量化交易 (Quantitative trading) - 页 20

[MetaQuotes]

使用欧拉方法离散化 CIR 过程有哪些挑战？

使用欧拉方法离散化 CIR 过程有哪些挑战？

欢迎阅读基于计算金融课程的系列问答。今天，我们有基于第 10 讲的问题 22。该问题涉及使用欧拉方法离散化 Cox Ingersoll Ross (CIR) 过程的挑战。

CIR 过程是一种流行的随机过程，特别用于 Heston 模型的动力学。这是一个具有均值回归行为的非负过程。 CIR 过程中的方差可以围绕长期均值波动，表现出波动性。值得注意的是，此过程的解遵循非中心卡方分布，与通常已知的分布（例如正态分布或对数正态分布）相比，该分布具有更宽的尾部。

CIR 过程的一个重要特征是所谓的“故障条件”。此条件表明，如果均值回归参数乘以长期均值的两倍大于波动率参数的平方，则过程的路径或分布将远离零。如果不满足此条件，则会在零附近累积概率质量，导致路径接近零的可能性更高。

在模拟方面，这种在零附近的积累和极端事件发生可能性的增加带来了挑战。尽管在将 Heston 模型校准为市场数据时很少满足失效条件，但在模拟模型时它变得至关重要。不准确的离散化会导致蒙特卡罗模拟和傅立叶反演之间的不一致，从而导致市场工具的定价不可靠。

正如第 10 讲中讨论的那样，欧拉离散化依赖于迭代步骤，其中每一步都依赖于前一步。它涉及常数参数、时间增量（DT）、波动率（伽马）、先前实现的平方和布朗运动分量。但是，使用欧拉离散化时，由于正态分布的随机变量 (Z) 的参与，方差有可能变为负值。

可以导出在欧拉离散化下方差变为负的概率。该概率取决于 Z 的正态分布以及派生表达式的右侧和左侧之间的不等式。随着失败条件变得越来越不满足，负面实现的可能性增加。如果处理不当，负方差会导致模拟爆炸并产生不正确的结果。

必须解决 CIR 过程的欧拉离散化挑战，以确保准确的仿真结果。在实践中，必须考虑故障条件，即使在根据市场数据校准模型时通常不满足条件。不一致的定价结果可能是一个危险信号，突出了计算金融中对准确离散化方法的需求。

我希望这个解释能够阐明与使用欧拉方法离散化 CIR 过程相关的挑战。如果您有任何其他问题，请随时提问。

[MetaQuotes]

如果我们有 FFT 定价方法，为什么还需要蒙特卡洛？

如果我们有 FFT 定价方法，为什么还需要蒙特卡洛？

欢迎来到基于计算金融系列讲座的问答环节。今天我们有第 23 个问题，它与第 10 讲中涵盖的材料有关。问题是：如果我们有快速傅里叶变换定价方法，为什么还需要蒙特卡洛？这个问题促使我们考虑不同定价技术的实用性，以及为什么蒙特卡洛方法虽然不是最快的，但仍然具有相关性。

在实践中，这两种方法都需要。我们需要非常快速的欧式期权定价方法，这些方法可以使用 COS 方法或快速傅里叶变换等方法进行有效定价。然而，在为奇异衍生品定价时，我们通常需要更灵活的方法，即使它们不是最快的。奇异导数可能具有复杂的结构和特征，无法通过快速傅立叶变换轻松处理。此外，对于奇异的衍生品而言，对极快定价的需求并不总是至关重要。

在为奇异衍生品定价时，我们通常首先使用更简单的工具（例如欧式期权）校准定价模型。由于奇异衍生品的流动性较低，因此很难找到类似奇异衍生品的市场价格以进行校准。然而，欧式期权更容易获得，其价格可用于校准模型。这种方法使我们能够推断校准模型参数来为奇异的衍生品定价。重要的是要注意，这种策略可能并不总是有效，尤其是对于局部波动率模型，因为它可能导致错误定价。然而，在本课程中，我们主要关注对数正态随机波动率模型，这些模型对这个问题不太敏感。

让我们总结几个关键点。蒙特卡洛方法主要用于为奇异的可赎回衍生品定价，而快速傅里叶方法为欧式期权定价提供速度优势。欧式期权之所以受到很多关注，是因为它们的定价是校准模型和为更复杂的衍生品定价的基石。欧式期权的有效定价对于模型校准至关重要，因为它使我们能够将模型价格与市场数据相匹配。如果一个模型不能有效地为欧式期权定价，那么它在现实世界中的使用可能是不切实际的。一个例子是具有时间相关参数的 Heston 模型，其中特征函数的数值评估可能非常慢，使得校准具有挑战性。然而，如果我们假设时间相关但分段恒定的参数，我们仍然可以找到一个有效的特征函数，尽管灵活性会降低。

定价速度至关重要，尤其是在涉及多次迭代的校准阶段。优化器尝试模型参数的各种组合以找到最适合市场数据的组合，这需要数千甚至数十万次评估。因此，节省的每一毫秒都是必不可少的。值得一提的是，虽然快速傅立叶变换可以为百慕大等某些奇异衍生品提供高效定价，但这并不是一个通用的解决方案。添加额外的功能或参数可能需要对方法进行重大修改。相比之下，蒙特卡洛方法天生具有灵活性，使其适用于为范围广泛的奇异衍生品定价。在实践中，快速傅里叶变换通常用于校准，而蒙特卡罗方法用于对奇异衍生品进行定价。

