知识库

本文概述一种两阶段方法，用于提取 S&P 500 跨式期权研究所需的源观测值。第一阶段根据距到期日天数、绝对 Delta、隐含波动率收敛、最低报价要求和相对买卖价差，筛选出接近平值的候选看涨与看跌期权合约。所选合约以代码、行权价和到期日表示。第二阶段保留这些合约整个生命周期内的每个日度观测，以支持分析同一合约的退出价格和每日 Delta 对冲。…

本文评估交易成本如何改变一个先前选定的 S&P 500 股票与期权配置的验证表现。它将单边费用设为交易金额的一定比例进行扫描，并与按股收取的固定佣金和半个买卖价差进行比较。这些成本维度代表不同假设，不能视为等同。曲线上标出了设定的单边费用；由于进场和出场都产生费用，相应的往返费用是其两倍。…

本笔记将 TabM（一种权重共享神经网络集成模型）应用于由股票期权特征构建的股票收益目标。其成员共享一个两层网络主干，但分别使用激活缩放向量和输出头，并对预测结果取平均。这样，模型可以组合彼此相关的曲面指标，而不必像树模型每次分裂时那样只选一个指标，同时参数量增幅小于使用多个独立网络。配置同时改变隐藏层宽度和集成规模，因此无法区分二者各自的影响。…

本笔记声明并运行一项双重机器学习分析，研究方差风险溢价对到期时 S&P 500 期权收益的影响。执行前，笔记会展示估计目标、观测时点、混杂因素、时间交叉验证设置、辅助模型、HAC 协方差设计和安慰剂反证方法。使用预览模式时，只有指定预览缩减方案后才会运行解析后的请求；笔记还会检查结果是否完整并符合计划中的身份标识。 笔记还记录了安慰剂比较方法的变更：现在比较 HAC t…

本文解释了为什么每日恒定期限期权序列并不等同于实际持仓的收益序列。它先筛选通过流动性、期限、波动率估计和 Delta 条件的同执行价、同到期日看涨期权与看跌期权，再按候选跨式组合与目标期限和 Delta 的接近程度排序。由于每天独立重复筛选，到期日变化可能重置已累积的时间衰减，并制造出实际上没有任何持有合约赚取的表面收益。…

本笔记将 TabM 神经网络拟合至标普 500 期权空头跨式策略收益目标，并在与线性和提升方法相同的特征面板上比较三种模型容量。TabM 在集成成员之间共享神经网络骨干，同时通过学习得到的成员专属缩放向量和输出层生成不同预测，再对其取平均。研究采用滚动折，仅在训练行上拟合预处理，并在预定训练检查点生成验证集预测。…

本笔记演示欧式看涨期权空头的深度对冲。它模拟几何布朗运动路径，以 Black–Scholes Delta 对冲为基准，并训练半循环神经网络选择标的资产仓位，以最小化针对期末损失的条件风险价值目标。开仓、调仓和结束对冲时均计入交易成本，因此学习策略和基准遵循相同的交易成本规则。分析还考察网络在仓位接近 Delta 基准时是否减少交易。 示例将尾部风险与均值和离散程度一并比较，因为优化损失尾部可能改变分布中其他部分的结果。笔记提醒，证据来自单一模拟市场设置：一种期权规格、恒定波动率的 GBM…

本笔记评估标普 500 股票和期权配置的仓位级控制，将固定止损、移动止损和时间退出分别与各自策略未加覆盖规则的基准进行比较。笔记使用验证集夏普比率选择符合条件的策略谱系，再评估各项预先声明的覆盖规则是否改变验证集夏普比率和回撤。夏普差异采用配对分块自助法区间，以区分改进证据与单纯的点估计排名。…

本笔记评估期权市场指标能否对不同股票的未来收益进行排序。笔记使用期权衍生特征拟合已声明的线性模型，采用滚动验证，并比较岭回归、套索回归和弹性网络的惩罚强度。特征集包括各期限的隐含波动率、波动率偏斜、期限结构斜率和方差风险溢价等指标。正则化用于处理相关特征之间的冗余；套索回归和弹性网络还可以将部分系数缩减为零。…

本研究考察期权市场数据能否对未来股票收益进行排序。特征包括不同期限的隐含波动率、看跌看涨偏斜、期限结构斜率和方差风险溢价。由于许多指标以多个相互重叠的形式表示，研究比较了广泛的正则化强度下的线性模型：岭回归会收缩相关系数，而套索回归和弹性网络还可以移除特征。滚动验证对声明的模型配置进行拟合，并在匹配的股票、日期和数据折上生成预测。…

本笔记通过已登记且覆盖完整的候选项重建其验证配置，评估一个选定的标普 500 股票与期权策略。笔记追踪从等权基准到资产配置、风险控制和成本敏感性的筛选过程，再读取由独立预测和回测阶段产生的留出结果。它分别考察各项诊断：阶段推进、风险变化的配对不确定性、成本后的表现，以及对尝试多种配置所作的调整。…

本笔记使用已登记的回测和固定选择流程评估每周 S&P 500期权跨式策略。应用流动性标的范围限制后，从注册表中确定所选配置；随后评估验证集和留出集结果，不使用留出集选择策略。回测使用每日 Delta 对冲、到期结算，以及每条期权腿和对冲交易的价差成本。报告指标包括区块自助法置信区间，并使用配对比较评估留出集表现衰减及其与等权基准的差异。…

