组合期权:跨式策略

文章目录

  • 0.简介
  • 1.买入跨式组合(Long Straddle)
    • 1.1 适用场景​
    • 1.2 合约选择
    • 1.3 损益分析
    • 1.4 案例示范
  • 2.卖出跨式组合(Short Straddle)
    • 2.1 适用场景​
    • 2.2 合约选择
    • 2.3 损益分析
    • 2.4 案例示范
  • 3.小结
  • 参考文献

0.简介

跨式策略是一种交易波动率的策略。

跨式指同时持有相同行权价和相同到期日的看涨期权和看跌期权,二者具有相同的标的资产。

跨式策略分两种:

  • Long Straddle

当您预测底层股票大幅波动时(大幅上涨或下跌),您可以使用多头跨式策略来获益。

  • Short Straddle

当您预测底层股票最近一段时间维持不变或小幅波动;您可以使用空头跨式策略来获益。

1.买入跨式组合(Long Straddle)

如果接下来将发生一件影响到整个股市或某只具体股票的重大事件,但却很难预判到这个事件发生后市场或股价的走向时,可以使用一种经典的策略 Long Straddle。

1.1 适用场景​

核心逻辑是押注标的资产价格将出现大幅波动(无论上涨或下跌),通过双向持仓覆盖波动带来的盈利机会。

跨式策略最适合以下市场环境:

  • 重大事件前夕。

财报发布、央行议息会议、政治选举等可能引发剧烈波动的时点。例如:特斯拉财报前,预期股价波动率上升

  • 隐含波动率(IV)低位

当期权隐含波动率处于历史低位时买入,赌波动率回升(波动率均值回归特性)

  • 技术面突破临界点

标的资产价格处于关键支撑/阻力位,预期突破后单边行情

不适用场景:

  • 低波动震荡市(时间损耗会侵蚀权利金)
  • 隐含波动率已处于高位(权利金过贵)

1.2 合约选择

执行这个策略,需要分别买入两个标的股票相同、行权价相同、到期日相同的看涨期权(Call)和看跌期权(Put)。

行权价一般选择现价作为行权价,即买入平值期权(ATM)。这样做的好处是,Call的正Delta和Put的负Delta几乎可以相互抵消,保证了策略的Delta中性。

1.3 损益分析

盈利来源:

同时买入 Put 和 Call,当股价下跌时「买入Put」盈利,当股价上涨时「买入Call」盈利。

无论上涨还是下跌,只要涨幅或跌幅足够大,使得一边的盈利能超过支出的权利金,该策略就能获利。

盈亏平衡点:

  • 上盈亏点 = 行权价 + 总权利金
  • 下盈亏点 = 行权价 - 总权利金

盈利无限:

因为你是Put和Call的买方,无论股价上涨还是下跌你都可以获得收益。上涨或下跌的幅度越大,获得的收益就越多。

亏损有限:

当股价=行权价时,两张期权均处于价外,损失全部期权金。最大亏损=总期权金。

损益图:
在这里插入图片描述

1.4 案例示范

英伟达(NVDA)财报公布前,股价$300,市场预期波动剧烈。

买入1周后到期的 ATM 跨式组合:

  • Call@$300,权利金$12
  • Put@$300,权利金$10
  • 总成本 = $22/股

可能结果:

  • 股价大涨至$330:

    • Call 价值 = $30(内在价值),Put价值 = $0
    • 总盈利 = ($30 - $22) × 100 = $800/手
  • 股价暴跌至$270:

    • Put价值 = $30,Call价值 = $0
    • 总盈利 = ($30 - $22) × 100 = $800/手
  • 股价稳定在$300:

    • 最大亏损 = $22 × 100 = $2200/手

2.卖出跨式组合(Short Straddle)

预期短期内市场的不确定性变小,也不会有引发大涨或大跌的因素。

如果你判断市场波动会趋于平缓,可采取 Short Straddle,静等期权到期,赚取期权金收益。

2.1 适用场景​

  • 低波动市场预期:标的资产处于横盘震荡,无重大事件驱动(如财报后平静期)
  • 隐含波动率高位 IV处于历史较高分位数时卖出,赌波动率回落(波动率均值回归)
  • 技术面支撑/阻力明确 价格在关键支撑位和阻力位之间反复震荡(如股指期货在箱体内运行)

禁忌场景:

  • 财报/议息会议等重大事件前(波动可能剧增)
  • 趋势行情初期(单边突破风险高)

2.2 合约选择

要素推荐选择原因
行权价选择平值期权(ATM)(标的价格=行权价)ATM期权权利金最高,时间衰减最快
到期日30-45天到期的合约(时间衰减加速期)短期合约Theta衰减曲线更陡峭
标的波动率IV高于历史50%分位数权利金更丰厚,且IV回落概率大
保证金要求需满足券商对跨式组合的保证金规则(通常为两腿中较高保证金+另一腿权利金)防止爆仓

2.3 损益分析

盈利来源:

同时卖出Call和Put赚取期权金收益。后续股价若在一定区间范围内温和波动,只要涨跌带来的损失不超过获得的期权金,策略就能获利。

盈亏平衡点:

  • 上盈亏点 = 行权价 + 单股权利金
  • 下盈亏点 = 行权价 - 单股权利金

盈利有限:

当股价=行权价时,两张期权均处于价外,获得全部期权金。最大盈利=总期权金。

亏损无限:

无论股价上涨还是下跌,只要股价偏离行权价你都需要承担被行权的支出。上涨或下跌的幅度越大,亏损就越多。

损益图:

在这里插入图片描述

2.4 案例示范

情景:

苹果(AAPL)财报后股价稳定在$170,IV从40%回落至25%。

卖出3周后到期的ATM跨式组合:

  • 卖出Call@$170,权利金$6
  • 卖出Put@$170,权利金$5.2

总权利金收入 = $11.2/股

可能结果:

  • 股价稳定在$170(最佳情况):
    • Call和Put均无价值到期
    • 盈利 = $11.2 × 100 = $1120/手
  • 股价涨至$185(突破上盈亏点):
    • Call被行权,需以$170卖出股票(市价$185)
    • 亏损 = ($185 - $170 - $11.2) × 100 = $380/手
  • 股价跌至$150(突破下盈亏点):
    • Put被行权,需以$170买入股票(市价$150)
    • 亏损 = ($170 - $150 - $11.2) × 100 = $880/手

3.小结

跨式策略(Straddle)是一种经典的波动率交易策略,通过同时买入或卖出相同行权价、相同到期日的看涨期权(Call)和看跌期权(Put),实现对标的资产价格大幅波动或不波动的押注。

策略类型操作市场预期盈利驱动因素
买入跨式同时买入Call和Put(行权价相同)高波动(大涨或大跌)波动率上升(IV↑)、价格大幅偏离行权价
卖出跨式同时卖出Call和Put(行权价相同)低波动(横盘)时间衰减(Theta)、波动率下降(IV↓)

参考文献

中高级期权策略知识 - 富途牛牛
期权教学:从入门到实战(基础认识、交易策略、实战技巧)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/94539.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/94539.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Vue计算属性详解2

可写计算属性 计算属性默认是只读的,但在特殊场景下,我们可以创建"可写"的计算属性,通过同时提供getter和setter实现: <script setup>import { ref, computed } from vueconst firstName = ref(John)const lastName = ref(Doe)const fullName = computed(…

UniStorm 5.3.0 + Unity2022 + URP配置说明

一、前言 以前我用的是UniStorm3.0&#xff0c;主要用在内置管线里面&#xff0c;最近想在URP管线里面使用UniStorm天气系统&#xff0c;于是弄了UniStorm5.3.0的包&#xff0c;在Unity2022.3的URP模式下配置&#xff0c;直接导入package&#xff0c;两次宣告失败。最后看了官方…

力扣经典算法篇-44-组合总和(回溯问题)

1、题干 给你一个无重复元素的整数数组candidates和一个目标整数 target &#xff0c;找出 candidates 中可以使数字和为目标数 target 的 所有 不同组合 &#xff0c;并以列表形式返回。你可以按 任意顺序 返回这些组合。 candidates 中的 同一个 数字可以 无限制重复被选取 。…

矩阵与高斯消元:数学算法在计算机领域的应用

一、概述和基本概念 矩阵&#xff0c;类似于在 C 中我们看到的二维数组。它有两个维度&#xff0c;行和列。下面是一个典型的矩阵&#xff1a; M[12342345445610111213] M \begin{bmatrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 5 \\ 4 & 4 & 5 &…

【补题】CodeTON Round 1 (Div. 1 + Div. 2, Rated, Prizes!) D. K-good

题意&#xff1a;给一个n&#xff0c;如果能被k个数整除&#xff0c;要求这k个数%k后不相同&#xff0c;问如果可以&#xff0c;任意k是多少&#xff0c;如果不可以输出-1 思路&#xff1a; D. K-good_牛客博客 从来没见过&#xff0c;太诡异了&#xff0c;做题做少了 1.…

LLM推理框架的“权力的游戏”:vLLM之后的群雄逐鹿

既然我们已经深入探讨了本地与云端的两大代表Ollama和vLLM&#xff0c;是时候将视野拓宽&#xff0c;检视一下在高性能推理这片“高手如云”的竞技场中&#xff0c;还有哪些重量级的玩家。vLLM的出现点燃了战火&#xff0c;但远非终点。 欢迎来到LLM推理框架的“后vLLM时代”—…

TDengine IDMP 背后的技术三问:目录、标准与情景

过去十年&#xff0c;#工业 和#物联网 场景经历了快速的#数字化 建设&#xff1a;传感器接入、系统联网、数据上云……数据平台已能轻松承载每秒千万级别的写入&#xff0c;每天几 TB 的存储量。但今天再回头看&#xff0c;这些看似“完成”的系统&#xff0c;实际上只解决了一…