或者，我们可以考虑介于快速傅立叶变换和蒙特卡洛之间的 PD（偏微分方程）方法。 PD 方法可以有效地为可赎回产品定价，但它们在收益规范方面的灵活性较低，需要针对每个场景重新规范。

我希望这个解释能够阐明蒙特卡洛和快速傅里叶变换方法在计算金融学中的重要性。下次见！再见！

[MetaQuotes]

如何对冲跳跃？

如何对冲跳跃？

欢迎来到今天基于计算金融课程的问答环节。在本节中，我们将讨论与第 11 讲中涵盖的材料相关的第 24 个问题。今天问题的重点是对冲跳跃。

在第 11 讲中，我们深入研究了对冲的各个方面，特别是解决了如何对不同类型的金融工具进行对冲的问题。我提供了模拟的插图，其中涉及使用布朗运动和几何布朗运动以及跳跃过程来模拟股票。我们探讨了如何制定对冲策略，并研究了这些对冲对投资组合损益 (P&L) 的影响。

套期保值的核心是将风险降至最低。从金融机构的角度来看，在出售期权或其他衍生品时，目标是建立对冲，这涉及抵消交易。这种对冲的目的是确保机构不受市场波动的影响。从本质上讲，该机构的目标是不受市场起伏的影响，同时从衍生品定价的公允价值之上获得的额外溢价中获益。

手头的问题是：在处理扩散过程时，对冲过程如何运作，以及当标的资产出现跳跃时会发生什么？这个问题解决了对冲的一个具有挑战性的方面，这需要我们考虑具有随机波动性的模型，例如 Heston 模型。

在讲座中，我展示了代码并演示了对冲策略。一个重要的收获是 Delta 的概念。 Delta代表期权价格对标的资产价格变化的敏感程度。在股票收盘价的情况下，Delta 接近 1，表明期权价格与股票价格之间的相关性更高。相反，如果股票收盘价低于行使价，则 Delta 接近于零。

在 Black-Scholes 案例的背景下，我们假设每天对我们的投资组合进行持续的再对冲或再平衡。这意味着，根据市场波动，我们每天调整对冲组合。目标是使我们的对冲组合和衍生品的总价值在期权到期时为零。我们对冲的质量取决于我们重新平衡的频率。在 Black-Scholes 案例中，我们假设有无限多的再平衡步骤，损益的分布变窄，接近零波动的理想情况。

然而，在处理跳跃时，对冲的影响变得更具挑战性。即使重新平衡的频率增加，损益的分布也会扩大。这意味着与跳跃相关的风险需要不同的处理方式。一种可能的方法是遵循具有随机波动率的模型（例如 Heston 模型）中使用的对冲策略。在这些模型中，复制期权的投资组合涉及有助于对冲与随机波动相关的风险的附加条款。具体来说，这些附加条款涉及购买或出售具有不同行使价的期权以抵消风险。必须考虑所涉及的期权的流动性以优化对冲策略。

在跳跃的情况下，进一步的研究表明，为了实现良好的对冲，可能需要包括大约七个具有不同行使价的额外期权。这种额外的复杂性凸显了在解决跳跃风险时理解具有随机波动性的对冲模型策略的重要性。

总而言之，对冲跳跃带来的挑战需要深思熟虑的方法。通过将来自对冲模型的策略与随机波动结合起来，可以减轻跳跃对对冲策略的影响。包含具有不同行使价的额外期权可以进一步增强对冲的有效性。请记住，虽然此讨论提供了宝贵的见解，但重要的是要考虑与所涉及的衍生品和交易对手相关的特定动态和风险。

[MetaQuotes]

什么是通路敏感性？

什么是通路敏感性？

欢迎来到今天关于计算金融主题的问答环节。在今天的会议中，我们将讨论第 25 个问题，它与路径敏感性的概念有关。敏感性计算在投资组合对冲中起着至关重要的作用，因为它们有助于降低风险并使投资组合不易受市场波动的影响。

在出售衍生品时，最好建立一个不受市场波动影响的对冲组合。这意味着与衍生品和对冲组合相关的整体风险应不受市场波动的影响。实现这种完美的对冲使我们能够维持最初出售衍生品时收到的溢价。在第 11 讲中，我们详细介绍了对冲策略并讨论了准确计算敏感度的重要性。

计算灵敏度（例如对波动率等参数的灵敏度）的常用方法是使用有限差分近似。这涉及使用小增量（Delta 帽子）计算导数值相对于参数的导数。然而，这种方法有局限性。首先，它需要计算导数两次，这在计算上可能很昂贵，尤其是在处理大量参数时。其次，近似的准确性可能对 Delta 帽子的选择很敏感，从而导致潜在的重大错误。

路径灵敏度为计算灵敏度提供了更准确的替代方法。它涉及交换微分和积分的顺序以简化表达式。通过对表达式的某些元素进行分析计算，与有限差分近似相比，我们可以提高收敛性和准确性。当导数的收益不依赖于被微分的参数时，这种方法特别有用。在这种情况下，无需额外的近似值即可显式计算灵敏度。

