知识库

此工具使用入场和出场时相同的标的、行权价和到期日，为标普500跨式期权构建标签产物。它将特征日期与之后的市场时段对齐，构造五个和十个交易时段后的出场日期，并合并看涨期权与看跌期权价格，以计算跨式期权收益。它还记录买卖报价，并可保存源价格面板。产物会一并保存缓存范围，避免将减少标的数量或缩短日期范围的运行误认为完整覆盖。…

本文介绍对标普 500 跨式期权进行的一年样本外回测。评估使用在留出期之前的历史数据上重新拟合模型所得的预测，并沿用此前选定的策略、配置、集中度、每周入场安排、对冲规则和交易成本。笔记本不再进行新的选择，采用与验证阶段相同的回测流程，并由留出集划分确定价格区间。注册表检查确保预测来自预期的训练运行、已登记策略与所选配置一致，并将结果记录为留出评估。…

本案例研究对持有至到期的平值短跨式期权收益拟合正则化线性模型。该交易收取看涨期权和看跌期权权利金，因此最大收益有上限，但标的大幅波动时可能出现非常大的亏损。特征描述期权头寸和波动率环境，包括希腊字母、隐含与已实现波动率、方差风险溢价、价差和行权价距离。模型配置在滚动验证折中测试岭回归、套索回归和 ElasticNet 的惩罚强度。…

本研究将已登记的模型预测转换为可比较的标普 500 期权策略。在每周决策日对预测收益排序，筛选高流动性范围，并卖出排名靠前标的的等权平值跨式期权。每个头寸持有至到期，并按内在价值以现金结算；同时监测标的资产的 Delta，并在其越过阈值时进行对冲。持有标的数量根据配置定义的集中度网格变化；本次比较中，其他策略设置保持不变。…

本笔记在留出期间评估一个此前选定的标普 500 期权配置。它沿用已登记的模型预测和策略设置，包括信号安排、资金分配、对冲规则和交易成本，不根据留出结果进行调参。登记检查可防止在未明确退役先前样本群体的情况下，使用不同的预测集或策略在同一窗口进行评估。 回测沿用与验证相同的执行路径，随后将登记的留出指标与选定配置的验证指标进行比较。这提供了一个未参与选择期间的收益序列，同时将报告的比较保持为描述性分析，而非把留出期当作另一个筛选阶段。本笔记还区分了用于选择配置的验证夏普比率与用于比较候选项的共同支持样本图。…

本文介绍如何在所有符合条件的 -2021 之前历史数据上重新拟合早期验证阶段选出的配置，然后为 2021 留出集生成预测。训练区间根据声明的评估窗口、标签缓冲区、验证折和特征覆盖范围推导。若存在冻结的候选集，就从中读取选定配置，因此留出集用于评估一个沿用的配置，而非给备选配置排序。…

本笔记使用股票期权分析数据评估梯度提升树，其中隐含波动率、偏斜、期限结构和方差风险溢价等特征体现了市场预期。它探讨非线性模型能否有条件地组合这些预测，例如根据期限结构的不同而对偏斜作不同解读，以及这种方式能否改善相对于线性模型的横截面排序。网格调整树容量和回归损失，并记录多个提升检查点的预测。模型系列比较采用匹配的目标和滚动折，包括原始未来收益、风险调整收益和收益方向。…

该笔记概述了针对 10 个交易时段的 delta 对冲 S&P 500 期权收益标签所做的仅限验证集诊断。笔记将金融预测变量分为依赖隐含波动率和不依赖隐含波动率两组，再比较仅使用一个波动率特征、分别使用各组以及使用全部特征的 Ridge 模型。模型使用相同的滚动前推折和验证键，并以不确定性区间汇总合并后的每日秩信息系数。 其他检查衡量隐含波动率信号随滞后期的衰减，比较特征与 delta…

本笔记使用标普500期权标的的收益率构建基于模型的研究特征。笔记拟合GJR-GARCH，该模型会赋予负收益冲击更大权重；还拟合随机波动率模型，其潜在方差通过MCMC估计，并用粒子滤波跟踪。参数只使用计划重新拟合时可用的历史数据估计，之后在生成预测时保持固定。特征包括模型对下一日波动率的预测，以及该预测与期权市场隐含波动率之间的差值。…

本指南将 US 股票数据集划分为市场数据、公司基本面、投资者持仓和公司特征。它列出日线与盘中柱、期权和市场微观结构记录的加载器，以及 SEC 申报文件文本、XBRL 事实数据、机构持仓、内部人交易和打包的公司特征面板。指南还列出了部分数据集所说明的大致覆盖范围或时间跨度。…

本笔记比较在离散调仓且交易产生比例成本时，对卖出的欧式看涨期权进行对冲的方法。它定义自融资终端盈亏，然后在 Heston 模拟价格下训练神经对冲模型，以最小化预期损失。替代方法包括 Black-Scholes delta、考虑摩擦的 Whalley-Wilmott 规则、基于表格价值的方法，以及从零实现的神经网络。训练、验证和评估路径彼此分开；先用验证集在不同训练随机种子中选择，再报告评估路径上的结果。…

本笔记使用-2021之前的历史数据，重新拟合此前验证阶段选定的配置，然后发布2021留出期的预测。它从记录的候选集提取选定配置；若该候选集不可用，则应用相同的排序规则。重新训练区间根据研究声明、验证折、标签缓冲区和特征覆盖范围确定，因此训练边界遵循数据和预测约定。后续只保留选定配置，并将留出期预测视为对该配置的测量，而不是与其他方案的竞赛。…

