# 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
> 来源:https://uqer.io/community/share/5523a4a1f9f06c8f3390453b
通过之前几天的学习,Q Quant们应该已经熟悉了Python的基本语法,也了解了Python中常用数值库的算法。到这里为止,小Q们也许早就对之前简单的例子不满意,希望能在Python里面玩票大的!Ok,我们这里引入一个不怎么像玩具的模型——二叉树算法。我们仍然以期权为例子,教会大家:
1. 如何利用Python的控制语句与基本内置计算方法,构造一个二叉树模型;
1. 如何使用类封装的方式,抽象二叉树算法,并进行扩展;
1. 利用继承的方法为已有二叉树算法增加美式期权算法。
```py
import numpy as np
import math
import seaborn as sns
from matplotlib import pylab
font.set_size(15)
```
## 1. 小Q的第一棵“树”——二叉树算法Python描述
我们这边只会简单的描述二叉树的算法,不会深究其原理,感兴趣的读者可以很方便的从公开的文献中获取细节。
我们这里仍然考虑基础的 Black - Scholes 模型:
![](https://box.kancloud.cn/2016-07-30_579cb73110e98.jpg)
这里各个字母的含义如之前介绍,多出来的 r 代表股息率。
之所以该算法被称为 二叉树,因为这个算法的基础结构是一个逐层递增的树杈式结构:
一个基本的二叉树机构由以下三个参数决定:
1. `up` 标的资产价格向上跳升的比例, `up`必然大于1 (对应上图中的 `u`)
1. `down` 标的资产价格向下跳升的比例, `dow`n必然小于1 (对应上图中的 `d`)
1. `upProbability` 标的资产价格向上跳升的概率
这里我们用一个具体的例子,使用Python实现二叉树算法。以下为具体参数:
+ `ttm` 到期时间,单位年
+ `tSteps` 时间方向步数
+ `r` 无风险利率
+ `d` 标的股息率
+ `sigma` 波动率
+ `strike` 期权行权价
+ `spot` 标的现价
这里我们只考虑看涨期权。
```py
# 设置基本参数
ttm = 3.0
tSteps = 25
r = 0.03
d = 0.02
sigma = 0.2
strike = 100.0
spot = 100.0
```
我们这里用作例子的树结构被称为 Jarrow - Rudd 树,其中:
![](https://box.kancloud.cn/2016-07-30_579cb731220dc.jpg)
```py
dt = ttm / tSteps
up = math.exp((r - d - 0.5*sigma*sigma)*dt + sigma*math.sqrt(dt))
down = math.exp((r - d - 0.5*sigma*sigma)*dt - sigma*math.sqrt(dt))
discount = math.exp(-r*dt)
```
```py
pylab.figure(figsize = (12,8))
pylab.plot(lattice[tSteps])
pylab.title(u'二叉树到期时刻标的价格分布', fontproperties = font, fontsize = 20)
<matplotlib.text.Text at 0x16bb2290>
```
![](https://box.kancloud.cn/2016-07-30_579cb73134870.png)
```py
# 在节点上计算payoff
def call_payoff(spot):
global strike
return max(spot - strike, 0.0)
pylab.figure(figsize = (12,8))
pylab.plot(map(call_payoff, lattice[tSteps]))
pylab.title(u'二叉树到期时刻标的Pay off分布', fontproperties = font, fontsize = 18)
<matplotlib.text.Text at 0x16bc4210>
```
![](https://box.kancloud.cn/2016-07-30_579cb7314bdbe.png)
在我们从树最茂盛的枝叶向根部回溯的时候,第`i`层节点与第`i+1`层节点的关系满足:
![](https://box.kancloud.cn/2016-07-30_579cb731611e6.jpg)
```py
# 反方向回溯整棵树
for i in range(tSteps,0,-1):
for j in range(i,0,-1):
if i == tSteps:
lattice[i-1][j-1] = 0.5 * discount * (call_payoff(lattice[i][j]) + call_payoff(lattice[i][j-1]))
else:
lattice[i-1][j-1] = 0.5 * discount * (lattice[i][j] + lattice[i][j-1])
```
```py
print u'二叉树价格: %.4f' % lattice[0][0]
print u'解析法价格: %.4f' % BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0]
