# 【50ETF期权】 3. 中国波指 iVIX
> 来源：https://uqer.io/community/share/560493f7f9f06c590c65ef21
在本文中，我们将通过量化实验室提供的数据，计算基于50ETF期权的中国波指 iVIX
波动率VIX指数是跟踪市场波动性的指数，一般通过标的期权的隐含波动率计算得来。当VIX越高，表示市场参与者预期后市波动程度会更加激烈，同时也反映其不安的心理状态；相反，VIX越低时，则反映市场参与者预期后市波动程度会趋于缓和。因此，VIX又被称为投资人恐慌指标（The Investor Fear Gauge）。
中国波指由上交所发布，用于衡量上证50ETF未来30日的预期波动。按照上交所网页描述：该指数是根据方差互换的原理，结合50ETF期权的实际运作特点，并通过对上证所交易的50ETF期权价格的计算编制而得。网址为： http://www.sse.com.cn/assortment/derivatives/options/volatility/ ， 该网页中发布历史 iVIX 和当日日内 iVIX 数据
```py
from CAL.PyCAL import *
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import rc
rc('mathtext', default='regular')
import seaborn as sns
sns.set_style('white')
from matplotlib import dates
from pandas import Series, DataFrame, concat
from scipy import interpolate
import math
import time
```
上证50ETF收盘价，用来和iVIX对比走势
```py
# 华夏上证50ETF
secID = '510050.XSHG'
begin = Date(2015, 2, 9)
end = Date.todaysDate()
fields = ['tradeDate', 'closePrice']
etf = DataAPI.MktFunddGet(secID, beginDate=begin.toISO().replace('-', ''), endDate=end.toISO().replace('-', ''), field=fields)
etf['tradeDate'] = pd.to_datetime(etf['tradeDate'])
etf = etf.set_index('tradeDate')
etf.tail(2)
```
| | closePrice |
| --- | --- |
| tradeDate | |
| 2015-09-23 | 2.180 |
| 2015-09-24 | 2.187 |
上海银行间同业拆借利率 SHIBOR，用来作为无风险利率参考
```py
## 银行间质押式回购利率
def getHistDayInterestRateInterbankRepo(date):
cal = Calendar('China.SSE')
period = Period('-10B')
begin = cal.advanceDate(date, period)
begin_str = begin.toISO().replace('-', '')
date_str = date.toISO().replace('-', '')
# 以下的indicID分别对应的银行间质押式回购利率周期为：
# 1D, 7D, 14D, 21D, 1M, 3M, 4M, 6M, 9M, 1Y
indicID = [u"M120000067", u"M120000068", u"M120000069", u"M120000070", u"M120000071",
u"M120000072", u"M120000073", u"M120000074", u"M120000075", u"M120000076"]
period = np.asarray([1.0, 7.0, 14.0, 21.0, 30.0, 90.0, 120.0, 180.0, 270.0, 360.0]) / 360.0
period_matrix = pd.DataFrame(index=indicID, data=period, columns=['period'])
field = u"indicID,indicName,publishTime,periodDate,dataValue,unit"
interbank_repo = DataAPI.ChinaDataInterestRateInterbankRepoGet(indicID=indicID,beginDate=begin_str,endDate=date_str,field=field,pandas="1")
interbank_repo = interbank_repo.groupby('indicID').first()
interbank_repo = concat([interbank_repo, period_matrix], axis=1, join='inner').sort_index()
return interbank_repo
## 银行间同业拆借利率
def getHistDaySHIBOR(date):
date_str = date.toISO().replace('-', '')
# 以下的indicID分别对应的SHIBOR周期为：
# 1D, 7D, 14D, 1M, 3M, 6M, 9M, 1Y
indicID = [u"M120000057", u"M120000058", u"M120000059", u"M120000060",
u"M120000061", u"M120000062", u"M120000063", u"M120000064"]
period = np.asarray([1.0, 7.0, 14.0, 30.0, 90.0, 180.0, 270.0, 360.0]) / 360.0
period_matrix = pd.DataFrame(index=indicID, data=period, columns=['period'])
field = u"indicID,indicName,publishTime,periodDate,dataValue,unit"
