简介这是一份面向量化投资初学者与数据分析爱好者的股票期权分析资源包围绕股票与期权的挑选展开融合预测性分析、交易建议与计算器工具。内容源自作者自建的Excel原型并整合了网络收集的Excel片段涵盖数据科学、推荐引擎、决策预测、博弈论及机器学习等方向适合希望用Python与Pandas搭建选股与期权策略的实践者。资源以zip压缩包形式提供整体约325.82MB包含CSS样式文件与Excel原型等主要类型其中Excel原型是站点构建的基础CSS用于页面呈现便于读者理解项目结构与复用逻辑。目前已有162人学习关注。通过摘要分析模块输入股票代码即可基于历史波动率估算30天乃至一年的价格区间并借助Wycoff方法给出牛熊市算法观点推荐模块则提供类似选股与期权建议的参考思路帮助读者快速上手预测建模与决策分析。1. 股票期权分析从选股到定价一套能跑起来的预测与计算框架很多人做期权亏钱不是因为方向看错而是因为标的选择和合约选择脱节。你选了一只波动率极低的股票却买了一张虚值期权时间价值每天衰减方向对了照样亏。反过来你选了一只高波动股票却卖了一张深度实值期权赚了方向却亏了波动率溢价。股票期权分析的核心不是预测涨跌而是把「选股」和「选合约」拆成两个独立但耦合的决策层第一层判断标的未来一段时间的预期收益和波动率第二层根据这个判断去筛选行权价、到期日、隐含波动率匹配的合约。这套框架适合有一定编程基础、想用数据而不是感觉来做期权交易的从业者。下面我从数据获取、预测建模、合约筛选、计算器实现到避坑一步步拆开讲。2. 选股与选合约的耦合逻辑为什么不能分开做2.1 标的预期收益与波动率是期权定价的两个输入期权价格对标的的敏感度由希腊字母刻画其中 Delta 衡量方向暴露Vega 衡量波动率暴露Theta 衡量时间衰减。如果你只预测方向不考虑波动率那么你买入期权后可能遇到「方向对了但波动率下降导致期权不涨」的情况。常见做法是先对标的做收益预测再对标的做波动率预测两者结合才能判断一张期权是否「贵」。具体来说假设你预测某标的未来 20 个交易日年化收益率为 8%年化波动率为 25%。当前期权市场隐含波动率为 35%。这意味着市场定价比你预测的波动率高出 10 个百分点期权大概率被高估。此时买入期权就不划算反而应该考虑卖出波动率策略。反之如果隐含波动率低于你的预测买入期权才有优势。这个判断逻辑需要三个数据标的的历史价格序列、期权的隐含波动率曲面、无风险利率。历史价格用来估计已实现波动率和收益分布隐含波动率曲面用来判断市场定价无风险利率用于定价模型。2.2 用 Python 拉取标的与期权链数据我一般用 yfinance 拉取美股标的和期权链数据它免费且接口稳定。下面是一个最小可运行示例拉取某标的过去两年的日线数据和当前期权链。import yfinance as yf import pandas as pd import numpy as np # 拉取标的日线数据用于计算历史波动率和收益分布 ticker AAPL stock yf.Ticker(ticker) hist stock.history(period2y) hist[log_ret] np.log(hist[Close] / hist[Close].shift(1)) hist hist.dropna() # 计算年化已实现波动率20日滚动 hist[rv_20] hist[log_ret].rolling(20).std() * np.sqrt(252) # 拉取当前所有到期日的期权链 expirations stock.options option_chain {} for exp in expirations[:4]: # 只看最近4个到期日避免数据过多 opt stock.option_chain(exp) option_chain[exp] { calls: opt.calls, puts: opt.puts } # 打印最近一个到期日的看涨期权关键字段 first_exp expirations[0] calls option_chain[first_exp][calls] print(calls[[strike, lastPrice, impliedVolatility, volume, openInterest]].head(10))这段代码的逻辑是先拿标的历史数据算已实现波动率再拿期权链数据算隐含波动率。参数说明period2y给两年数据足够覆盖一个完整的波动率周期rolling(20)是常见的短期波动率窗口对应约一个月的交易日np.sqrt(252)把日波动率年化。期权链只取前四个到期日是因为远月合约流动性差点差大不适合作为分析起点。拿到数据后你需要把已实现波动率和隐含波动率放在同一张表里对比。如果某行权价的隐含波动率显著高于 20 日已实现波动率说明市场预期未来波动会放大或者该合约被高估。这一步是后续筛选合约的基础。2.3 筛选合约的三个硬性条件不是所有期权都值得交易。我一般用三个条件过滤成交量大于 100、持仓量大于 500、买卖价差小于行权价的 5%。这三个条件能过滤掉大部分流动性陷阱。