二叉树价格: 14.2663
解析法价格: 14.1978
```
## 2. 从“树”到“森林”—— 面向对象方式实现二叉树算法
之前的部分展示了一个树算法的基本结构。但是现在的实现由很多缺点:
+ 没有明确接口,作为用户优雅简洁的使用既有算法;
+ 没有完整封装,十分不利于算法的扩展;
下面我们将给出一个基于Python类的二叉树算法实现,实际上我们通过上面的实验性探索,发现整个程序可以拆成三个互相独立的功能模块:
+ 二叉树框架
树的框架结构,包括节点数以及基本参数的保存;
+ 二叉树类型描述
具体数算法的参数,例如上例中的 Jarrow Rudd树;
+ 偿付函数
到期的偿付形式,即为Payoff Function。
### 2.1 二叉树框架(`BinomialTree`)
这个类负责二叉树框架的构造,也是基本的二叉树算法的调用入口。它有三个成员:
+ 构造函数(`__init__`)
负责接受用户定义的具体参数,例如:`spot`等;真正二叉树的构造方法,由私有方法`_build_lattice`以及传入参数`treeTraits`共同完成;
+ 树构造细节(`_build_lattice`)
接手具体的树构造过程,这里需要依赖根据`treeTraits`获取的参数例如:`up`, `down`。
+ 树回溯(`roll_back`)
从树的最茂盛枝叶节点向根节点回溯的过程。最终根节点的值即为期权的价值。这里它要求的参数是一个`pay_off`函数。
```py
# 二叉树框架(可以通过传入不同的treeTraits类型,设计不同的二叉树结构)
class BinomialTree:
def __init__(self, spot, riskFree, dividend, tSteps, maturity, sigma, treeTraits):
self.dt = maturity / tSteps
self.spot = spot
self.r = riskFree
self.d = dividend
self.tSteps = tSteps
self.discount = math.exp(-self.r*self.dt)
self.v = sigma
self.up = treeTraits.up(self)
self.down = treeTraits.down(self)
self.upProbability = treeTraits.upProbability(self)
self.downProbability = 1.0 - self.upProbability
self._build_lattice()
def _build_lattice(self):
'''
完成构造二叉树的工作
'''
self.lattice = np.zeros((self.tSteps+1, self.tSteps+1))
self.lattice[0][0] = self.spot
for i in range(self.tSteps):
for j in range(i+1):
self.lattice[i+1][j+1] = self.up * self.lattice[i][j]
self.lattice[i+1][0] = self.down * self.lattice[i][0]
def roll_back(self, payOff):
'''
节点计算,并反向倒推
'''
for i in range(self.tSteps,0,-1):
for j in range(i,0,-1):
if i == self.tSteps:
self.lattice[i-1][j-1] = self.discount * (self.upProbability * payOff(self.lattice[i][j]) + self.downProbability * payOff(self.lattice[i][j-1]))
else:
self.lattice[i-1][j-1] = self.discount * (self.upProbability * self.lattice[i][j] + self.downProbability * self.lattice[i][j-1])
```
### 2.2 二叉树类型描述(`Tree Traits`)
正像我们之前描述的那样,任意的树只要描述三个方面的特征就可以。所以我们设计的`Tree Traits`类只要通过它的静态成员返回这些特征就可以:
+ `up` 返回向上跳升的比例;
+ `down` 返回向下调降的比例;
+ `upProbability` 返回向上跳升的概率
下面的类定义了 Jarrow - Rudd 树的描述:
```py
class JarrowRuddTraits:
@staticmethod
def up(tree):
return math.exp((tree.r - tree.d - 0.5*tree.v*tree.v)*tree.dt + tree.v*math.sqrt(tree.dt))
@staticmethod
def down(tree):
return math.exp((tree.r - tree.d - 0.5*tree.v*tree.v)*tree.dt - tree.v*math.sqrt(tree.dt))
@staticmethod
def upProbability(tree):
return 0.5
```
我们这里再给出另一个 Cox - Ross - Rubinstein 树的描述:
```py
class CRRTraits:
@staticmethod
def up(tree):
return math.exp(tree.v * math.sqrt(tree.dt))
@staticmethod
def down(tree):
return math.exp(-tree.v * math.sqrt(tree.dt))
@staticmethod
def upProbability(tree):
return 0.5 + 0.5 * (tree.r - tree.d - 0.5 * tree.v*tree.v) * tree.dt / tree.v / math.sqrt(tree.dt)
```
### 2.3 偿付函数(`pay_off`)
这部分很简单,就是一元函数,输入为标的价格,输出的偿付收益,对于看涨期权来说就是:
![](https://box.kancloud.cn/2016-07-30_579cb73174a1d.jpg)
```py
def pay_off(spot):
global strike
return max(spot - strike, 0.0)
```
### 2.4 组装
让我们三部分组装起来,现在整个调用过程变得什么清晰明了,同时最后的结果和第一部分是完全一致的。
```py
testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits)
testTree.roll_back(pay_off)
print u'二叉树价格: %.4f' % testTree.lattice[0][0]
二叉树价格: 14.2663
```
这里我们想更进一步,用我们现在的算法框架来测试二叉树的收敛性。这里我们用来作比较的算法即为之前描述的 Jarrow - Rudd 以及 Cox - Ross - Rubinstein 树:
```py
stepSizes = range(25, 500,25)
jrRes = []
crrRes = []
for tSteps in stepSizes:
# Jarrow - Rudd 结果
testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits)
testTree.roll_back(pay_off)
jrRes.append(testTree.lattice[0][0])
# Cox - Ross - Rubinstein 结果
testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, CRRTraits)
testTree.roll_back(pay_off)
crrRes.append(testTree.lattice[0][0])
```
我们可以绘制随着步数的增加,两种二叉树算法逐渐向真实值收敛的过程。
```py
anyRes = [BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0]] * len(stepSizes)
pylab.figure(figsize = (16,8))
pylab.plot(stepSizes, jrRes, '-.', marker = 'o', markersize = 10)
pylab.plot(stepSizes, crrRes, '-.', marker = 'd', markersize = 10)
pylab.plot(stepSizes, anyRes, '--')
pylab.legend(['Jarrow - Rudd', 'Cox - Ross - Rubinstein', u'解析解'], prop = font)
pylab.xlabel(u'二叉树步数', fontproperties = font)
pylab.title(u'二叉树算法收敛性测试', fontproperties = font, fontsize = 20)
<matplotlib.text.Text at 0x15e46490>
```
![](https://box.kancloud.cn/2016-07-30_579cb73188f0d.png)
我们也可以绘制两种算法的误差随着步长下降的过程。
```py
jrErr = np.array(jrRes) - np.array(anyRes)
crrErr = np.array(crrRes) - np.array(anyRes)
jrErr = np.log10(np.abs(jrErr))
crrErr = np.log10(np.abs(crrErr))
```
```py
pylab.figure(figsize = (16,8))
pylab.plot(stepSizes, jrErr, '-.', marker = 'o', markersize = 10)
pylab.plot(stepSizes, crrErr, '-.', marker = 'd', markersize = 10)
pylab.xlabel(u'二叉树步数', fontproperties = font)
pylab.ylabel(u'误差(log)', fontproperties = font)
pylab.title(u'二叉树算法误差分布测试', fontproperties = font, fontsize = 20)
<matplotlib.text.Text at 0x172b06d0>
```
![](https://box.kancloud.cn/2016-07-30_579cb731a2927.png)