interest_shibor = DataAPI.ChinaDataInterestRateSHIBORGet(indicID=indicID,beginDate=date_str,endDate=date_str,field=field,pandas="1")
interest_shibor = interest_shibor.set_index('indicID')
interest_shibor = concat([interest_shibor, period_matrix], axis=1, join='inner').sort_index()
return interest_shibor
## 插值得到给定的周期的无风险利率
def periodsSplineRiskFreeInterestRate(date, periods):
# 此处使用SHIBOR来插值
init_shibor = getHistDaySHIBOR(date)
shibor = {}
min_period = min(init_shibor.period.values)
max_period = max(init_shibor.period.values)
for p in periods.keys():
tmp = periods[p]
if periods[p] > max_period:
tmp = max_period * 0.99999
elif periods[p] < min_period:
tmp = min_period * 1.00001
sh = interpolate.spline(init_shibor.period.values, init_shibor.dataValue.values, [tmp], order=3)
shibor[p] = sh[0]/100.0
return shibor
```
50ETF历史波动率，用来和iVIX走势作对比
```py
## 计算一段时间标的的历史波动率，返回值包括以下不同周期的波动率：
# 一周，半月，一个月，两个月，三个月，四个月，五个月，半年，九个月，一年，两年
def getHistVolatilityEWMA(secID, beginDate, endDate):
cal = Calendar('China.SSE')
spotBeginDate = cal.advanceDate(beginDate,'-520B',BizDayConvention.Preceding)
spotBeginDate = Date(2006, 1, 1)
begin = spotBeginDate.toISO().replace('-', '')
end = endDate.toISO().replace('-', '')
fields = ['tradeDate', 'preClosePrice', 'closePrice', 'settlePrice', 'preSettlePrice']
security = DataAPI.MktFunddGet(secID, beginDate=begin, endDate=end, field=fields)
security['dailyReturn'] = security['closePrice']/security['preClosePrice'] # 日回报率
security['u2'] = (np.log(security['dailyReturn']))**2 # u2为复利形式的日回报率平方
# security['u2'] = (security['dailyReturn'] - 1.0)**2 # u2为日价格变化百分比的平方
security['tradeDate'] = pd.to_datetime(security['tradeDate'])
periods = {'hv1W': 5, 'hv2W': 10, 'hv1M': 21, 'hv2M': 41, 'hv3M': 62, 'hv4M': 83,
'hv5M': 104, 'hv6M': 124, 'hv9M': 186, 'hv1Y': 249, 'hv2Y': 497}
# 利用pandas中的ewma模型计算波动率
for prd in periods.keys():
# 此处的span实际上就是上面计算波动率公式中lambda表达式中的N
security[prd] = np.round(np.sqrt(pd.ewma(security['u2'], span=periods[prd], adjust=False)), 5)*math.sqrt(252.0)
security = security[security.tradeDate >= beginDate.toISO()]
security = security.set_index('tradeDate')
return security
```
## 1. 计算历史每日 iVIX
计算方法参考CBOE的手册：http://www.cboe.com/micro/vix/part2.aspx
```py
# 计算历史某一天的iVIX
def calDayVIX(date, opt_info):
var_sec = u"510050.XSHG"
# 使用DataAPI.MktOptdGet，拿到历史上某一天的期权行情信息
date_str = date.toISO().replace('-', '')
fields_mkt = [u"optID", "tradeDate", "closePrice", 'settlPrice']
opt_mkt = DataAPI.MktOptdGet(tradeDate=date_str, field=fields_mkt, pandas="1")
opt_mkt = opt_mkt.set_index(u"optID")
opt_mkt[u"price"] = opt_mkt['closePrice']
# concat某一日行情和期权基本信息，得到所需数据
opt = concat([opt_info, opt_mkt], axis=1, join='inner').sort_index()
opt = opt[opt.varSecID==var_sec]
exp_dates = map(Date.parseISO, np.sort(opt.expDate.unique()))
trade_date = date
