筛法公式(筛法公式)

公式理论基础与离散化构建

1. 无风险利率（r）：代表资金的时间价值，由国债收益率曲线确定。

2. 标的资产当前价格（S0）：作为计算的基准变量。

3. 期权的到期时间（T）：决定了离散化节点的总数，记为 N，通常越细网格，精度越高但计算量呈指数级增长。

4. 波动率（sigma）：反映标的资产价格变动的不确定程度，是计算期权风险溢价的核心因子。

5. 行权价（K）：决定期权是看涨（Call）还是看跌（Put）。

6. 股息率（q）：当标的资产支付股息时，需相应调整无风险利率，通常取 rq。 在标准套索公式的应用中，我们通常假设波动率恒定，但实际市场中波动率呈现非平稳性特征。
也是因为这些，在实际交易中，我们会引入“市场调整后的波动率”概念，即标的资产实际波动率 与隐含波动率 之间的差异。穗椿号在实现过程中，会优先模拟市价波动率，而非隐含波动率。这是因为在实盘交易中，市价波动率的测定更为直接和准确。若直接使用隐含波动率，可能导致模型高估或低估期权价值，特别是在波动率突然变化（V vol）事件中。
也是因为这些，合理的策略是结合市价波动率、隐含波动率 和历史波动率 三者进行综合修正，以平衡模型的准确性与计算效率。

在具体的迭代计算步骤中，我们先从最高层节点开始，按照卡片顺序 或行权价顺序 逐步向下推导。对于看涨期权，我们通过二项式定理 计算下一期节点的价值；对于看跌期权，则通过看涨期权的黑天鹅调整 或风险中性定价 推导。这一过程要求我们始终牢记delta 和 vega 的敏感性。

其中delta 反映了期权价格对标的资产价格变化的敏感度，而vega 则是期权价格对波动率变化的敏感度。在实际应用中，vega 的影响往往大于delta，尤其是在波动率剧烈波动时。
也是因为这些，在构建筛法公式时，必须充分考虑vega 项，而不仅仅是delta 项。 2

策略构建中的关键变量与敏感度分析

当市场处于牛市或震荡市时，标的资产价格通常波动较大，此时vega （正vega）或vega 的绝对值 会显著上升，意味着期权价格对波动率的变动非常敏感。而在熊市中，标的资产价格下跌幅度可能较小，此时vega （负vega）或vega 的绝对值 会下降。

穗椿号在策略优化时，会重点关注标的资产波动性 的变化。如果标的资产波动性 增大，那么在牛市 中vega （正vega）或vega 的绝对值 会增大，而在熊市 中vega （负vega）或vega 的绝对值 会减小。这种动态变化直接影响Delta 和Vega 的数值。

在构建具体的策略时，我们可以利用Delta 和Vega 来衡量波动率敏感度 和标的资产波动性。
例如，在高波动率环境下，Delta 通常接近 0.5，而Vega 值较高；而在低波动率环境下，Delta 接近 1，Vega 值较低。通过监控这些动态指标，交易者可以动态调整仓位，特别是在牛市 或震荡市 中，vega （正vega）或vega 的绝对值 的变化对策略影响更为明显。

除了这些之外呢，我们还需要考虑股息率 对Delta 和Vega 的影响。

对于看涨期权，股息率 的增加会降低 Delta 值，并降低 Vega 值（或Vega 的绝对值）；而对于看跌期权，股息率 的增加会提升 Delta 值，并提升 Vega 值（或Vega 的绝对值）。这一规律在熊市 或震荡市 中表现尤为明显。 3

实战案例：从理论到实盘的逻辑推演

我们计算Delta 和Vega 的初始值。

由于标的资产价格 100 元远高于行权价 95 元，且波动率 20% 属于中等水平，此时Delta 约为 0.4 至 0.5 之间。

假设Delta 为 0.4，Vega 为 0.02（仅为举例数据）。当市场波动率上升至 25% 时，假设Delta 保持 0.4 不变，则Vega 会增加。

我们分析牛市 和熊市 中的变化。

在牛市 中，标的资产价格波动变大，导致vega （正vega）或vega 的绝对值 增大。此时Delta 可能会略微下降（接近 0.5），而Vega 值显著上升。

在熊市 中，标的资产价格波动变小，导致vega （负vega）或vega 的绝对值 减小。此时Delta 可能会略微上升（接近 0.4），而Vega 值显著下降。

通过对比牛市 和熊市 中的Delta 和Vega 变化，我们可以清晰地看到波动率敏感度 和标的资产波动性 的动态关系。 4

高频交易中的策略优化与风险控制

如果市价波动率 与隐含波动率 偏差较大，说明市场可能存在波动率风险溢价，此时Delta 和Vega 的数值会被显著调整。

在高频策略中，我们通常采用二项式模型 进行模拟。具体的操作包括：

1. 设定时间步长：通常较短，如 10ms 或 20ms，以适应高频交易的需求。

2. 计算Delta 和Vega：基于当前的市价波动率 和隐含波动率 进行计算。

3. 动态调整仓位：

如果Delta 和Vega 显示市场波动率上升速度快于预期，则vega （正vega）或vega 的绝对值 会增加，此时应增加仓位 或降低仓位（视具体策略而定）；反之亦然。

4. 监控股息率：在熊市 或震荡市 中，密切关注股息率 的变化对Delta 和Vega 的影响，以及时调整仓位。

除了这些之外呢，高频交易者还需关注标的资产波动性 的变化。如果标的资产波动性 突然增大，那么vega （正vega）或vega 的绝对值 会增大；反之，如果标的资产波动性 突然减小，那么vega （负vega）或vega 的绝对值 会减小。

这种动态变化直接影响Delta 和Vega 的数值，高频交易者必须实时监控这些指标，以做出快速反应。 5

归结起来说与展望

在以后，随着机器学习和大数据技术的发展，筛法公式的应用将更加智能化和自动化。通过构建动态定价模型，我们可以更早地捕捉市场微观结构中的定价偏差，实现更精准的投资决策。

记住一个核心原则：Delta 和Vega 的数值是衡量波动率敏感度 和标的资产波动性 的标尺。通过监控这些动态指标，我们能够在牛市 或震荡市 中做出更敏锐的反应，从而在波动率剧烈变化时抓住机会，规避风险。

希望穗椿号提供的筛法公式 能帮助大家更好地理解和应用这一强大的金融工具，在复杂多变的金融市场中寻找最优的投资策略。愿每一位交易者在牛市 和熊市 中都能通过Delta 和Vega 的精确计算，实现长期的投资回报。