## 3. 新想法 —— 美式期权?
有小Q要问了,既然我们已经有解析算法了,为什么还要多此一举的去种“树”呢?是的,如果只是普通欧式期权的话,二叉树就是多此一举的做法。但是由于二叉树天然的反向回溯的特性,使得它特别适合处理有提前行权结构的期权产品。这里我们将以美式期权为例。
美式期权的行权结构在二叉树结构下处理起来特别简单,要做的只是在每个节点上做这样的比较:
![](https://box.kancloud.cn/2016-07-30_579cb731b7c91.jpg)
这里的 `ExerciseValue` 就是立即行权的价值, `EuropeanValue`为对应节点的欧式价值。
为了实现上面的比较,我们需要扩展原先的算法,这个我们可以通过Python的类继承在原先的类之上添加新功能:
```py
class ExtendBinomialTree(BinomialTree):
def roll_back_american(self, payOff):
'''
节点计算,并反向倒推
'''
for i in range(self.tSteps,0,-1):
for j in range(i,0,-1):
if i == self.tSteps:
europeanValue = self.discount * (self.upProbability * payOff(self.lattice[i][j]) + self.downProbability * payOff(self.lattice[i][j-1]))
else:
europeanValue = self.discount * (self.upProbability * self.lattice[i][j] + self.downProbability * self.lattice[i][j-1])
# 处理美式行权
exerciseValue = payOff(self.lattice[i-1][j-1])
self.lattice[i-1][j-1] = max(europeanValue, exerciseValue)
```
我们将使用同样的参数测试美式期权算法的实现:
```py
stepSizes = range(25, 500,25)
jrRes = []
crrRes = []
for tSteps in stepSizes:
# Jarrow - Rudd 结果
testTree = ExtendBinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits)
testTree.roll_back_american(pay_off)
jrRes.append(testTree.lattice[0][0])
# Cox - Ross - Rubinstein 结果
testTree = ExtendBinomialTree(spot, r, d, tSteps, ttm, sigma, CRRTraits)
testTree.roll_back_american(pay_off)
crrRes.append(testTree.lattice[0][0])
```
我们画出美式期权价格的收敛图,价格始终高于欧式期权的价格,符合预期。
```py
anyRes = [BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0]] * len(stepSizes)
pylab.figure(figsize = (16,8))
pylab.plot(stepSizes, jrRes, '-.', marker = 'o', markersize = 10)
pylab.plot(stepSizes, crrRes, '-.', marker = 'd', markersize = 10)
pylab.plot(stepSizes, anyRes, '--')
pylab.legend([u'Jarrow - Rudd(美式)', u'Cox - Ross - Rubinstein(美式)', u'解析解(欧式)'], prop = font)
pylab.xlabel(u'二叉树步数', fontproperties = font)
pylab.title(u'二叉树算法美式期权', fontproperties = font, fontsize = 20)
<matplotlib.text.Text at 0x17aae2d0>
```
![](https://box.kancloud.cn/2016-07-30_579cb731ccd66.png)
- Python 量化交易教程
- 第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天:谁来给我讲讲Python?】
- 量化分析师的Python日记【第2天:再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天:一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天:一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天:数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天:数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天:Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天:量化入门进阶之葵花宝典:因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天:如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天:如何在优矿上搞一个wealthfront出来】
- 第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 破解Alpha对冲策略——观《量化分析师Python日记第14天》有感
- 熔断不要怕, alpha model 为你保驾护航!