def filter_contracts(calls, puts, min_volume100, min_oi500, max_spread_pct0.05): 过滤流动性差的合约 def _filter(df): df df.copy() df[spread] df[ask] - df[bid] df[spread_pct] df[spread] / df[strike] mask ( (df[volume] min_volume) (df[openInterest] min_oi) (df[spread_pct] max_spread_pct) (df[bid] 0) # 排除无买价的合约 ) return df[mask] return _filter(calls), _filter(puts) filtered_calls, filtered_puts filter_contracts(calls, puts) print(f过滤后看涨合约数: {len(filtered_calls)}) print(f过滤后看跌合约数: {len(filtered_puts)})逻辑说明spread_pct用买卖价差除以行权价而不是除以期权价格因为期权价格可能很低除以价格会放大噪声。bid 0排除那些只有卖价没有买价的合约这种合约你买进去可能卖不掉。参数方面min_volume100和min_oi500是经验值小盘股可以适当放宽但大盘股建议保持这个标准。过滤之后你手里剩下的合约才是可交易的。接下来才是预测模型和定价计算器要处理的对象。3. 预测性分析用历史波动率和收益分布做概率判断3.1 已实现波动率与隐含波动率的差值信号预测性分析不是预测明天涨还是跌而是预测未来一段时间的波动率区间和收益分布。最直接的做法是比较已实现波动率和隐含波动率。当隐含波动率高于已实现波动率一个标准差以上时期权可能被高估反之可能被低估。# 计算隐含波动率与已实现波动率的差值 calls[iv_minus_rv] calls[impliedVolatility] - hist[rv_20].iloc[-1] # 按差值排序找出最被高估和最被低估的合约 calls_sorted calls.sort_values(iv_minus_rv, ascendingFalse) print(最被高估的5个合约:) print(calls_sorted[[strike, impliedVolatility, iv_minus_rv]].head()) print(\n最被低估的5个合约:) print(calls_sorted[[strike, impliedVolatility, iv_minus_rv]].tail())这段代码把每个合约的隐含波动率减去标的当前的 20 日已实现波动率得到差值。差值越大说明市场定价越贵。参数说明hist[rv_20].iloc[-1]取最新一天的已实现波动率代表当前市场实际波动水平。注意隐含波动率是年化值已实现波动率也是年化值两者可以直接相减。这个信号不是万能的。在财报发布前隐含波动率会系统性偏高因为市场预期会有大波动。这时候差值大不代表期权被高估而是市场在定价事件风险。所以你需要结合事件日历来判断。3.2 用蒙特卡洛模拟估计到期收益分布比波动率差值更精细的做法是蒙特卡洛模拟。你假设标的未来收益服从某个分布比如正态分布或学生 t 分布模拟几千条路径算出期权到期的期望收益。def monte_carlo_option_price(S0, K, T, r, sigma, n_sims10000, n_steps252): 蒙特卡洛模拟欧式看涨期权价格 S0: 标的当前价格 K: 行权价 T: 到期时间年 r: 无风险利率 sigma: 年化波动率 dt T / n_steps paths np.zeros((n_sims, n_steps 1)) paths[:, 0] S0 for t in range(1, n_steps 1): z np.random.standard_normal(n_sims) paths[:, t] paths[:, t-1] * np.exp((r - 0.5 * sigma**2) * dt sigma * np.sqrt(dt) * z) payoffs np.maximum(paths[:, -1] - K, 0) price np.exp(-r * T) * np.mean(payoffs) std_err np.exp(-r * T) * np.std(payoffs) / np.sqrt(n_sims) return price, std_err # 示例标的100元行权价105元30天到期无风险利率3%波动率25% price, se monte_carlo_option_price(100, 105, 30/365, 0.03, 0.25) print(f模拟期权价格: {price:.4f} ± {se:.4f})逻辑说明paths矩阵存储每条模拟路径的价格序列n_sims10000是模拟次数n_steps252是把一年拆成 252 个交易日。每次循环用几何布朗运动更新价格。最后算到期收益的均值并折现。参数方面sigma可以用已实现波动率也可以用隐含波动率取决于你想对比什么。std_err是模拟误差如果误差太大需要增加n_sims。这个模拟结果可以和市场价格对比。如果模拟价格远低于市场价说明市场定价偏高卖出期权可能有利。反之则买入。