exp_periods = {}
for epd in exp_dates:
exp_periods[epd] = (epd - date)*1.0/365.0
risk_free = periodsSplineRiskFreeInterestRate(trade_date, exp_periods)
sigma_square = {}
for date in exp_dates:
# 计算某一日的vix
opt_date = opt[opt.expDate==date.toISO()]
rf = risk_free[date]
#rf = 0.05
opt_call = opt_date[opt_date.contractType == 'CO'].set_index('strikePrice')
opt_put = opt_date[opt_date.contractType == 'PO'].set_index('strikePrice')
opt_call_price = opt_call[[u'price']].sort_index()
opt_put_price = opt_put[[u'price']].sort_index()
opt_call_price.columns = [u'callPrice']
opt_put_price.columns = [u'putPrice']
opt_call_put_price = concat([opt_call_price, opt_put_price], axis=1, join='inner').sort_index()
opt_call_put_price['diffCallPut'] = opt_call_put_price.callPrice - opt_call_put_price.putPrice
strike = abs(opt_call_put_price['diffCallPut']).idxmin()
price_diff = opt_call_put_price['diffCallPut'][strike]
ttm = exp_periods[date]
fw = strike + np.exp(ttm*rf) * price_diff
strikes = np.sort(opt_call_put_price.index.values)
delta_K_tmp = np.concatenate((strikes, strikes[-1:], strikes[-1:]))
delta_K_tmp = delta_K_tmp - np.concatenate((strikes[0:1], strikes[0:1], strikes))
delta_K = np.concatenate((delta_K_tmp[1:2], delta_K_tmp[2:-2]/2, delta_K_tmp[-2:-1]))
delta_K = pd.DataFrame(delta_K, index=strikes, columns=['deltaStrike'])
# opt_otm = opt_out_of_money
opt_otm = concat([opt_call[opt_call.index>fw], opt_put[opt_put.index<fw]], axis=0, join='inner')
opt_otm = concat([opt_otm, delta_K], axis=1, join='inner').sort_index()
# 计算VIX时，比forward price低的第一个行权价被设置为参考行权价，参考值以上
# 的call和以下的put均为虚值期权，所有的虚值期权被用来计算VIX，然而计算中发
# 现，有时候没有比forward price更低的行权价，例如2015-07-08，故有以下关于
# 参考行权价的设置
strike_ref = fw
if len((strikes[strikes < fw])) > 0:
strike_ref = max([k for k in strikes[strikes < fw]])
opt_otm['price'][strike_ref] = (opt_call['price'][strike_ref] + opt_call['price'][strike_ref])/2.0
exp_rt = np.exp(rf*ttm)
opt_otm['sigmaTerm'] = opt_otm.deltaStrike*opt_otm.price/(opt_otm.index)**2
sigma = opt_otm.sigmaTerm.sum()
sigma = (sigma*2.0*exp_rt - (fw*1.0/strike_ref - 1.0)**2)/ttm
sigma_square[date] = sigma
# d_one, d_two 将被用来计算VIX(30):
if exp_periods[exp_dates[0]] >= 1.0/365.0:
d_one = exp_dates[0]
d_two = exp_dates[1]
else:
d_one = exp_dates[1]
d_two = exp_dates[2]
w = (exp_periods[d_two] - 30.0/365.0)/(exp_periods[d_two] - exp_periods[d_one])
vix30 = exp_periods[d_one]*w*sigma_square[d_one] + exp_periods[d_two]*(1 - w)*sigma_square[d_two]
vix30 = 100*np.sqrt(vix30*365.0/30.0)
# d_one, d_two 将被用来计算VIX(60):
d_one = exp_dates[1]
d_two = exp_dates[2]
w = (exp_periods[d_two] - 60.0/365.0)/(exp_periods[d_two] - exp_periods[d_one])
vix60 = exp_periods[d_one]*w*sigma_square[d_one] + exp_periods[d_two]*(1 - w)*sigma_square[d_two]
vix60 = 100*np.sqrt(vix60*365.0/60.0)
return vix30, vix60