- 寻找 alpha 之: alpha 设计
- 1.2 基本面因子选股
- Porfolio(现金比率+负债现金+现金保障倍数)+市盈率
- ROE选股指标
- 成交量因子
- ROIC&cashROIC
- 【国信金工】资产周转率选股模型
- 【基本面指标】Cash Cow
- 量化因子选股——净利润/营业总收入
- 营业收入增长率+市盈率
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 技术分析入门 【2】 —— 大家抢筹码(06年至12年版)
- 技术分析入门 【2】 —— 大家抢筹码(06年至12年版)— 更新版
- 谁是中国A股最有钱的自然人
- 1.5 宏观研究
- 【干货包邮】手把手教你做宏观择时
- 宏观研究:从估值角度看当前市场
- 追寻“国家队”的足迹
- 二 套利
- 2.1 配对交易
- HS300ETF套利(上)
- 【统计套利】配对交易
- 相似公司股票搬砖
- Paired trading
- 2.2 期现套利 • 通过股指期货的期现差与 ETF 对冲套利
- 三 事件驱动
- 3.1 盈利预增
- 盈利预增事件
- 事件驱动策略示例——盈利预增
- 3.2 分析师推荐 • 分析师的金手指?
- 3.3 牛熊转换
- 历史总是相似 牛市还在延续
- 历史总是相似 牛市已经见顶?
- 3.4 熔断机制 • 股海拾贝之 [熔断错杀股]
- 3.5 暴涨暴跌 • [实盘感悟] 遇上暴跌我该怎么做?
- 3.6 兼并重组、举牌收购 • 宝万战-大戏开幕
- 四 技术分析
- 4.1 布林带
- 布林带交易策略
- 布林带回调系统-日内
- Conservative Bollinger Bands
- Even More Conservative Bollinger Bands
- Simple Bollinger Bands
- 4.2 均线系统
- 技术分析入门 —— 双均线策略
- 5日线10日线交易策略
- 用5日均线和10日均线进行判断 --- 改进版
- macross
- 4.3 MACD
- Simple MACD
- MACD quantization trade
- MACD平滑异同移动平均线方法
- 4.4 阿隆指标 • 技术指标阿隆( Aroon )全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 重写 rsi
- RSI指标策略
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- CMO 策略模仿练习 1
- CMO策略模仿练习2
- [技术指标] CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 嘉庆离散指标测试
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 按照封单跟流通股本比例排序,剔除6月上市新股,前50
- 涨停股票封单统计
- 实时计算涨停板股票的封单资金与总流通市值的比例
- 4.15 成交量 • 决战之地, IF1507 !
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- Momentum策略
- 【小散学量化】-2-动量模型的简单实践
- 一个追涨的策略(修正版)
- 动量策略(momentum driven)
- 动量策略(momentum driven)——修正版
- 最经典的Momentum和Contrarian在中国市场的测试
- 最经典的Momentum和Contrarian在中国市场的测试-yanheven改进
- [策略]基于胜率的趋势交易策略
- 策略探讨(更新):价量结合+动量反转
- 反向动量策略(reverse momentum driven)
- 轻松跑赢大盘 - 主题Momentum策略
- Contrarian strategy
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model · 基本面选股系统:Piotroski F-Score ranking system
- 5.3 SVR · 使用SVR预测股票开盘价 v1.0
- 5.4 决策树、随机树
- 决策树模型(固定模型)
- 基于Random Forest的决策策略
- 5.5 钟摆理论 · 钟摆理论的简单实现——完美躲过股灾和精准抄底
- 5.6 海龟模型
- simple turtle
- 侠之大者 一起赚钱
- 5.7 5217 策略 · 白龙马的新手策略
- 5.8 SMIA · 基于历史状态空间相似性匹配的行业配置 SMIA 模型—取交集
- 5.9 神经网络
- 神经网络交易的训练部分
- 通过神经网络进行交易
- 5.10 PAMR · PAMR : 基于均值反转的投资组合选择策略 - 修改版
- 5.11 Fisher Transform · Using Fisher Transform Indicator
- 5.12 分型假说, Hurst 指数 · 分形市场假说,一个听起来很美的假说
- 5.13 变点理论 · 变点策略初步
- 5.14 Z-score Model
- Zscore Model Tutorial
- 信用债风险模型初探之:Z-Score Model
- user-defined package
- 5.15 机器学习 · Machine Learning 学习笔记(一) by OTreeWEN
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 今天大盘熔断大跌,后市如何—— based on LPPL anti-bubble model
- 破解股市泡沫之谜——对数周期幂率(LPPL)模型
- 六 大数据模型
- 6.1 市场情绪分析
- 通联情绪指标策略
- 互联网+量化投资 大数据指数手把手
- 6.2 新闻热点
- 如何使用优矿之“新闻热点”?
