Skip to main content

标记价格与希腊值

标记价格 (mark price) 是出于风险管理的目的,对期货价格和期权价格的一个公允估计值。合理的标记价格是计算保证金的必备要素之一,该值会随着市场波动不断更新以更好地反映市场风险水平。

期货标记价格

根据期货定价理论,定义到期日为 TT 的期货标记价格 (future mark price) 为:
FtT=IteABR(T)(Tt)F^T_t=I_t \cdot e^{ABR(T) \cdot (T-t)}
其中,tt 为当前时间,ABR(T)ABR(T) 为到期时间 TT 期货合约的年化基差率 (annualized basis rate),ItI_t 在距离合约到期时间 30 分钟以前为 指数价格 (index price),而在到期前的 30 分钟内则采用 时间加权平均结算价格 (SettleTWAP)

年化基差率

我们取 Deribit 不同期限期货交割合约的最新价格数据 {(Ti,FtTi)}i=1,2,...,n\left\{(T_i,F_t^{T_i})\right\}_{i=1,2,...,n},反算得到不同期限的 ABR(Ti)ABR(T_i)
ABR(Ti)=1Titlog(FtTiSt) ABR(T_i) = \frac{1}{T_i-t}\log(\frac{F_t^{T_i}}{S_t})
其中,StS_t 为对应 Deribit 的指数价格。通过对这些数据进行插值处理,我们便能得到任何给定到期日 TT 对应的期货合约的年化基差率 ABRABR

期权标记价格

期权波动率与波动率曲面

在期权定价中,波动率是最核心的要素。Black-Scholes 模型假设资产价格遵循恒定波动率的几何布朗运动,但实际市场波动率会随行权价和到期时间变化。拟合波动率曲面能够更好的避免严格套利同时揭示定价偏误,有助于做市商纠正报价减少风险敞口。
我们采用 SVI 模型拟合场内交易所的隐含波动率曲面。对于具有相同到期日 TT 的一系列期权,给定一组待定参数集合 χR={a,b,ρ,m,σ}\chi_R=\left\{a,b,\rho,m,\sigma \right\},假设行权价 KK 期权对应的总隐含方差符合以下公式:
ω(k;χR)=a+b[ρ(km)+(km)2+σ2] \omega(k; \chi_R) = a + b \left[ \rho(k - m) + \sqrt{(k - m)^2 + \sigma^2} \right]
简记为ω(k)\omega(k),则隐含波动率 IV(K,T)IV(K,T)为:
IV(K,T)=ω(k)Tt IV(K,T)=\sqrt{\frac{\omega(k)}{T-t}}
其中,tt 为当前时间,k=log(K/FtT)k=log(K/F_t^T) 为行权价 KK 的对数转换,表示对数在值程度。
我们获取 Deribit 虚值期权不同行权价KK对应的隐含波动率数据 {(Ki,vi)}i=1,2,...,n\left\{(K_i,v_i)\right\}_{i=1,2,...,n}FtTF_t^T 为对应期限的标的期货价格,则有:
ki=log(KiFtT) k_i=log(\frac{K_i}{F_t^T})
ω(ki)=vi2(Tt) \omega(k_i) = v_i^2 \cdot (T-t)
通过上式可得数据集 {(ki,ωi)}i=1,2,...,n\left\{(k_i,\omega_i)\right\}_{i=1,2,...,n}。我们采用 Quasi-Explicit 方法对 SVI 原式进行最优化拟合,得到最优参数集 {a,b,ρ,m,σ}\left\{a^*,b^*,\rho^*,m^*,\sigma^*\right\}。将最优参数集应用到期权的隐含波动率计算中,进而通过插值的方法便可得到经过校准的波动率曲面。

期权标记价格

期权标记价格 (option mark price) 通过 Black-76 模型计算得到。FtTF^T_t 为对应标的期货的标记价格,rr 为无风险利率:
V(FtT,σ,T,t,K,r,call)=er(Tt)[FtTN(d1)KN(d2)] V(F^T_t,\sigma,T,t,K,r,call) = e^{-r(T-t)}[F^T_tN(d_1) - KN(d_2)]
V(FtT,σ,T,t,K,r,put)=er(Tt)[KN(d2)FtTN(d1)] V(F^T_t,\sigma,T,t,K,r,put) = e^{-r(T-t)}[KN(-d_2) - F^T_tN(-d_1)]
其中:
d1=ln(FtT/K)+(σ2/2)(Tt)σTt d_1 = \frac{\ln(F^T_t/K) + (\sigma^2/2)(T - t)}{\sigma\sqrt{T - t}}
d2=d1σTt d_2 = d_1 - \sigma\sqrt{T - t}

