知识库

本笔记为一种读取上市期权信号并交易标的股票的策略构建前向收益标签。它对每日股价进行拆股和股息调整，使用持久证券标识符，并根据预定入场和出场时可执行的价格定义收益。笔记检查每个前向窗口是否完整、是否始终对应同一证券，并按市场交易时段计数，而非简单地跨可用行移位。标签集涵盖不同持有期的收益、风险缩放和方向性变体。…

这本笔记将模型预测集合转化为可比较的标普 500 期权回测。在每周决策日，它根据预测收益率排名，在流动性较好的标的范围内选出排名最高的标的，并卖出等权平值跨式组合。持仓至到期，并按内在价值进行现金结算；监控标的资产的 Delta，并在其越过阈值时进行对冲。它改变持有标的数量，同时固定其他策略选择，使不同模型系列之间更具可比性。将预测集合和回测构成一个命名且固定的总体，支持后续进行可复现的比较。…

本案例研究考察上市期权信息能否帮助筛选 S&P 500 股票。研究结合每日股票价格，以及 633 只股票在 2017 至 2021 年间的期权隐含波动率水平、偏斜、期限结构和方差风险溢价指标。期权特征采用滞后值，投资组合根据周五数据构建，并于随后周一开盘时交易。研究流程涵盖收益标签、特征构建、多个模型系列、投资组合配置、风险控制、交易成本和后续期间评估。 报告的验证夏普比率为 2.088，95% 区间为 1.005 至 3.117；对应配置使用线性模型、按得分加权、持有十只股票和跟踪止损。然而，由于 2021…

本文介绍一种针对每周 S&P 500 期权策略的专用回测。每个批次选择排名靠前的成分股，卖出接近平值且距到期约一个月的看涨期权和看跌期权；当净 Delta 越过阈值时，以股票进行 Delta 对冲。持仓在到期时按内在价值结算；如果合约报价提前结束或达到持有期限上限，则根据既定退出规则，使用最后可用的标记价格或卖价买回合约。…

本笔记筛选候选特征，用于同一股票、同一到期日的平值看涨和看跌期权卖出策略，并持有跨式期权至到期。对于每个特征，它衡量该特征对可用标的的排序是否与之后的跨式期权结果排序一致。分析计算每日横截面排名一致性并取时间平均，再扩大不确定性估计范围以考虑重叠头寸。它还针对多项候选检验调整显著性筛选，并检查关联是否在多个验证期中持续存在。…

本笔记将股票和期权研究得出的验证集预测转换为仅做多的股票组合，以评估这些预测。它采用等权 Top-K 基准，比较多种组合集中度，并遵循各标签特定的决策频率。收盘时形成的信号在下一个可用开盘价执行，并使用带固定随机种子的随机信号运行来检查流程连接。只有在验证日期覆盖范围可比后，才对候选结果排名；不确定性分析包括区块自助法区间，以及针对多个相关变体选择所作的调整。…

本笔记为标普 500 股票的平值卖出跨式期权构建前向收益标签。由于每日的 30 天跨式期权面板每个交易日都会滚动到不同的行权价或到期日，平移价格序列会导致比较不同合约。该方法改为在原始期权链中按标的代码、行权价和到期日追踪每个入场合约，并为同一头寸在入场时及退出或结算时定价。笔记还构建固定期限和 Delta 对冲变体，检查标签缺失的原因，并依据每份合约的结算日期划定留出期。…

本笔记拟合一个预先声明的 LSTM 模型，用于标准普尔 500 期权研究中的预测。网络接收每个标的按时间排列的历史窗口，并使用门控循环状态表示多个交易时段中的信息，而不是只依赖人工设计的特征。配置的回看期、网络规模、丢弃率、批量大小和训练检查点共同定义模型设置。共享工作流负责构建验证折、设置验证间隔、保存检查点、重启运行，并检查预测是否恰好覆盖所有符合条件的行。 本笔记将 LSTM…

本研究使用股票前向收益检验金融特征和GJR-GARCH波动率特征。对于每个交易时段，研究计算各股票之间某项特征与后续收益的秩相关，然后评估平均关联度、滚动验证窗口中的一致性，以及测试多个候选项后结果的可信度。研究还会在测量预测关联性之前筛查特征覆盖率和数据过时情况，并为每个特征记录一项决策。分析使用开发数据；留出集留待之后评估选定配置。…

本文推导Black-Scholes模型下欧式看涨和看跌期权的价格，通过看跌看涨平价检验两者关系，并通过数值求解与观察到的期权价格相匹配的波动率来计算隐含波动率。本文还定义Delta、Gamma、Vega、Theta和Rho，并用图表说明这些敏感度如何随实值程度和到期时间变化。本文结合市场实际说明模型假设，包括波动率恒定、连续交易和欧式行权，可能造成哪些输出偏差。 计算结果与一份标普 500…

本笔记演示如何对空头欧式看涨期权进行深度对冲。它使用几何布朗运动模拟标的价格路径，以Black-Scholes Delta为基准，并训练半递归神经网络选择对冲仓位。训练目标是最小化终端损失的条件风险价值。损益计算将建仓、每次再平衡以及到期平仓的比例成本计入模拟，从而能在相同假设下与离散Delta对冲进行比较。笔记还考察，随着学习到的交易策略接近Delta对冲基准，其交易活动是否会减少。…

本评估使用股票前向收益检验期权曲面、价格衍生和条件波动率特征。对于每个交易时段，它会计算特征值与后续收益之间的横截面秩相关，再考察这些信息系数（IC）的时间序列。评估内容包括平均关联度、针对重叠前向收益调整后的不确定性、滚动验证窗口中的表现，以及测试大量候选项的影响。在考察预测关联性之前，会先检查覆盖率和过时值以筛查特征定义；高度冗余的特征则被视为代表基本相同的排序。…