本案例研究使用正则化线性模型拟合持有至到期的平值卖出跨式策略收益。由于权利金收入限制了收益上限，而亏损可能无限扩大，少数严重亏损会主导平方误差回归目标。本笔记比较不同惩罚强度下的岭回归、Lasso 和 ElasticNet，并使用仓位和波动率曲面特征，例如期权希腊值、隐含与已实现波动率、方差风险溢价、价差和行权价距离。…

这篇配置说明区分了会出现在回测身份标识中的设置，以及实际影响模拟交易成本的设置。在所述案例中，所有已登记运行都采用向量化的持有至到期路径。配置中的执行价格、佣金率和滑点率字段并未传入该路径；报价侧成交则属于事件驱动经纪商，而向量化运行并未构建该经纪商。配置仍保留这些设置，因为删除它们会改变现有运行的哈希身份标识。…

本笔记将 PatchTST 作为标普 500 期权序列模型集合中的一员进行拟合。PatchTST 将回看窗口划分为固定大小的片段，将其嵌入为词元，并通过注意力学习历史不同部分之间的关系。笔记将它与 LSTM 进行对比；后者按顺序处理各交易时段并传递状态。注意力机制可以直接连接窗口中的远距离部分并并行处理整个窗口，但它依赖学习得到的位置信息，且参数更多。…

本文介绍一项标普 500 期权研究中的 LSTM 序列模型。不同于依赖人工构造特征概括标的历史的横截面模型，LSTM 接收按时间排序的窗口，并学习序列中哪些部分重要。它的门控机制会在回看区间中传递信息，但额外的灵活性也增加了拟合噪声的风险，尤其是在期权数据集有限时。采用该模型是为了检验序列顺序是否能提供基于特征的梯度提升模型之外的信息，而非预设深度学习必然胜过后者。 训练流程通过统一预设固定架构、遵守时间折边界，并按既定计划发布检查点，以便在后续阶段选模。由于 CPU 和 GPU…

本笔记推导欧式看涨期权和看跌期权的 Black-Scholes 定价，检验看涨看跌平价，并使用 Brent 求根法计算隐含波动率。还定义 Delta、Gamma、Vega、Theta 和 Rho，并用图表展示期权敏感度如何随实值程度和到期时间变化。希腊值被视为用于对冲和理解风险敞口的局部指标；隐含波动率则是使模型价格与观察到的期权价格相匹配的波动率输入。…

本笔记介绍一种用于标普 500 股票和期权研究的分块变换器，用于序列预测。它将时间窗口划分为连续数据块，并将每块表示为一个词元，使注意力机制能够直接比较窗口中相距较远的部分，同时处理更短的序列。块大小决定分辨率取舍：较大的数据块可缩短序列，但会在注意力机制逐个检查观测值之前将更多观测组合起来。…

本章将强化学习定位为一种序列控制工具，并将其与监督式预测区分开来。重点是行动会影响后续结果且奖励相对具体的任务：交易执行、做市和衍生品对冲。内容还讨论如何将这些问题映射为部分可观测决策过程、如何在基于价值的方法和演员评论家方法之间选择，以及如何将学习策略与既有执行计划或对冲基准进行比较。 案例研究包括模拟执行比较、加密货币永续期货重放、考虑库存风险的报价，以及计入交易成本的对冲。研究强调配对路径、行动分布、损益分布和风险指标可作为有用的评估证据；本章概述并未广泛证明 RL…

本案例研究利用 30 日平值跨式期权和标的价格数据，构建用于比较标普 500 股票方差风险溢价的特征。它在多个期限上比较隐含波动率与已实现波动率，加入期权市场成本和风险指标，并对选定数值进行横截面排序，使策略能够比较同日有报价的标的。一个关键的数据处理规则是在市场交易日历上计算滚动窗口，而不是在稀疏的跨式期权报价行上计算，从而让回看期始终对应一致的交易日数。…

本分析检查日度期权数据是否支持一种周度策略：卖出标普 500 成分股的平值跨式期权，对股票进行 Delta 对冲，并持有合约至到期。文中解释看涨期权和看跌期权如何构成跨式组合、隐含波动率和实现波动率如何关联方差风险溢价，以及为何应将交易成本表示为头寸所获权利金的占比。 检查内容包括交易日期的期权可用性、报价价差、相对于成本的价格变动、波动率差距的持续性，以及滚动验证折是否给结果留出足够时间以供结算。报告结果包括：成本最低的五分之一股票单边成本为…

本笔记从模型系列角度考察五种潜在因子方法在股票期权分析案例中的应用。PCA 直接从收益面板估计共同变动；IPCA 以线性方式将特征映射到暴露；条件自编码器则使用非线性映射。随机贴现因子模型改为估计定价核，而有监督自编码器在条件模型的训练目标中加入未来收益。笔记读取配套笔记发布的模型集合，并检查是否涵盖声明的模型菜单。…

这项可行性分析检查现有数据和假设是否足以支持一种每周策略：按平值隐含波动率为标普 500 股票排名，并买入排名靠前的股票。信号来自期权，但持仓标的是股票。笔记定义了隐含波动率和所选期权合约，并检查供应商计算失败、到期日历、标的范围、成本假设及滚动切分如何影响研究设计。…

本笔记评估用于标普 500 股票排名的序列模型，输入为期权曲面和价格历史窗口。笔记将没有循环记忆的归一化线性模型与门控机制可随时间传递信息的 LSTM 配对比较。线性模型是有意义的基准：如果 LSTM 没有优于它，那么新增记忆在这些数据上就尚未显示出价值。模型使用滚动折预测股票未来收益或风险调整后收益。…