示例

Emma 持有一张 BTC-10JAN24-43000-C,目前,此期权的标的期货价格为 42,563,距离到期还剩 0.0195 年。假设隐含波动率为 0.353,计算看涨期权价格为:

d1=ln(42563/43000)+(0.3532/2)(0.0195)0.3530.0195=0.1827d_1 = \frac{\ln(42563/43000) + (0.353^2/2)(0.0195)}{0.353\sqrt{0.0195}} = -0.1827
d2=0.18270.3530.0195=0.2319d_2 = -0.1827 - 0.353\sqrt{0.0195} = -0.2319
V=425630.43430000.41=641V = 42563 \cdot 0.43 - 43000 \cdot 0.41 = 641

平滑标记价格

期货和期权的平滑标记价格 (smooth mark price) 均以 时间加权平均指数价格 (IndexTWAP) 作为入参计算得到。其中,tt 时刻的 时间加权平均指数价格 (IndexTWAP) 记为 I~t \tilde{I}_t

对于任意期限 TT 的期货:

F~tT={I~teABR(T)(Tt),到期日UTC7:40之前FtT,到期日UTC7:40之后\tilde{F}^T_t = \begin{cases} \tilde{I}_t \cdot e^{ABR(T) \cdot (T-t)}, & \text{到期日UTC7:40之前} \\[5pt] F^T_t, & \text{到期日UTC7:40之后} \end{cases}

对于任意期限 TT、行权价 KK 的期权,平滑标记价格的计算方法与标记价格基本一致,唯一区别在于计算时需要使用标的期货的平滑标记价格而非标记价格。

希腊值

给定期货价格 FtTF^T_t,行权价 KK,波动率 σ\sigma,到期日 TT,当前时间 tt 及无风险利率 rr,便可以通过中心差分法计算不同的希腊值:
Delta 衡量标的期货价格每变动 $1 对期权价格的影响比率:
Δ=V(FtT+1,σ,T,t,K,r)V(FtT1,σ,T,t,K,r)2 \Delta = \frac{V(F^T_t + 1,\sigma,T,t,K,r) - V(F^T_t - 1,\sigma,T,t,K,r)}{2}
Gamma 衡量标的期货价格每变动 $1 对 Δ\Delta 的影响比率:
Γ=V(FtT+1,σ,T,t,K,r)+V(FtT1,σ,T,t,K,r)2V(FtT,σ,T,t,K,r)(1)2 \Gamma = \frac{V(F^T_t + 1,\sigma,T,t,K,r) + V(F^T_t - 1,\sigma,T,t,K,r) - 2 \cdot V(F^T_t,\sigma,T,t,K,r)}{(1)^2}
Vega 衡量了隐含波动率 σ\sigma 每变动 1%1\% 对期权价格的影响比率:
ν=V(FtT,σ+0.01,T,t,K,r)V(FtT,σ0.01,T,t,K,r)2 \nu = \frac{V(F^T_t,\sigma + 0.01,T,t,K,r) - V(F^T_t,\sigma - 0.01,T,t,K,r)}{2}
Theta 衡量了单位时间(天)期权价格的变化:
Θ={V(FtT,σ,0,t,K,r)V(FtT,σ,T,t,K,r),T1365V(FtT,σ,T1365,t,K,r)V(FtT,σ,T,t,K,r),T>1365 \Theta = \begin{cases} V(F^T_t,\sigma,0,t,K,r) - V(F^T_t,\sigma,T,t,K,r), & T \leq \frac{1}{365} \\[5pt] V(F^T_t,\sigma,T - \frac{1}{365},t,K,r) - V(F^T_t,\sigma,T,t,K,r),& T > \frac{1}{365} \end{cases}
Rho 衡量了利率变化 1%1\% 对期权价值的影响:
ρ=V(FtT,σ,T,t,K,r+0.01)V(FtT,σ,T,t,K,r0.01)2 \rho = \frac{V(F^T_t,\sigma,T,t,K,r + 0.01) - V(F^T_t,\sigma,T,t,K,r - 0.01)}{2}
产品

Dederi RFQ

结构化产品

专业用户

市场数据

服务

文档

隐私政策

服务条款

支持
@Dederi_official

产品

Dederi RFQ

结构化产品

专业用户

市场数据

服务

文档

隐私政策

服务条款

Copyright © 2024 Dederi