MyBatis基础操作完整指南

文章目录MyBatis简介环境搭建Maven依赖数据库表结构核心配置MyBatis配置文件数据库配置文件实体类基础CRUD操作Mapper接口Mapper XML映射文件工具类测试类动态SQL常用标签高级特性一对一关联映射一对多关联映射分页查询使用注解方式MyBatis简介 MyBatis是Apache的一个开源项目…

go与grpc

目录下载与安装遇到的问题cmd中protoc找不到命令cmd中--go_out: protoc-gen-go: Plugin failed with status code 1.下载与安装 下载protoc&#xff1a; https://github.com/protocolbuffers/protobuf/releases 点击下载相应电脑版本即可&#xff0c;我是windows系统下载了pro…

2025年AI面试重构招聘新生态

当企业面临业务扩张与人才竞争的双重压力&#xff0c;传统招聘模式已难以满足高效、精准、公平的人才筛选需求。尤其在校招季、蓝领用工潮等关键节点&#xff0c;面试官超负荷运转、跨地域协调困难、评估标准模糊等问题频发。AI技术的深度介入正推动招聘行业从“经验驱动”向“…

Rust进阶-part5-trait

Rust进阶[part5]_trait trait概述 在 Rust 中,trait 是一种定义共享行为的方式。它类似于其他语言中的接口,允许我们定义一组方法签名,然后让不同的类型去实现这些方法。通过 trait,我们可以实现多态性,即不同类型可以以统一的方式处理。 普通实现 使用 trait 关键字来…

【人工智能-18】机器学习:决策树、随机森林

上一期【人工智能-17】机器学习&#xff1a;KNN算法、模型选择和调优、朴素贝叶斯分类 文章目录一、决策树1.使用理由2.技术二、随机森林1.使用理由2.原理核心&#xff1a;Bagging 随机特征子集3.优点和缺点一、决策树 决策树是一种监督学习算法&#xff0c;主要用于分类&…

RFID高频读写器在工业生产线的使用优势

在工业4.0浪潮下&#xff0c;智能制造对生产效率与精准度的要求日益提升。RFID技术凭借其独特的技术优势&#xff0c;成为工业场景中实现数据实时采集与流程优化的关键工具。本文主要从RFID高频读写器出发&#xff0c;系统解析其在工业生产线中的使用优势。RFID高频读写器一、技…

大模型学习笔记

prompt 提示词的构成&#xff1a; 指示&#xff1a;描述让它做什么上下文&#xff1a;给出与任务相关的背景信息输入&#xff1a; 任务的输入信息输出&#xff1a;输出的格式 生成与检索 生成&#xff1a; 优点&#xff1a;内容的多样性、创造性缺点&#xff1a;存在不可控制 检…

龙虎榜——20250806

上证指数继续收阳线&#xff0c;创新高的概率较大&#xff0c;个股上涨多于下跌&#xff0c;但板块轮动较明显&#xff0c;高位板块注意风险。深证指数较昨天放量收阳线&#xff0c;站上5日和10日均线继续上线&#xff0c;大科技方向资金关注更多。2025年8月6日龙虎榜行业方向分…

数据可视化发展历程

数据可视化是数据描述的图形表示&#xff0c;是当今数据分析发展最快速、最引人注目的领域之一。借助于可视化工具的发展&#xff0c;或朴实&#xff0c;或优雅&#xff0c;或绚烂的可视化作品给我们讲述着各种数据故事。在这个领域中&#xff0c;科学、技术和艺术完美地结合在…

深入理解C++中的stack、queue和priority_queue

目录 前言 1. stack&#xff08;栈&#xff09; 1.1 基本概念 1.2 常用接口 1.3 应用示例&#xff1a;最小栈 1.4 模拟实现 2. queue&#xff08;队列&#xff09; 2.1 基本概念 2.2 常用接口 2.3 模拟实现 3. priority_queue&#xff08;优先队列&#xff09; 3.1…

C++ 操作 Redis 客户端

引言 前面几篇文章都在介绍 Redis 原生命令行客户端&#xff0c;在实际应用开发中&#xff0c;开发人员更希望使用针对特定编程语言的专用客户端&#xff0c;通过编程的方式操作 Redis 数据库。因此&#xff0c;Redis 支持多种编程语言。本文将介绍 如何使用 C 语言来操作 Red…

批量提问程序开发方案:基于Python的百度文小言接口实现

批量提问程序开发方案&#xff1a;基于Python的百度文小言接口实现 1. 项目概述 1.1 项目背景 在现代信息检索和自动化办公场景中&#xff0c;批量提问功能已成为提高工作效率的重要工具。本项目旨在开发一个基于Python的批量提问程序&#xff0c;专门针对百度文小言平台&am…

Apollo中三种相机外参的可视化分析

Apollo中三种相机外参的可视化分析一、什么是相机外参&#xff1f;为什么需要可视化&#xff1f;二、不同外参来源对比三、详细操作步骤1. 环境准备2. 获取 NuScenes外参数据3. 外参到空间位置的转换及可视化四、可视化对比1. NuScenes数据集外参2. Apollo BEV模型外参3. Apoll…