例如，当考虑看涨期权对股票价格 (Delta) 的敏感性时，路径敏感性方法允许我们计算股票的预期，因为它大于行使价。类似地，对于波动率 (Vega) 的敏感性，该方法通过使用相同的公因子并使用股票的蒙特卡罗路径评估期望来简化计算。

应用路径灵敏度方法可以提高收敛性和准确性，同时减少计算所需的蒙特卡罗路径数量。它还消除了多次评估导数值的需要，从而提高了计算效率。

值得注意的是，虽然路径敏感性方法在 Black-Scholes 等模型中效果很好，其中存在希腊人的解析解，但它也可以应用于更复杂的模型，如 Heston 模型。仍然可以获得某些导数的解析表达式，从而实现准确的灵敏度计算。

有关更多详细信息和数值要求，我建议重新访问第 11 讲并参考书籍和讲座材料，其中提供了路径灵敏度和有限差分方法之间的比较。结果证明了通过路径灵敏度实现的卓越收敛性和准确性，允许使用更少的蒙特卡罗路径获得高质量的结果。

如果您还有其他问题，请随时提出，我很乐意提供更多见解。

[MetaQuotes]

什么是贝茨模型，它如何用于定价？

什么是贝茨模型，它如何用于定价？

欢迎收看本系列基于计算金融课程的问答。今天，我们有 30 个问题中的第 26 个问题，它基于第 12 讲课。

问题如下：“什么是 Bytes 模型，它如何用于定价？”

Bates 模型是 Heston 随机波动率模型的扩展。要理解 Bates 模型，让我们先看看 Heston 模型，而不考虑涉及波动率的术语和此处框出的术语。在其基本形式中，Heston 模型由两个元素组成：与泊松过程相关的部分和称为 Martingale 校正的漂移校正。

泊松过程及其漂移校正是赫斯顿模型的重要组成部分。漂移校正与此部分相关联，并充当 Martingale 校正。可以在讲义中找到此更正的推导。

现在，让我们关注 Bates 模型本身。 Bates 模型包含一个额外的跳跃分量，它独立于布朗运动。这些跳跃由具有均值 (μJ) 和方差 (σJ^2) 的正态分布变量 J 表示。跳跃的幅度由 J 的指数表示，其中负号表示向下运动。跳跃分量由泊松过程驱动，决定是否发生跳跃。

Bates 模型的一个重要特征是跳跃附加项与布朗运动不相关，使其成为一个独立的组件。这种独立性的原因在于贝茨模型的特征函数。通过检查特征函数，我们可以观察到它是 Heston 模型和跳跃分量的乘积。如果我们将两者关联起来，特征函数的推导就会大大复杂化。

引入 Bates 模型背后的动机是增强 Heston 模型在校准市场数据方面的灵活性。研究人员发现，赫斯顿模型难以准确校准期限极短的期权，例如一周或一个月内到期的期权。该模型在生成观察到的市场偏差方面缺乏灵活性，促使增加了跳跃。通过合并跳跃，Bates 模型可以引入更多偏斜以匹配市场数据。

重要的是要注意 Bates 模型中的跳跃最初非常活跃并且给模型添加了大量的偏斜。但是，随着时间的推移，它们会扩散，模型会收敛到 Heston 模型。在第 12 讲和相应的书中可以很容易地观察到这种趋同。

此外，Bates 模型允许跳跃生成器 J 的不同分布，而不是像标准 Bates 模型中那样假设它是正态分布的。改变分布可能会对产生的偏斜产生影响，从而为不同市场场景的建模提供灵活性。然而，人们也认识到，即使使用 Bates 模型提供的跳跃，对于极端的市场情况，偏斜仍可能不足。

现在，让我们讨论贝茨模型对隐含波动率的影响。该模型引入了三个附加参数：泊松过程的强度 (λ)、正态分布跳跃的平均值 (μJ) 以及跳跃的标准差 (σJ)。增加强度或标准偏差主要分别增加隐含波动率的水平和曲率。但是，跳跃的平均值 (μJ) 会显着影响偏斜。 μJ 的负值和强负值会给模型增加大量的偏斜。

跳跃的平均值 (μJ) 是 Bates 模型中的一个关键参数。值得注意的是，在 Heston 模型中，该参数还控制

不存在相关性时的偏差。在 Heston 模型中引入资产和方差过程之间的负相关可以帮助增强偏度。但是，如果需要进一步倾斜，则会将跳跃添加到模型中。必须考虑校准目标，特别是在处理短期期权或依赖于未来实现的奇异衍生品时。在这种情况下，对日志成熟度进行校准的好处可能会受到限制，而跳跃引入的额外参数可能会带来挑战。

总之，Bates 模型通过合并跳跃扩展了 Heston 模型，在校准市场数据方面提供了更大的灵活性，尤其是对于短期期权。通过引入跳跃，该模型可以增强偏斜并更好地匹配观察到的市场条件。跳跃的平均值 (μJ) 是控制偏斜的关键参数。然而，在决定是使用 Bates 模型还是 Heston 模型时，评估权衡并考虑定价目标非常重要。如需更多详细信息和深入分析，我建议重新访问第 12 讲。

[MetaQuotes]