3.3 收益分布的分位数与概率判断除了定价蒙特卡洛还能给出到期时标的落在某个区间的概率。这对选择行权价很有用。# 基于上面的模拟计算到期价格的分位数 final_prices paths[:, -1] percentiles [5, 25, 50, 75, 95] quantiles np.percentile(final_prices, percentiles) for p, q in zip(percentiles, quantiles): print(f{p}% 分位数: {q:.2f}) # 计算标的到期高于行权价的概率 prob_above np.mean(final_prices 105) print(f到期价格高于105的概率: {prob_above:.2%})这段代码输出到期价格的分位数和高于行权价的概率。如果你买入行权价 105 的看涨期权到期高于 105 的概率只有 30%那么这张期权大概率归零。你需要判断这个概率是否值得博。参数说明分位数取 5%、25%、50%、75%、95%覆盖了尾部风险。prob_above直接算模拟路径中最终价格超过行权价的比例。这个概率不是真实概率而是风险中性测度下的概率。但它能给你一个基准避免你凭感觉觉得「应该能涨到」。4. 期权计算器从希腊字母到盈亏平衡点的完整实现4.1 Black-Scholes 定价与希腊字母计算计算器的基础是 Black-Scholes 模型。虽然它有假设缺陷但作为快速估算工具足够用。from scipy.stats import norm def bs_call(S, K, T, r, sigma): Black-Scholes 欧式看涨期权定价 d1 (np.log(S / K) (r 0.5 * sigma**2) * T) / (sigma * np.sqrt(T)) d2 d1 - sigma * np.sqrt(T) price S * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2) delta norm.cdf(d1) gamma norm.pdf(d1) / (S * sigma * np.sqrt(T)) vega S * norm.pdf(d1) * np.sqrt(T) / 100 # 每1%波动率变化 theta (-S * norm.pdf(d1) * sigma / (2 * np.sqrt(T)) - r * K * np.exp(-r * T) * norm.cdf(d2)) / 365 return {price: price, delta: delta, gamma: gamma, vega: vega, theta: theta} # 示例 result bs_call(100, 105, 30/365, 0.03, 0.25) for k, v in result.items(): print(f{k}: {v:.4f})逻辑说明d1和d2是 Black-Scholes 公式的中间变量。norm.cdf是标准正态累积分布函数norm.pdf是概率密度函数。vega除以 100 是为了表示波动率每变化 1 个百分点时期权价格的变化。theta除以 365 表示每日时间衰减。参数方面T用年为单位30 天就是 30/365。r用无风险利率一般取国债收益率。这个计算器可以快速告诉你一张期权的理论价格和希腊字母。如果理论价格远低于市场价说明市场定价偏高。4.2 盈亏平衡点与最大损失计算买入期权后你需要知道到期时标的涨到多少才能回本。这个计算很简单但很多人忽略。def breakeven_and_max_loss(option_price, strike, option_typecall): 计算盈亏平衡点和最大损失 if option_type call: breakeven strike option_price max_loss option_price else: breakeven strike - option_price max_loss option_price return {breakeven: breakeven, max_loss: max_loss} # 示例买入行权价105的看涨期权权利金3元 be breakeven_and_max_loss(3, 105, call) print(f盈亏平衡点: {be[breakeven]:.2f}) print(f最大损失: {be[max_loss]:.2f})逻辑说明看涨期权的盈亏平衡点是行权价加上权利金。标的到期必须高于这个价格你才赚钱。最大损失就是权利金因为期权买方最多亏掉全部权利金。参数方面option_price是你实际支付的权利金不是理论价格。strike是行权价。这个计算器帮你快速判断如果标的当前 100 元盈亏平衡点是 108 元意味着标的要涨 8% 你才回本。这个涨幅在 30 天内实现的概率有多大回到蒙特卡洛模拟你可以算出来。4.3 用隐含波动率反推市场预期有时候你不想算理论价格而是想知道市场当前定价隐含了什么波动率预期。这可以用数值方法反推。