0)
    calculateResult.index = optionData[u'代码']
    portfolio = pd.DataFrame(dict(np.sum(calculateResult)), index = ['portfolio'])
    calculateResult = calculateResult.append(portfolio)
    calculateResult.index.name = u'代码'
    calculateResult = calculateResult.reindex_axis(['price', 'delta', 'gamma', 'rho', 'theta', 'vega'], axis = 1)

    return calculateResult

res= processOptionBook(optionData)
print(res)

          price   delta     gamma    rho   theta   vega
代码                                                     
000001    27.36  222.15  1,317.92  26.27 -550.43 149.48
000002    -5.13  -94.07 -1,326.48 -11.53  116.11 -67.71
000003    24.81 -238.18  1,822.42 -70.03 -168.14 231.44
000004    -8.43   71.48   -514.95  21.15   82.48 -84.38
portfolio 38.62  -38.62  1,298.91 -34.13 -519.98 228.84