欧式和远期启动期权之间有什么关系？

欧式和远期启动期权之间有什么关系？

欢迎收看本系列基于计算金融课程的问答。今天，我们有第 27 题，它基于第 12 讲中讨论的材料。问题如下：

“欧式期权和远期期权有什么关系？”

远期开始期权是一种非标准衍生品，也称为绩效期权。它们在开始日期和到期日期方面不同于欧式期权。在远期开始期权中，合同在未来开始，到期日更晚。

要了解欧式期权和远期开始期权之间的关系，让我们考虑以下情形。假设我们有三个时间点：t0、t1 和 t2。在欧式期权中，我们将根据当时股票的分布计算时间 t2 的贴现预期未来收益。这意味着我们为开始日期为 t0 的期权定价，并在 t2 评估收益。

相比之下，远期开始期权从 t1 开始，这意味着它们开始于未来股票价值未知的不确定时间点。这些期权专注于股票在特定时期内的表现。业绩通常衡量为股票在 t2 时的价值减去它在 t1 时的价值，再除以它在 t1 时的价值。

远期启动期权对于对特定时间段内股票表现而非绝对水平感兴趣的投资者特别有用。这些期权允许投资者在选定的时间间隔内参与股票表现的上行潜力。

远期启动期权作为更多奇异衍生品的构建块，例如点击期权，其中性能分析是必不可少的组成部分。通过考虑多个时间间隔的表现，这些期权可以被构造为在每个点锁定利润，同时防止潜在的下行风险。与传统的欧式期权相比，投资者获得最大的绩效或预定的支出，从而创造出一种投资成本更低的风险规避期权。

从数学上讲，远期开始期权涉及两个重要日期：期权结算的未来日期 (T1) 和到期日 (T2)。欧式远期开始期权的收益可以表示为绩效比率 (S(T2)/S(T1) - 1) 减去行使价 (K) 的最大值或零。

远期开始期权的关键特征是它们的价值不依赖于初始股票价值 (S(t0))。相反，它是由股票未来的表现决定的。此属性使它们对对特定时间段内股票表现感兴趣的投资者具有吸引力。

为了给远期开始期权定价，我们使用适当的定价方法考虑到期日 (T2) 的贴现预期未来收益。远期开始期权的价值不受当前股票价格的影响，而是受指定时间间隔内股票表现的影响。

总而言之，远期启动期权是一种非标准衍生品，允许投资者关注股票在特定时间段内的表现。它们提供了欧式期权的风险规避替代方案，可以降低投资成本，同时仍提供对特定资产的敞口。远期启动期权的价值不取决于初始股票价值，强调股票未来表现的重要性。

我希望这个解释能澄清欧式期权和远期期权之间的关系。如果您有任何其他问题，请随时提问。下次见！

[MetaQuotes]

选择什么工具来校准您的定价模型？

选择什么工具来校准您的定价模型？

欢迎来到计算金融问答环节。今天的问题是 30 个中的第 28 个，它涉及在定价模型中选择用于校准的仪器。

在这个定价练习中，我们有一个随机微分方程系统，我们想利用它来为奇异的衍生品定价。问题是，我们如何校准模型以及为此我们应该选择哪些工具来准确地为奇异衍生品定价？

总的原则是使用套期工具作为校准工具。这意味着如果隐含波动率和收益率曲线等市场工具对奇异衍生品的定价有影响，则应将它们纳入校准程序。

让我们考虑一个带有波动率表面的简化示例。我们有一个对应于不同行使价和到期日的隐含波动率矩阵。为了确定我们的奇异衍生品对这些市场工具的敏感性，我们可以执行以下步骤：

1. 从一组市场工具开始，为奇异的衍生品定价。
2. 少量 (epsilon) 扰乱或“震荡”其中一种市场工具，例如隐含波动率。
3. 使用新的市场数据（冲击工具）重新计算奇异衍生品的价格。
4. 如果两个价格之间的差异为零，则意味着奇异衍生品对该特定市场工具不敏感。
5. 对每种市场工具重复此过程，以评估它们对奇异衍生品的影响（这称为计算 Vega 阵列）。
6. 如果价格差异不为零，则表明奇异衍生品对该市场工具敏感。此类工具应包括在校准过程中，因为它们可用于对冲目的。买入或卖出与敏感市场工具相关的期权，尤其是欧式期权，使我们能够对冲相关风险。

总结为奇异衍生品定价所涉及的步骤：

1. 从特定的衍生产品开始。
2. 考虑微笑、偏斜或随机利率等因素，确定适合衍生品定价的适当随机微分方程。
3. 通过选择合适的校准工具来校准模型，通常是股票市场的欧洲期权。
4. 使用数学技术（例如，偏微分方程、积分形式、傅立叶展开）根据所选的随机微分方程对产品价格建模。
5. 使用数值方法评估奇异导数，例如求解 PDE 或使用蒙特卡罗模拟。
6. 通过重新校准定价模型和调整对冲系数来管理与衍生品相关的风险。

总之，始终使用您的奇异衍生品的对冲工具作为校准工具。这种方法确保校准过程包含显着影响奇异衍生品定价的市场因素。此外，通过对冲来管理风险对于保持对衍生品相关风险的控制至关重要。

[MetaQuotes]