def getHistDailyVIX(beginDate, endDate):
# 计算历史一段时间内的VIX指数并返回
optionVarSecID = u"510050.XSHG"
# 使用DataAPI.OptGet，一次拿取所有存在过的期权信息，以备后用
fields_info = ["optID", u"varSecID", u'contractType', u'strikePrice', u'expDate']
opt_info = DataAPI.OptGet(optID='', contractStatus=[u"DE", u"L"], field=fields_info, pandas="1")
opt_info = opt_info.set_index(u"optID")
cal = Calendar('China.SSE')
cal.addHoliday(Date(2015,9,3))
cal.addHoliday(Date(2015,9,4))
dates = cal.bizDatesList(beginDate, endDate)
histVIX = pd.DataFrame(0.0, index=map(Date.toDateTime, dates), columns=['VIX30','VIX60'])
histVIX.index.name = 'tradeDate'
for date in histVIX.index:
try:
vix30, vix60 = calDayVIX(Date.fromDateTime(date), opt_info)
except:
histVIX = histVIX.drop(date)
continue
histVIX['VIX30'][date] = vix30
histVIX['VIX60'][date] = vix60
return histVIX
def getHistOneDayVIX(date):
# 计算历史某天的VIX指数并返回
optionVarSecID = u"510050.XSHG"
# 使用DataAPI.OptGet，一次拿取所有存在过的期权信息，以备后用
fields_info = ["optID", u"varSecID", u'contractType', u'strikePrice', u'expDate']
opt_info = DataAPI.OptGet(optID='', contractStatus=[u"DE", u"L"], field=fields_info, pandas="1")
opt_info = opt_info.set_index(u"optID")
cal = Calendar('China.SSE')
cal.addHoliday(Date(2015,9,3))
cal.addHoliday(Date(2015,9,4))
if cal.isBizDay(date):
vix30, vix60 = 0.0, 0.0
vix30, vix60 = calDayVIX(date, opt_info)
return vix30, vix60
else:
print date, "不是工作日"
```
历史每日iVIX 数据
```py
begin = Date(2015, 2, 9) # 起始日
end = Date.todaysDate() # 截至今天
hist_VIX = getHistDailyVIX(begin, end)
hist_VIX.tail()
```
| | VIX30 | VIX60 |
| --- | --- |
| tradeDate | | |
| 2015-09-18 | 38.057648 | 39.074643 |
| 2015-09-21 | 37.610259 | 38.559095 |
| 2015-09-22 | 34.507456 | 36.788384 |
| 2015-09-23 | 36.413426 | 37.837454 |
| 2015-09-24 | 37.114348 | 24.346747 |
iVIX、50ETF收盘价、50ETF波动率比较
```py
start = Date(2007, 1, 1)
end = Date.todaysDate()
secID = '510050.XSHG'
hist_HV = getHistVolatilityEWMA(secID, start, end)
## ----- 50ETF VIX指数和历史波动率比较 -----
fig = plt.figure(figsize=(10,6))
ax = fig.add_subplot(111)
font.set_size(16)
hist_HV_plot = hist_HV[hist_HV.index >= Date(2015,2,9).toISO()]
etf_plot = etf[etf.index >= Date(2015,2,9).toISO()]
lns1 = ax.plot(hist_HV_plot.index, hist_HV_plot.hv1M, '-', label = u'HV(30)')
lns2 = ax.plot(hist_VIX.index, hist_VIX.VIX30/100.0, '-r', label = u'VIX(30)')
#lns3 = ax.plot(hist_VIX.index, hist_VIX.VIX60/100.0, '-g', label = u'VIX(60)')
ax2 = ax.twinx()
lns4 = ax2.plot(etf_plot.index, etf_plot.closePrice, 'grey', label = '50ETF closePrice')
lns = lns1+lns2+lns4
labs = [l.get_label() for l in lns]
ax.legend(lns, labs, loc=2)
ax.grid()
ax.set_xlabel(u"tradeDate")
ax.set_ylabel(r"VIX")
ax2.set_ylabel(r"closePrice")
#ax.set_ylim(0, 0.80)
ax2.set_ylim(1.5, 4)
plt.title('50ETF VIX')
<matplotlib.text.Text at 0x5acec90>
```
## 2. 基于iVIX的择时策略
策略思路：
+ 计算 VIX 三日均线