本分析介绍期权链结构，并考察 2020 年标普 500 期权的一个样本片段，涉及八个标的。内容解释价内外程度、内在价值与时间价值、希腊值、隐含波动率，以及波动率偏斜和期限结构所体现的信息。工作流程分析期权链密度，绘制波动率微笑和曲面，并根据隐含波动率求解器状态和希腊值有效性应用筛选条件。笔记还比较平值附近及远离平值的买卖价差，并探究隐含波动率变化是否与标的后续收益相关。 证据仅为描述性结果，且受单一年份小样本限制。波动率形态可用于示例说明，但不足以支持对全市场模式的广泛判断。IV…

这项可行性分析探讨，在拟合模型前，针对 S&P 500 成分股实施每周 Delta 对冲卖出跨式策略的数据和假设是否合理。它说明相同执行价和到期日的看涨期权与看跌期权如何构成跨式组合，隐含波动率和已实现波动率如何关联方差风险溢价，以及对冲为何能应对方向性敞口却无法消除波动率风险。…

本笔记比较针对选定 S&P 500 标的卖出跨式期权的投资组合加权规则。标的保持不变，仅改变配置方法，并以等权作为基准。方法包括按预测分数加权、按波动率倒数加权、风险平价、层次风险平价、收缩均值—方差优化，以及按共形预测区间宽度加权。这些方法使用的信息不同，可能导致资金集中程度或风险估计各异。…

此笔记本说明随机贴现因子（SDF）如何为股票期权信号的横截面定价。与估计风险暴露和因子收益的因子模型不同，SDF方法估计一个随机变量，使资产收益能够得到一致定价。训练在提出贴现因子的网络与挑选能揭示其定价误差的投资组合的对抗网络之间交替进行。无条件、对抗和条件阶段各有单独的轮次预算；检查点数值则按共享坐标轴汇总展示各阶段信息。…

此笔记本将此前选定的S&P 500股票与期权策略应用于独立的2021留出期预测。它原样沿用所选配置，包括资产配置规则、集中度规则、风险叠加规则和交易成本，并要求留出预测符合预期的训练规范。这样评估的重点是同一策略在新预测上的表现，而不是根据留出期调整策略。 笔记本将留出结果与验证表现进行比较，并解释表现下降可能同时反映了选择偏差和不同的市场时期。单个留出年份的噪声较大，报告的不确定性区间描述的是该结果，而非检验它与验证结果之间的差异。评估还采用当前S&P…

本文档介绍如何结合调整后的股价历史与汇总的期权隐含波动率曲面，为标普 500 股票构建横截面特征矩阵。它按用途、输入、回看期和可观测延迟组织特征。期权衍生值延迟一个交易日，价格特征则在收盘时可用；稀疏期权数据首先与每只证券的交易日历对齐，以确保移位和窗口按交易日正确计数。特征包括波动率水平及其变化、曲面形态、已实现波动率、动量和方差风险溢价，部分列还会在每个日期内进行排名。…

本笔记本为标普500期权研究构建了四种基于模型的特征：GJR-GARCH和随机波动率模型给出的下一日波动率预测，以及各自预测值与期权市场隐含波动率之间的差值。文中说明了如何仅使用每个重新拟合日期时可用的数据拟合模型，在重新拟合之间保持模型不变，并在之后的交易时段进行评估。GJR-GARCH模型采用最大似然法；随机波动率模型通过MCMC估计一个共享的市场参数，并使用粒子滤波器恢复每日潜在波动率。…

本文将共享权重的神经集成模型TabM应用于期权衍生特征，以预测未来股票收益和风险调整后收益。各成员共用一个两层网络，分别使用激活缩放和输出头，再对预测结果取平均。采用这种方法的原因是期权曲面上的特征彼此相关：与通过连续分裂选择特征的树模型不同，神经网络在加权层中组合这些特征。预先声明的训练检查点使每个已保存的训练轮次都成为可单独评分的模型，而滚动折提供样本外验证预测。…

本笔记使用 GJR-GARCH(1,1) 模型为标普 500 成分股构建基于模型的条件波动率特征，然后将基于已实现波动率衡量的期权隐含波动率价差，与基于模型预测衡量的价差进行比较。由于估计参数可能纳入未来观测值，笔记声明固定的重新拟合计划，且只使用早于其对应日期的估计值。笔记还强调，初始化、收益缩放和裁剪界限必须来自估计窗口，以避免通过递归过程引入额外泄漏。…

本笔记对股票收益面板拟合 PCA 潜在因子模型，不使用期权曲面特征、公司特征或目标信息。PCA提取历史横截面共同变动的主要方向，估算各股票的暴露，并根据训练窗口内的因子均值进行预测。该模型有意作为无条件对照，用于比较将期权特征映射为暴露或以其他方式依赖期权特征的模型。…

本文档定义一个每周运行的标普 500…

该笔记比较平方误差、绝对误差和 Huber 损失，用于梯度提升模型预测平值短跨式期权收益。目标收益的上限有限，但潜在损失可能很大，因此拟合损失可能影响预测对头寸的排序能力，排序指标为信息系数（IC）。模型网格还改变树的容量，并在多个提升检查点评估预测，因此每个检查点都是一个独立候选项。 在两个滚动验证年份中，平方误差的表现低于其他目标函数，但现有证据无法确定绝对误差和 Huber…