如何校准定价模型？如何选择目标函数？

如何校准定价模型？如何选择目标函数？

欢迎来到关注计算金融的问答。今天，我们正在回答 30 个问题中的第 29 个问题，接近本系列第一卷的结尾。今天的问题是如何校准定价模型和选择目标函数。

金融校准通常被视为一门艺术，因为没有适用于所有定价方法和模型的放之四海而皆准的方法。每种校准方法都是独一无二的，需要对手头的模型有深入的了解，以及实现良好校准的技能。但是，在校准模型时需要牢记几个原则和注意事项。

例如，在处理像 Heston 或其他模型这样的随机波动率模型时，通常用于为远期启动期权或可赎回衍生品等奇异衍生品定价，选择与被定价的衍生品相关的工具至关重要。如果衍生品在五年后到期并且其价值取决于此期间的波动性，则将模型校准为未来 30 年或 40 年到期的工具将毫无意义。为了识别相关工具，敏感性分析起着至关重要的作用。通过逐一修改市场工具的波动率并观察由此产生的衍生品价值变化，可以确定模型对哪些工具敏感。

在校准外来商品定价模型时，尤其是欧式期权，必须避免校准不相关的工具。使用所有可用的工具进行校准而不考虑它们的相关性可能会导致灵活性的丧失，尤其是在处理长期期权而衍生品仍处于短期范围内时。有必要仔细选择用于校准的工具，并关注那些与所需对冲目标一致的工具。

从交易者的角度来看，将模型校准为市场上存在且可以买卖的工具至关重要。这确保了校准在真实交易场景中是相关的和适用的。因此，在校准过程中应考虑工具的可用性和流动性。

欧式期权，尤其是流动性最强的期权，通常在为奇异衍生品定价时用于校准。这种选择是由它们的流动性和对冲目的的适用性驱动的。然而，如果市场上有更直接的奇异衍生品并且具有流动性，则这些工具可能更适合用于抵消对冲。

一般来说，奇异衍生品的校准模型可能很复杂。在这种情况下，标准方法是根据欧洲期权校准模型，并专注于在平价点实现良好拟合，因为这是最关键的区域。实值点代表市场和模型值必须紧密对齐的水平，无论隐含波动率表面的其他区域是否存在微笑或倾斜。在优化过程中对平值期权施加额外的权重有助于确保在这个关键区域进行良好的校准。

在定义校准目标函数时，需要考虑不同的方法。标准方法涉及使用加权目标函数，如本书所述并在第 13 讲中介绍。该函数涉及对所有相关期权到期日和行使价求和，对每一项应用权重（表示为 Omega），并计算平方差介于市场价格和模型价格之间。目标是找到最小化这种差异的模型参数 (Theta)，从而匹配市场中的期权价格。

权重函数 (Omega) 可以是一个调整参数，有助于在优化过程中确定平值选项的优先级。重要的是要注意，期权价格的微小差异可能导致隐含波动率的显着差异。因此，首选方法是根据隐含波动率进行校准，因为它们更准确地捕捉了市场的波动率预期。

然而，计算隐含波动率的计算成本可能很高，尤其是在处理复杂的定价模型时。在这种情况下，通常直接在目标函数中使用期权价格。

目标函数中权重的选择是主观的，取决于校准的具体要求和目标。通常，较高的权重分配给平价期权，以确保更好地适应关键区域。价外期权和价内期权的权重可以根据它们在定价模型中的重要性或所需的对冲策略进行调整。

选择目标函数时的另一个考虑因素是优化算法的选择。有各种可用的优化算法，例如最小二乘法、最大似然估计和模拟退火等。算法的选择取决于模型的复杂性、可用的计算资源以及校准过程所需的特性，例如速度或精度。

值得一提的是，校准定价模型是一个迭代过程。初始校准后，必须对结果进行全面分析并评估拟合质量。此分析可能涉及检查残差、隐含波动率微笑/偏斜模式和其他诊断。如果校准不符合所需标准，则需要进一步调整和迭代。

此外，在校准模型时，必须考虑校准结果的稳健性。稳健性是指校准参数在不同市场条件下的稳定性。验证校准参数是否针对一系列市场情景和工具产生一致且合理的结果至关重要。

总之，在校准奇异衍生品的定价模型时，重要的是：

1. 根据敏感性分析选择相关的市场工具。
2. 考虑工具的流动性和可用性。
3. 专注于在实值点实现良好的契合。
4. 定义一个目标函数，使市场价格和模型价格之间的差异最小化，无论是在期权价格还是隐含波动率方面。
5. 为不同的选项分配适当的权重，优先考虑平价区域。
6. 选择适合模型复杂性和计算资源的优化算法。
7. 对校准结果进行全面分析并评估拟合质量。
8. 考虑不同市场条件下校准参数的稳健性。

这些原则为奇异衍生品的定价模型校准提供了基础，但重要的是要记住，校准过程高度依赖于特定模型和市场环境。

[MetaQuotes]

什么是选择器选项？

什么是选择器选项？

欢迎来到本系列的最后一个问题，该问题基于计算金融课程第 13 讲中讨论的材料。在这个问题中，我们将探讨选择器选项及其在金融工程中的意义。

选择器期权是一种奇异的衍生品，它为持有者提供了在预定的未来时间在看涨期权和看跌期权之间进行选择的灵活性。它允许投资者将是否购买看涨期权或看跌期权的决定推迟到指定日期，即未来的时间 t0。在做出选择之前的额外时间增加了选项的价值和灵活性。