from scipy.optimize import brentq def implied_vol(market_price, S, K, T, r): 从市场价格反推隐含波动率 def objective(sigma): return bs_call(S, K, T, r, sigma)[price] - market_price try: iv brentq(objective, 0.01, 5.0) return iv except ValueError: return None # 示例市场价5元标的100行权价10530天无风险利率3% iv implied_vol(5, 100, 105, 30/365, 0.03) print(f隐含波动率: {iv:.2%} if iv else 无法计算)逻辑说明brentq是 Brent 求根算法在 0.01 到 5.0 的波动率区间内寻找使理论价格等于市场价格的波动率。参数方面market_price是期权的实际交易价格S是标的当前价格。如果找不到根说明市场价格超出了模型合理范围可能数据有问题。这个反推的隐含波动率可以和已实现波动率对比也可以和不同行权价的隐含波动率对比画出波动率微笑曲线。微笑曲线越陡说明市场对尾部风险定价越高。5. 避坑与常见问题期权分析里最容易翻车的五个地方5.1 用错波动率窗口导致信号失真现象你用 20 日已实现波动率和隐含波动率对比发现隐含波动率一直偏高于是持续卖出期权结果遇到财报后波动率飙升亏损扩大。原因20 日窗口太短在低波动率时期会低估真实波动水平。财报前市场隐含波动率上升是合理的不是高估。解决同时看 20 日、60 日、120 日三个窗口的已实现波动率取中位数作为基准。如果三个窗口差异很大说明波动率不稳定此时不宜做波动率套利。5.2 忽略买卖价差导致回测收益虚高现象回测显示某策略年化收益 30%实盘跑起来只有 5%。原因回测用了中间价成交但实盘你买入时付卖价卖出时收买价一进一出损失了价差。解决回测时买入用ask卖出用bid。如果价差超过行权价的 5%直接过滤掉这个合约。我一般会在回测框架里加一行df df[df[spread_pct] 0.05]。5.3 蒙特卡洛模拟的随机种子导致结果不可复现现象每次跑蒙特卡洛模拟期权价格都不一样差异还不小。原因没有设置随机种子每次生成的随机路径不同。解决在模拟前加np.random.seed(42)。如果模拟误差std_err大于价格的 1%把n_sims从 10000 提高到 50000。但注意模拟次数增加会线性增加计算时间。5.4 用历史波动率代替隐含波动率做定价现象你用历史波动率算出的理论价格远低于市场价以为发现了套利机会结果买入后市场价继续涨。原因历史波动率是向后看的隐含波动率是向前看的。市场可能预期未来有事件导致波动率上升历史波动率无法捕捉。解决定价时用隐含波动率作为输入而不是历史波动率。历史波动率只用来判断隐含波动率是否偏离正常水平。两者角色不能互换。5.5 忽略股息和利率对期权价格的影响现象某高股息股票的看涨期权理论价格和市场价格差距很大你以为市场定价错误。原因Black-Scholes 模型没有考虑股息。高股息股票的看涨期权价格会低于无股息模型的理论价格因为持股方在除息日会损失股息。解决在模型里加入股息率参数把S替换为S * exp(-q * T)其中q是年化股息率。利率方面用对应到期日的国债收益率而不是一个固定值。6. 把计算器接上实时数据一个可复用的分析脚本骨架前面几章拆开了数据获取、预测、定价和避坑。这一章我把它们串成一个可复用的脚本骨架你每天跑一次就能得到一份期权分析报告。这个骨架不依赖任何平台纯本地运行。import yfinance as yf import pandas as pd import numpy as np from scipy.stats import norm from scipy.optimize import brentq class OptionAnalyzer: def __init__(self, ticker, risk_free_rate0.03): self.ticker ticker self.r risk_free_rate self.stock yf.Ticker(ticker) self.hist self.stock.history(period1y) self.hist[log_ret] np.log(self.hist[Close] / self.hist[Close].shift(1)) self.hist self.hist.dropna() self.rv_20 self.hist[log_ret].rolling(20).std().iloc[-1] * np.sqrt(252) self.rv_60 self.hist[log_ret].rolling(60).std().iloc[-1] * np.sqrt(252) self.spot self.hist[Close].iloc[-1] def get_option_chain(self, expiration): opt self.stock.option_chain(expiration) return opt.calls, opt.puts def filter_liquid(self, df, min_volume100, min_oi500, max_spread_pct0.05): df