+ 前一日 VIX 向上穿过三日均线一定比例，则卖出
+ 前一日 VIX 向下穿过三日均线一定比例，则买入
+ 只买卖50ETF
```py
start = datetime(2015, 2, 9) # 回测起始时间
end = datetime(2015, 9, 24) # 回测结束时间
hist_VIX = getHistDailyVIX(start, end)
hist_VIX.tail(2)
```
| | VIX30 | VIX60 |
| --- | --- |
| tradeDate | | |
| 2015-09-23 | 36.413426 | 37.837454 |
| 2015-09-24 | 37.114348 | 24.346747 |
```py
start = datetime(2015, 2, 9) # 回测起始时间
end = datetime(2015, 9, 24) # 回测结束时间
benchmark = '510050.XSHG' # 策略参考标准
universe = ['510050.XSHG'] # 股票池
capital_base = 100000 # 起始资金
commission = Commission(0.0,0.0)
window_short = 1
window_long = 3
SD = 0.1
hist_VIX['short_window'] = pd.rolling_mean(hist_VIX['VIX30'], window=window_short)
hist_VIX['long_window'] = pd.rolling_mean(hist_VIX['VIX30'], window=window_long)
def initialize(account): # 初始化虚拟账户状态
account.fund = universe[0]
def handle_data(account): # 每个交易日的买入卖出指令
fund = account.fund
# 获取回测当日的前一天日期
dt = Date.fromDateTime(account.current_date)
cal = Calendar('China.IB')
cal.addHoliday(Date(2015,9,3))
cal.addHoliday(Date(2015,9,4))
last_day = cal.advanceDate(dt,'-1B',BizDayConvention.Preceding) #计算出倒数第一个交易日
last_last_day = cal.advanceDate(last_day,'-1B',BizDayConvention.Preceding) #计算出倒数第二个交易日
last_day_str = last_day.strftime("%Y-%m-%d")
last_last_day_str = last_last_day.strftime("%Y-%m-%d")
# 计算买入卖出信号
try:
short_mean = hist_VIX['short_window'].loc[last_day_str] # 短均线值
long_mean = hist_VIX['long_window'].loc[last_day_str] # 长均线值
long_flag = True if (short_mean - long_mean) < - SD * long_mean else False
short_flag = True if (short_mean - long_mean) > SD * long_mean else False
except:
long_flag = True
short_flag = True
if long_flag:
approximationAmount = int(account.cash / account.referencePrice[fund] / 100.0) * 100
order(fund, approximationAmount)
elif short_flag:
# 卖出时，全仓清空
order_to(fund, 0)
```
## 3. 日内跟踪计算 iVIX
计算方法和日间iVIX类似
```py
def calSnapshotVIX(date, opt_info):
var_sec = u"510050.XSHG"
# 使用DataAPI.MktOptdGet，拿到历史上某一天的期权行情信息
date_str = date.toISO().replace('-', '')
fields_mkt = [u'optionId', u'dataDate', u'highPrice', u'lastPrice', u'lowPrice', u'openPrice', u'preSettlePrice', u'bidBook_price1', u'bidBook_volume1', u'askBook_price1', u'askBook_volume1']
# opt_mkt = DataAPI.MktOptdGet(tradeDate=date_str, field=fields_mkt, pandas="1")
opt_mkt = DataAPI.MktOptionTickRTSnapshotGet(optionId=u"", field='', pandas="1")
opt_mkt = opt_mkt[opt_mkt.dataDate == date.toISO()]
opt_mkt['optID'] = map(int, opt_mkt['optionId'])
opt_mkt = opt_mkt.set_index(u"optID")
opt_mkt[u"price"] = (opt_mkt['bidBook_price1'] + opt_mkt['askBook_price1'])/2.0
# concat某一日行情和期权基本信息，得到所需数据
opt = concat([opt_info, opt_mkt], axis=1, join='inner').sort_index()
#opt = opt[opt.varSecID==var_sec]
exp_dates = map(Date.parseISO, np.sort(opt.expDate.unique()))
trade_date = date
exp_periods = {}
for epd in exp_dates:
exp_periods[epd] = (epd - date)*1.0/365.0
risk_free = periodsSplineRiskFreeInterestRate(trade_date, exp_periods)
sigma_square = {}
for date in exp_dates:
# 计算某一日的vix
opt_date = opt[opt.expDate==date.toISO()]
rf = risk_free[date]
#rf = 0.05
opt_call = opt_date[opt_date.contractType == 'CO'].set_index('strikePrice')
opt_put = opt_date[opt_date.contractType == 'PO'].set_index('strikePrice')
opt_call_price = opt_call[[u'price']].sort_index()
opt_put_price = opt_put[[u'price']].sort_index()
opt_call_price.columns = [u'callPrice']
opt_put_price.columns = [u'putPrice']
opt_call_put_price = concat([opt_call_price, opt_put_price], axis=1, join='inner').sort_index()
opt_call_put_price['diffCallPut'] = opt_call_put_price.callPrice - opt_call_put_price.putPrice
strike = abs(opt_call_put_price['diffCallPut']).idxmin()
price_diff = opt_call_put_price['diffCallPut'][strike]
ttm = exp_periods[date]
fw = strike + np.exp(ttm*rf) * price_diff
strikes = np.sort(opt_call_put_price.index.values)
delta_K_tmp = np.concatenate((strikes, strikes[-1:], strikes[-1:]))
delta_K_tmp = delta_K_tmp - np.concatenate((strikes[0:1], strikes[0:1], strikes))
delta_K = np.concatenate((delta_K_tmp[1:2], delta_K_tmp[2:-2]/2, delta_K_tmp[-2:-1]))
delta_K = pd.DataFrame(delta_K, index=strikes, columns=['deltaStrike'])
# opt_otm = opt_out_of_money
opt_otm = concat([opt_call[opt_call.index>fw], opt_put[opt_put.index<fw]], axis=0, join='inner')
opt_otm = concat([opt_otm, delta_K], axis=1, join='inner').sort_index()
# 计算VIX时，比forward price低的第一个行权价被设置为参考行权价，参考值以上
# 的call和以下的put均为虚值期权，所有的虚值期权被用来计算VIX，然而计算中发
# 现，有时候没有比forward price更低的行权价，例如2015-07-08，故有以下关于
# 参考行权价的设置
strike_ref = fw
if len((strikes[strikes < fw])) > 0:
strike_ref = max([k for k in strikes[strikes < fw]])
opt_otm['price'][strike_ref] = (opt_call['price'][strike_ref] + opt_call['price'][strike_ref])/2.0
exp_rt = np.exp(rf*ttm)
opt_otm['sigmaTerm'] = opt_otm.deltaStrike*opt_otm.price/(opt_otm.index)**2
sigma = opt_otm.sigmaTerm.sum()
sigma = (sigma*2.0*exp_rt - (fw*1.0/strike_ref - 1.0)**2)/ttm
sigma_square[date] = sigma
# d_one, d_two 将被用来计算VIX(30):
if exp_periods[exp_dates[0]] >= 1.0/365.0:
d_one = exp_dates[0]
d_two = exp_dates[1]
else:
d_one = exp_dates[1]
d_two = exp_dates[2]
w = (exp_periods[d_two] - 30.0/365.0)/(exp_periods[d_two] - exp_periods[d_one])
vix30 = exp_periods[d_one]*w*sigma_square[d_one] + exp_periods[d_two]*(1 - w)*sigma_square[d_two]
vix30 = 100*np.sqrt(vix30*365.0/30.0)
# d_one, d_two 将被用来计算VIX(60):
d_one = exp_dates[1]
d_two = exp_dates[2]
w = (exp_periods[d_two] - 60.0/365.0)/(exp_periods[d_two] - exp_periods[d_one])
vix60 = exp_periods[d_one]*w*sigma_square[d_one] + exp_periods[d_two]*(1 - w)*sigma_square[d_two]
vix60 = 100*np.sqrt(vix60*365.0/60.0)
return vix30, vix60
def getTodaySnapshotVIX():
# 计算历史某天的VIX指数并返回
optionVarSecID = u"510050.XSHG"