为了更好地理解选择器选项，让我们回顾一下讲座中简要讨论的其他一些奇异衍生品类型。首先，我们有二元期权，也称为现金或无期权。二元期权有不同的变体，但它们通常涉及基于到期股票价格的指标函数。如果股票价格在到期时超过预定的行使价 (K)，则期权支付固定金额 (Q)。指标函数的期望相当于到期时股票价格超过执行价格的概率。

接下来，我们有复合选项，它们是选项上的选项。复合期权为持有人提供了在未来某个时间订立另一个期权的权利。在复合看涨期权的情况下，持有人有机会在指定期限内（从时间 t0 到资本时间 T）购买标的资产的看涨期权。内层期权代表这段时间的看涨期权，外层期权覆盖整个区间。复合期权引入了额外的可选层，通常用于复杂的金融场景。

现在，让我们深入研究选择器选项。与复合选项类似，选择器选项有两个不同的时间段。在时间 t0（在未来），投资者有能力决定是购买看涨期权还是看跌期权。该决定基于标的股票的预期行为。如果预计股票表现良好，看涨期权可能更有价值。相反，如果预期股票下跌，则看跌期权可能更具吸引力。 Chooser 选项的价值在于以后可以灵活地在这两个选项之间进行选择。

重要的是要注意，选择器选项中的时间 t0 是未来时间，而不是现在，以便做出有意义的决策。如果将 t0 设置为现在，则选择器选项将变得微不足道。 Chooser 期权提供了在未来期间签订合约的机会，如果标的股票到那时已获得显着价值，它也可以在市场上交易。

选择者期权可以看作是实物期权的一种，期权上的期权被用于金融衍生品中。它们为投资者提供了更大的灵活性和对市场条件的适应性，使其适合各种投资策略和风险管理目的。

总之，选择者期权是一种奇异的衍生品，它允许投资者在预定的未来时间 (t0) 在看涨期权和看跌期权之间进行选择。这种灵活性增加了价值，并允许投资者根据市场预期调整他们的投资策略。附加时间段 (t0) 的存在将 Chooser 选项与其他类型的选项区分开来。复合期权，包括options on options，与Chooser options密切相关，常用于实物期权和复杂的金融场景。

[MetaQuotes]

中频交易简介：毫秒级交易

中频交易简介：毫秒级交易

量化交易领域的知名人物 Ernest Chan 博士阐明了中频交易 (MFT) 的重要性及其在理解 2010 年闪电崩盘方面的作用。Chan 博士认为，MFT 是交易的一个关键方面所有交易者都应该知道，强调选择合适的交易场所提交订单的重要性。他强调交易员需要熟悉复杂的订单类型，例如 ioc 和 ISO 订单，并了解暗池的功能。交易者应积极询问其经纪商的订单路由做法，并评估其是否符合他们的最大利益。

为了澄清，陈博士将 MFT 定义为延迟为 1 到 20 毫秒的交易，这表明所有从事日内交易的交易者都属于这一类。因此，交易者必须掌握特殊订单类型的细微差别，优化订单执行策略，并尽量减少订单的影响，以避免潜在的利润损失。 MFT 在日内交易领域内运作，交易者必须应对高频交易者带来的挑战以及由此产生的薄薄的账面流动性。值得注意的是，自 2010 年以来，美国股市见证了高频交易活动的激增，这要求交易者了解市场微观结构及其对交易利润的影响。

陈博士进一步探讨了高流动性美国股票市场交易的复杂性。各种订单类型和传递方法可以显着影响交易者的盈利能力。此外，某些命令的执行可能会不经意地向他人泄露自己的意图，从而导致信息泄露。陈博士强调了交易员面临的其他挑战，包括闪电崩盘、流动性撤回和非法市场操纵。为了说明高频交易活动对流动性的影响，他使用来自 Interactive Brokers 的屏幕截图展示了一个惊人的例子。由于做市商努力避免被高频交易商利用，导致流动性整体下降，即使是像苹果这样流动性强的股票，在交易日也只有 100 股流动性处于市场领先地位。

详细讨论了高频交易、做市商和市场流动性之间的相互作用。陈博士解释说，由于高频交易者的博弈，做市商避免在订单簿的顶部放置大订单，担心快速执行可能导致财务损失。此外，很大一部分流动性仍然隐藏在暗池中，这使得评估是否存在足够的流动性以有效执行交易策略变得具有挑战性。陈博士指出，约有三分之一的美国股票在暗池交易，令交易者的流动性评估进一步复杂化。讨论涉及 ISO 订单类型在闪电崩盘中的作用，在这种情况下，订单可以留在一个地点，同时清除另一个订单簿。做市商在检测到订单流中的毒性后，可能会导致价格急剧下跌。

该视频还涉及各种交易惯例和行业问题，包括涉及英国零售交易员因非法交易和可能导致股市崩盘而被定罪的欺诈概念的案件。演讲者深入探讨了与暗池相关的缺陷和潜在操纵。此外，还强调了物理基础设施的重要性，例如托管、直接代理访问和高性能交易平台，以减少延迟和优化高频交易。