df.copy() df[spread_pct] (df[ask] - df[bid]) / df[strike] mask ( (df[volume] min_volume) (df[openInterest] min_oi) (df[spread_pct] max_spread_pct) (df[bid] 0) ) return df[mask] def bs_price(self, K, T, sigma, option_typecall): d1 (np.log(self.spot / K) (self.r 0.5 * sigma**2) * T) / (sigma * np.sqrt(T)) d2 d1 - sigma * np.sqrt(T) if option_type call: return self.spot * norm.cdf(d1) - K * np.exp(-self.r * T) * norm.cdf(d2) else: return K * np.exp(-self.r * T) * norm.cdf(-d2) - self.spot * norm.cdf(-d1) def implied_vol(self, market_price, K, T, option_typecall): def objective(sigma): return self.bs_price(K, T, sigma, option_type) - market_price try: return brentq(objective, 0.01, 5.0) except ValueError: return None def analyze(self, expiration, option_typecall): calls, puts self.get_option_chain(expiration) df calls if option_type call else puts df self.filter_liquid(df) # 计算到期时间 exp_date pd.to_datetime(expiration) today pd.Timestamp.today() T (exp_date - today).days / 365 if T 0: return None # 计算隐含波动率与已实现波动率的差值 df[iv] df.apply( lambda row: self.implied_vol(row[lastPrice], row[strike], T, option_type), axis1 ) df[iv_minus_rv] df[iv] - self.rv_20 df[breakeven] df[strike] df[lastPrice] if option_type call else df[strike] - df[lastPrice] # 按 iv_minus_rv 排序 df df.sort_values(iv_minus_rv) return df[[strike, lastPrice, iv, iv_minus_rv, breakeven, volume, openInterest]] # 使用示例 analyzer OptionAnalyzer(AAPL) expirations analyzer.stock.options if expirations: report analyzer.analyze(expirations[0], call) if report is not None: print(report.head(10))这个脚本骨架的逻辑是初始化时拉取标的历史数据计算 20 日和 60 日已实现波动率。analyze方法拉取指定到期日的期权链过滤流动性计算每个合约的隐含波动率和与已实现波动率的差值最后按差值排序。参数方面risk_free_rate默认 3%你可以根据当前国债收益率调整。min_volume和min_oi可以根据标的流动性调整小盘股可以降到 50 和 200。跑完这个脚本你会得到一张表按iv_minus_rv从低到高排列。差值最低的合约是相对最便宜的差值最高的是相对最贵的。但这只是第一步你还需要结合蒙特卡洛模拟判断到期概率以及结合事件日历判断是否有财报等催化剂。我自己的习惯是每天收盘后跑一次这个脚本把结果存成 CSV积累一段时间后回看哪些信号有效。有一次我忽略了一个细节lastPrice可能是前一天收盘价不是实时价。如果你在盘中跑需要用bid和ask的中间价代替。这个坑我踩过导致计算出的隐含波动率偏差很大。后来我改成用(bid ask) / 2作为市场价格输入结果稳定了很多。另一个技巧是不要只看一个到期日。把最近四个到期日的分析结果拼在一起观察隐含波动率期限结构。如果近月隐含波动率远高于远月说明市场预期近期有事件这时候买入近月期权成本很高可以考虑卖出近月买入远月做日历价差。这个判断不需要复杂模型一张表就能看出来。最后说一个验证方法把你计算出的隐含波动率和期权链里自带的impliedVolatility字段对比。如果差异超过 5%说明你的定价模型或者输入参数有问题。常见原因是股息率没考虑或者无风险利率用错了。这个交叉验证能帮你快速发现计算错误。希望帮到你。本文还有配套的精品资源点击获取