date = Date.todaysDate()
# 使用DataAPI.OptGet，一次拿取所有存在过的期权信息，以备后用
fields_info = ["optID", u"varSecID", u'contractType', u'strikePrice', u'expDate']
opt_info = DataAPI.OptGet(optID='', contractStatus=[u"DE", u"L"], field=fields_info, pandas="1")
opt_info = opt_info.set_index(u"optID")
cal = Calendar('China.SSE')
cal.addHoliday(Date(2015,9,3))
cal.addHoliday(Date(2015,9,4))
if cal.isBizDay(date):
now_long = datetime.now()
now = now_long.time().isoformat()
if (now > '09:25:00' and now < '11:30:00') or (now > '13:00:00' and now < '15:00:00'):
vix30, vix60 = calSnapshotVIX(date, opt_info)
vix = pd.DataFrame([[date, vix30, vix60]], index=[now_long], columns=['dataDate', 'VIX30', 'VIX60'])
vix.index.name = 'time'
else:
vix = pd.DataFrame(0.0, index=[], columns=['dataDate', 'VIX30', 'VIX60'])
vix.index.name = 'time'
return vix
else:
print "今天： ", date, " 不是工作日"
```
计算即时的VIX
如果在工作日非交易时间运行计算函数，则得到一个空的`dataframe`
```py
getTodaySnapshotVIX()
```
| | dataDate | VIX30 | VIX60 |
| --- | --- |
| time | | | |
跟踪计算当日日内 VIX 走势
```py
## 此函数跟踪计算并记录当日日内VIX走势，数据记录在：
# 文件 'VIX_intraday_' + Date.todaysDate().toISO() + '.csv' 中
# 该文件保存在登录uqer账号的 Data 空间中
# seconds 为跟踪计算间隔秒数
def trackTodayIntradayVIX(seconds):
vix_file_str = 'VIX_intraday_' + Date.todaysDate().toISO() + '.csv'
vix = pd.DataFrame(0.0, index=[], columns=['dataDate', 'VIX30', 'VIX60'])
vix.index.name = 'time'
vix.to_csv(vix_file_str)
now = datetime.now().time()
while now.isoformat() < '15:00:00':
vix = pd.read_csv(vix_file_str).set_index('time')
vix_now = getTodaySnapshotVIX()
if vix_now.shape[0] > 0:
vix = vix.append(vix_now)
vix.to_csv(vix_file_str)
# print vix_now.index[0], '\t', vix_now.VIX30[0], '\t', vix_now.VIX60[0]
time.sleep(seconds)
now = datetime.now().time()
```
注意：
`trackTodayIntradayVIX` 函数一经运行，便持续到当日收盘时，除非手动终止运行
```py
# 追踪当前iVIX走势，每隔60秒计算一次即时iVIX
time_interval = 60
trackTodayIntradayVIX(time_interval)
---------------------------------------------------------------------------
KeyboardInterrupt Traceback (most recent call last)
<mercury-input-20-3f8b5a5070f8> in <module>()
1 # 追踪当前iVIX走势，每隔60秒计算一次即时iVIX
2 time_interval = 60
----> 3 trackTodayIntradayVIX(time_interval)
<mercury-input-19-d53f12cb0e4a> in trackTodayIntradayVIX(seconds)
17 vix.to_csv(vix_file_str)
18 # print vix_now.index[0], '\t', vix_now.VIX30[0], '\t', vix_now.VIX60[0]
---> 19 time.sleep(seconds)
20 now = datetime.now().time()
KeyboardInterrupt:
```
将当日追踪到的iVIX日内走势作图，注意读取数据文件名和 trackTodayIntradayVIX 函数中的存储文件名一致
```py
vix_file_str = 'VIX_intraday_2015-09-23-backup.csv'
vix = pd.read_csv(vix_file_str)
vix['time'] = [x[11:19] for x in vix.time]
vix = vix.set_index('time')
ax = vix.plot(figsize=(10,5))
ax.set_xlabel('time')
ax.set_ylabel('VIX(%)')
ax.set_ylim(35, 39)
(35, 39)
```
- 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