在一个单独的部分，演讲者强调了订单流在交易中的重要性。每笔交易都有一个方向，表明它是买单还是卖单。这种方向性信息可以作为有价值的交易信号。陈博士澄清，MFT 不仅限于高频交易者或特定市场——它与所有交易者都相关，因为它可以防止损失并在闪崩期间提供机会。本节最后宣布即将推出的毫秒交易课程。

视频继续讨论有关算法交易策略的新课程，介绍时向观众提供了慷慨的 75% 折扣优惠券代码。该课程是 Phi 课程学习轨道的一部分，为感兴趣的参与者提供额外 15% 的折扣。演讲者随后转入问答环节，陈博士回答听众提出的各种问题。

一个问题涉及经纪人将订单发送到全国最佳买卖价 (NBBO) 或直接发送到交易所的要求。陈博士解释说，任何人都可以进入暗池，交易者可以要求他们的经纪人将订单定向到特定的暗池。他进一步阐明，在数据中心共置可以减少延迟，并不像人们普遍认为的那样昂贵，这使得零售交易者可以利用低延迟交易。

Chan 博士深入研究了机器学习对 MFT 的影响，指出虽然它可用于处理高级策略开发的数据，但它可能不会为执行策略提供显着的好处。他区分了涉及操纵订单的欺骗和仅关注已执行交易及其相应的买入或卖出指令的订单流。

讨论涉及作为指标的订单流测量和暗池的创建。 Chan 博士建议，衡量订单流的最简单方法是访问包含每笔交易的激进标志的数据。此外，他解释说，暗池通常由大型经纪商和做市商建立。

问答环节继续进行，陈博士回答了观众的各种问题。他提供了在分析订单流时识别虚假或意外限价订单的见解，向具有数学和金融背景的个人推荐 Irene Aldridge 的“算法和高频交易”一书，并建议使用免费或廉价的条形数据或来自多个供应商进行低频交易。他还澄清说，虽然每次执行都发生在特定的交易场所，但汇总的交易数据包括来自不同交易所的交易。

该视频进一步解决了有关分析从聚合订单流派生的信号强度以及作为零售交易者访问暗池的问题。强调了在根据聚合订单流做出交易决策之前进行全面信号评估的重要性。此外，演讲者强调了从交易所获取完整订单日志提要以准确确定市场影响的必要性。

一个听众问题提出了订单流和成交量之间关系的话题，以及暗池如何影响这种关系。陈博士澄清说，订单流量和交易量是不同的衡量标准，订单流量带有符号（正或负），而交易量则没有。因此，与相应的交易量相比，汇总特定时期内的订单流可能会产生一个小得多的数字，因为符号相反的订单会相互抵消。演讲者断言暗池不会产生订单流，并且交易量数据不会提供对暗池活动的洞察力。

该视频最后提出了一个关于强化学习在 MFT 中的潜在应用的问题。 Chan 博士证实，许多人已经采用了这种技术，并强调了紧跟行业进步的重要性。

该视频提供了有关 MFT、其对交易的影响、交易者面临的挑战以及优化交易绩效的策略的宝贵见解。问答环节进一步阐明了各个方面，解决了听众的疑问并扩展了所讨论的主题。

• 00:00:00 Ernest Chan 博士，量化交易行业专家之一，讨论了中频交易 (MFT) 的重要性以及它如何帮助理解 2010 年的闪电崩盘。他解释说 MFT 是一个关键方面交易者需要了解的交易信息，他们需要知道需要向哪些交易场所提交订单。他还强调了解暗池的重要性，了解更复杂的订单类型，例如 ioc 和 ISO 订单。交易者需要询问他们的经纪人他们将订单发送到哪里，以及这是否对他们有利。
  
  
• 00:05:00 演讲者定义了延迟为 1 到 20 毫秒的中频交易 (MFT)。他认为，所有交易者，无论其持有期长短，都是 MFT 交易者，因为他们都在这个频率内执行日内交易。因此，交易者需要了解特殊的订单类型、交易场所和订单优化，以最大限度地减少订单的影响，而不是损失利润。 MFT处于日内交易的节奏中，交易者面临高频交易者的博弈，导致账面流动性薄弱。自 2010 年以来，由于高频交易活动导致的美国股票市场交易量有所增加，交易者需要了解市场微观结构及其对交易利润的影响。
  
  
• 00:10:00 演讲者讨论了美国股票市场交易的复杂性，美国股票市场是世界上流动性最强的流动资金池之一。有不同的订单类型和路由方式会影响一个人的利润，并且由于某些订单的执行会泄露自己的意图而导致交易时的信息泄露给他人。此外，闪电崩盘、流动性撤出和非法市场操纵是交易员面临的其他一些挑战。演讲者随后提供了一个令人震惊的例子，说明高频交易活动如何影响流动性，并展示了盈透证券的屏幕截图，其中即使像苹果这样具有流动性的股票在交易日也只有 100 股市场顶级流动性。这是由于做市商试图避免被高频交易商分拆，导致流动性下降。
  
  
• 00:15:00 演讲者讨论高频交易和做市商如何影响市场的流动性。由于高频交易的博弈，做市商不会在账簿顶部下大单，因为它们可能会立即被取消，从而导致他们亏损。这与隐藏在暗池中的大部分流动性一起，将流动性类型减少到与回测策略无关的规模。此外，美国多达三分之一的股票在暗池交易，因此很难判断是否有足够的流动性来执行策略。最后，演讲强调了 ISO 订单类型导致的闪崩问题，该订单类型允许订单停留在特定地点并横扫另一本书，以及做市商如何检测到订单流中的毒性并导致价格急剧下跌.
  