本笔记衡量，在假设支付不同比例的报价价差时，某个标普 500 期权策略的验证表现如何变化。它为每个模型家族选取一个基准策略，然后在不同价差成本假设下重新运行，并分别考察完整的平值跨式期权范围和流动性更高的子集。其他佣金和对冲成本保持不变，因此变化的成本维度只有价差比例。成本按期权权利金的比例表示，这比按名义本金计算的股票交易惯例更适合期权交易。…

本笔记介绍针对带有期权曲面特征的股票面板进行工具变量主成分分析（IPCA）。普通PCA根据每只股票的收益历史估算其暴露，而IPCA将暴露建模为各股票当日特征的共同线性函数，例如隐含波动率、偏斜度、期限结构以及隐含方差与已实现方差。交替最小二乘法会同时估算这一映射和共同因子收益。由于暴露根据特征计算，该方法可以处理非平衡面板，包括收益历史不连续的股票。…

本笔记解释通用目标权重风险覆盖为何无法管理所述标普500短跨式策略。期权引擎将固定资本比例分配给每周队列，并在每个队列内对权重归一化；缩放这些权重会被归一化抵消，风险覆盖也就无法腾出现金配置。因此，对策略有影响的控制项，例如对冲阈值、结算、成本和队列数量，应纳入策略规范，而不是留待之后进行权重转换。…

本笔记为一种读取上市期权数据、为股票排名并随后持有股票的策略构建远期股票收益标签。它构建考虑公司行动影响的调整后价格序列，并使用持续稳定的证券标识符识别公司；随后检查每个远期窗口是否完整、是否始终对应同一证券，以及是否按交易时段计量。它还会明确处理收益不可得的情况以构建方向标签，区分持有期限与验证集隔离间隔（purge buffer），并根据结果实际确定的时间截断诊断，而不是根据信号观测时间截断。…

本笔记介绍工具变量主成分分析（IPCA）：该方法估计共同因子，同时将每只股票的因子暴露设为其当日期权曲面特征的共享线性函数。这些特征包括隐含波动率、看跌看涨偏斜、期限结构斜率，以及隐含方差与已实现方差。交替最小二乘拟合特征到暴露的映射和因子收益；笔记将其与普通PCA进行对比，后者的暴露来自收益历史，并要求面板平衡。…

这项探索性分析介绍期权合约和期权链结构，随后分析涵盖八种标的资产的2020年标普500期权样本。内容解释价内外程度、内在价值与时间价值、隐含波动率、希腊值，以及行权价、到期日和看涨或看跌方向如何构成多维期权链。分析还考察波动率微笑、偏斜和期限结构，并通过求解器状态和希腊值有效性检查指导数据清理。笔记也研究不同价内外程度下的买卖价差，以及隐含波动率变化与随后标的资产收益之间的基准关系。该样本展示了波动率曲面模式，以及2020市场承压期间隐含波动率急剧且持续上升的情况，但标的数量少且仅覆盖一年，无法据此确立普遍规律。…

本笔记在符合条件且覆盖完整的候选项中，对验证夏普排名最高的配置谱系评估逐仓止损、移动止损和时间退出。每种覆盖规则都与其自身未应用覆盖规则的母策略比较，以单独衡量该风险规则的影响。配对区块Bootstrap区间用于评估夏普差异是否显著异于零，并同时比较回撤。选择和调参仅使用验证数据。排除经完整验证期MAE校准的阈值，因为同一批路径既用于设定阈值，也用于评分；另行保留一个留出集来评估冻结后的配置。笔记还强调，股票池由当前成分股组成，因此生存偏差限制了关于历史指数成分或未来S&P…

本笔记比较卖出跨式期权的S&P 500策略所采用的投资组合权重规则。在选定标的和其他策略设置保持不变的情况下，它用基于模型预测或标的收益风险估计的配置器替代等权基准。可选方法包括评分加权、反波动率、风险平价、层级风险平价、收缩均值方差优化，以及根据预测区间宽度进行的保形加权。…

本笔记应用TabM，这是一种在集成成员间共享两层特征网络的表格神经网络架构。每个成员用自身学习到的向量缩放共享表示，并使用独立输出层；对成员预测取平均，旨在以低于分别训练完整网络的成本保留集成多样性。三个预先指定的配置在其他训练设置保持不变的情况下，改变层宽和成员数量，预测目标为卖出跨式期权的收益。…

本笔记介绍如何为先前选定的S&P 500期权模型生成样本外预测集。它根据验证结果固定配置，在留出期之前的数据上重新拟合该配置，并登记留出窗口的预测。训练身份核验用于区分真正的重新拟合与误关联到验证集训练运行的预测。训练截止点还包含完整期权周期的标签缓冲期，因为到期收益的结算时间晚于固定期限目标。…

本文说明如何将大型标普500期权链整理为按日期和证券代码划分的数据集，供研究使用。波动率曲面摘要按到期分组，选取绝对Delta最接近目标值的期权，随后计算多个期限的平值隐含波动率、25Delta看跌看涨偏斜、期限结构指标、相对价差和收敛质量。排除无法求解隐含波动率的期权，以免占位值污染汇总结果。…

本笔记将 PatchTST（一种 Transformer 风格的序列模型）作为预先声明的模型集合中的一个成员，用于标普 500 期权研究。它将回看序列划分为固定长度的片段，将片段嵌入为词元，并通过注意力关联窗口中的不同位置。与 LSTM 逐步递归的方式相比，注意力可以直接连接序列中相隔较远的部分，并并行处理整个窗口。模型必须通过位置嵌入学习顺序信息，而且参数量较大，在数据有限时可能更难拟合。…