- 技术分析【3】—— 众星拱月,众口铄金?
- 七 排名选股系统
- 7.1 小市值投资法
- 学习笔记:可模拟(小市值+便宜 的修改版)
- 市值最小300指数
- 流通市值最小股票(新筛选器版)
- 持有市值最小的10只股票
- 10% smallest cap stock
- 7.2 羊驼策略
- 羊驼策略
- 羊驼反转策略(修改版)
- 羊驼反转策略
- 我的羊驼策略,选5只股无脑轮替
- 7.3 低价策略
- 专捡便宜货(新版quartz)
- 策略原理
- 便宜就是 alpha
- 八 轮动模型
- 8.1 大小盘轮动 · 新手上路 -- 二八ETF择时轮动策略2.0
- 8.2 季节性策略
- Halloween Cycle
- Halloween cycle 2
- 夏买电,东买煤?
- 历史的十一月板块涨幅
- 8.3 行业轮动
- 银行股轮动
- 申万二级行业在最近1年、3个月、5个交易日的涨幅统计
- 8.4 主题轮动
- 快速研究主题神器
- recommendation based on subject
- strategy7: recommendation based on theme
- 板块异动类
- 风险因子(离散类)
- 8.5 龙头轮动
- Competitive Securities
- Market Competitiveness
- 主题龙头类
- 九 组合投资
- 9.1 指数跟踪 · [策略] 指数跟踪低成本建仓策略
- 9.2 GMVP · Global Minimum Variance Portfolio (GMVP)
- 9.3 凸优化 · 如何在 Python 中利用 CVXOPT 求解二次规划问题
- 十 波动率
- 10.1 波动率选股 · 风平浪静 风起猪飞
- 10.2 波动率择时
- 基于 VIX 指数的择时策略
- 简单低波动率指数
- 10.3 Arch/Garch 模型 · 如何使用优矿进行 GARCH 模型分析
- 十一 算法交易
- 11.1 VWAP · Value-Weighted Average Price (VWAP)
- 十二 中高频交易
- 12.1 order book 分析 · 基于高频 limit order book 数据的短程价格方向预测—— via multi-class SVM
- 12.2 日内交易 · 大盘日内走势 (for 择时)
- 十三 Alternative Strategy
- 13.1 易经、传统文化 · 老黄历诊股
- 第三部分 基金、利率互换、固定收益类
- 一 分级基金
- “优矿”集思录——分级基金专题
- 基于期权定价的分级基金交易策略
- 基于期权定价的兴全合润基金交易策略
- 二 基金分析
- Alpha 基金“黑天鹅事件” -- 思考以及原因
- 三 债券
- 债券报价中的小陷阱
- 四 利率互换
- Swap Curve Construction
- 中国 Repo 7D 互换的例子
- 第四部分 衍生品相关
- 一 期权数据
- 如何获取期权市场数据快照
- 期权高频数据准备
- 二 期权系列
- [ 50ETF 期权] 1. 历史成交持仓和 PCR 数据
- 【50ETF期权】 2. 历史波动率
- 【50ETF期权】 3. 中国波指 iVIX
- 【50ETF期权】 4. Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 三 期权分析
- 【50ETF期权】 期权择时指数 1.0
- 每日期权风险数据整理
- 期权头寸计算
- 期权探秘1
- 期权探秘2
- 期权市场一周纵览
- 基于期权PCR指数的择时策略
- 期权每日成交额PC比例计算
- 四 期货分析
- 【前方高能!】Gifts from Santa Claus——股指期货趋势交易研究