  
• 00:20:00 演讲者谈到了行业中的各种交易行为和问题，首先是英国零售交易商 Sarah，她因非法交易被美国联邦法院定罪。然后他深入研究了欺骗的概念，尽管许多交易员持怀疑态度，但非法交易行为可能导致股市崩盘。演讲者还讨论了暗池的使用及其相关问题，解释了可能发生的缺陷和潜在操纵。最后，他谈到了减少延迟所需的物理基础设施，包括托管、直接代理和交易平台，以充分利用高频交易。
  
  
• 00:25:00 演讲者讨论了订单流的概念及其在交易中的重要性。每笔交易都有一个方向，这很重要，因为如果订单是买入市价订单，它有一个正号，而由卖出市价订单发起的订单则有一个负号。因此，每次执行都有一个标志，可以作为一个强有力的交易信号。此外，演讲者强调，中频交易 (MFT) 不仅适用于想要进行高频交易或特定市场交易的人。它适用于所有交易者，因为它可以防止损失并提供从闪电崩盘中获益的机会。该部分以关于毫秒交易课程的公告结束。
  
  
• 00:30:00 演讲者讨论了一门关于算法交易策略的新课程，并分享了一个优惠券代码，供用户获得 75% 的折扣。该课程也是 Phi 课程学习轨道的一部分，提供额外 15% 的折扣。然后演讲者进入问答环节，陈博士回答了各种问题，包括经纪人是否需要将订单发送到 NBBO 或直接发送到交易所，以及零售交易者如何从这些技术中受益。陈博士解释说，任何人都可以使用暗池，并且可以要求他们的经纪人将订单定向到特定的暗池。此外，数据中心的托管并不像人们想象的那么昂贵，这使得零售交易者可以利用低延迟。
  
  
• 00:35:00 陈博士讨论了在交易风格和投资方面考虑投资回报的重要性，并指出每项投资都应带来比投资更多的利润。他还解决了有关机器学习对中频交易 (MFT) 的影响的问题，解释说虽然它在为高级策略开发处理数据时很有用，但对执行策略并不是特别有用。此外，他区分了欺骗和订单流，指出虽然前者是订单操纵问题，但后者仅与已执行的交易及其相应的买入或卖出指令有关。最后，他解决了有关将订单流量作为指标衡量并创建暗池的问题，指出衡量订单流量的最简单方法是访问带有每笔交易积极标志的数据，而暗池通常由大型经纪商创建，做市商。
  
  
• 00:40:00 陈博士回答观众提出的几个问题，包括如何在分析订单流时识别虚假或意外的限价订单，他为具有数学和金融背景的人推荐什么书以更好地理解该主题（算法和高-Frequency Trading by Irene Aldridge），什么样的数据可以用于低频交易（免费或便宜的条形数据或从众多供应商处购买的数据），以及资产的订单流是按交易所还是总交易来自所有交易所的资产（每次执行都发生在特定的交易场所，但汇总后，不同的交易将来自不同的交易所）。本课程不提供战略原型，而是提出一个可以改进和改进的战略原型，并更详细地介绍了许多其他材料。
  
  
• 00:45:00 该视频讨论了全面美国股票的局限性以及为什么期货市场交易会产生准确的结果。交易成本的重要性也得到强调，因为交易者旨在将它们最小化。该视频还回答了关于零售交易者如何访问暗池以及聚合订单流对交易的有用性等主题的问题。演讲者强调在根据总订单流做出交易决策之前分析信号强度的必要性。最后，观众会被引导联系专家，询问有关课程的问题。
  
  
• 00:50:00 该视频解答了观众关于中频交易的几个问题。第一个问题询问优化聚合参数的重要性，这对于确定市场影响和有效执行策略是必要的。另一个问题是问是否可以区分暗池的订单，但发言人澄清说暗池不显示订单。该视频还解释了贸易数据不足以计算订单流；它需要带有侵略性因素。此外，该视频区分了订单流失衡和订单失衡，指出后者只发生在美国股市收盘结束时。关于编程语言，演讲者建议使用任何语言进行回测，但使用 C++ 等高性能语言进行交易执行。最后，该视频解释了从交易所接收完整订单日志提要以准确确定市场影响的重要性。
  
  
• 00:55:00 演讲者提出了一个关于订单流量和成交量之间关系的问题，以及暗池如何影响这种关系。演讲者解释说，订单流量和交易量是不同的衡量标准，订单流量有一个符号（正或负），而交易量则没有。因此，汇总一段时间内的订单流可能会导致数量远小于同期的交易量，因为符号相反的订单会相互抵消。发言人还澄清说，暗池不会产生订单流，并且无法从交易量数据中提取有关暗池的信息。该部分以关于强化学习在中频交易中的潜力的问题结束，演讲者回答说很多人已经在使用这种技术，并强调了赶上行业进步的重要性。