選擇權的眉眉角角

sec2100

EntrepreneurOPs 發表於 2020-12-15 15:01
賣方一定要做價差嗎? 裸賣不行嗎? 0206事件發生時很可怕嗎?
其實一切都是 [口數] 的問題!
自己的總資金能 ...

我補充一下:

口數多，即使做價差，也絕對做不好。不過，在一定的口數下，有價差保護，是必要的，特別是Put的這一頭。covered put/ cash secured put定義上就是用保證金當全部擔保，例如 10000點的價平賣一口Put，準備50萬，這種人就真的不用做價差嗎? 倒也未必喔，可以思考一下。

EntrepreneurOPs

賣方一定要做價差嗎? 裸賣不行嗎? 0206事件發生時很可怕嗎?
其實一切都是 [口數] 的問題!
自己的總資金能做的安全數量是多少? 控制好的話, 沒有什麼一定不能做的
當一個人沒法做好總量管制的時候, 講究紀律什麼的...都是自我安慰而已!

EntrepreneurOPs

交易某些時候和數學一樣, 好像有客觀正確的解答; 但發表分數時又很不一樣, 數學答案錯立刻得不到分數, 交易策略錯誤卻很可能得到分數, 運氣好時甚至是大大地得分! 而交易策略就算正確, 在運氣差的時候, 也會賠些小錢

EntrepreneurOPs

一般學校學的科目通常是正向地教我們怎麼做. 如何解題才是正確的; 而交易正好相反, 常常反向地告訴我們哪些事情絕對不能做, 然後給它個高尚名稱 -- 紀律! 若要問到怎麼做才能像學科一樣肯定是正確的? 頂多得到一些打高空的教條與原則, 欠缺可操作性不說, 還不保證會賺錢

EntrepreneurOPs

賣方操作就是 --- 隨著指數報價或波動率不斷地在變化的同時, 在期望值為正的前提下, 進行一連串 [價格對焦] 的過程

把到期損益圖0軸之上的區域當成鏡頭的視界, 視界的寬窄高低大小便是您的主要考量, 而考量的決定在於是否符合 --- 3項具有理論優勢的檢驗標準
1. 對數常態分配概型 2. 風險與報酬比率 3. 視需求來架構整體組合 (不要排斥商品 ex: 價內賣出, 指數期貨...等)

不要排斥有裸賣的部分, 更不要排斥遇險時該做的價差. 重點是做好管理, 而不是排斥風險

EntrepreneurOPs

AI 人工智慧在交易上的可行與不可行

根據姜林教授 在 程式交易的新境界 文章裡, 對交易策略的開發有以下分類 ---

1. 模式導向(model driven): 有明確邏輯, 可以量化、程式化、經科學驗證的模型，不管邏輯源自於技術、基本、籌碼或總經分析, 而以此產生的量化策略稱之; 主要是市場邏輯的演繹

2. 資料導向(data driven): 來自於對市場數據的歸納分析, 不同於第一種模式導向有演繹的邏輯, 很多時候連策略開發者, 自己也不知其交易規則是什麼

3. 演化導向(evolution driven): 透過電腦環境的市場複製與投資人行為模擬，找出市場在參與者共同互動、演化、學習後的可能發展，此種基於市場競局本質，從市場演化軌跡模擬建構的策略稱之

在交易上應用AI人工智慧技術, 無疑是屬於第二類(資料導向)的, 主要概念是利用演算法試圖找資料裡面的pattern, 最後根據pattern來做交易決策. 演算法有多種手段(ex: 分群, 多維度... etc.)去檢視資料後得到的結論, 常常是人類所不能理解或很無厘頭的(你有能力理解一份資料用3維度來解釋就算很厲害了, 5維度? 10維度呢?), 也像量化交易宗師(西蒙斯)開的文藝復興科技公司說: 有些買賣決策根據是沒來由的(但資料分析上就是很準), 對於AI交易方面我曾經為文寫過 現階段AI或理財機器人以行銷為多, 文章的重點是AI夠不夠能力應付交易世界, 完全取決於訓練資料的準備, 很仰賴找到夠格的domain expert而致使資料品質風險太大, 再加上它以資料導出規則, 沒發生過的事件便沒資料去訓練AI, 會使得未來無經驗的事件發生時, AI可能會不知所措, 或者本就是無厘頭的決策會讓人類傻眼, 更不知黑天鵝發生時可不可以信賴

Van K. Tharp說過: 交易是在交易你的信念! 我信念上還是認為交易的執行者是人類, 有合理邏輯演繹與推導的第一類模式導向(model driven)策略開發法, 在緊張時刻較能讓人類去信賴而願意遵循地去執行; AI近幾年因為人云亦云地很夯, 或許能在99%的時間裡讓你游刃有餘(有過AI經驗的會知道策略的績效常常沒有行銷話術說得好), 但在關鍵時刻的無能, 在真金白銀的世界裡我真的會怕, 怕無厘頭的決策出現致命的缺陷而破產; 至於第三種演化導向, 明顯可知人類賽局有完全理解? 人類行為多變致使模擬的完整性? 個體心態與集體行為的差異? 市場環境真的能複製和演化推導? 變數實在太多, 而且都在萌芽階段...

sec2100

EntrepreneurOPs 發表於 2020-11-27 11:42
多策略的管理

本格一向推崇的是多策略並行法, 相關係數低的分散策略雖然會使總獲利降低, 但會帶來較穩定的 ...

感覺自營家頗有大獎章基金的管理能力，不過，你的員工如果會自己學習，自行決定上架或下架，員工自行加碼或減碼，員工自己做風控，在員工和員工之間自行找報酬率和風險關連，而非老闆各別評鑑，就更有趣了。

網飛的員工每個都要很有生產力，我想每個策略也是如此，不好就下架。好現實喲!但策略和策略之間的相關性，就這點而言，比管理網飛的員工更複雜。

EntrepreneurOPs

多策略的管理

本格一向推崇的是多策略並行法, 相關係數低的分散策略雖然會使總獲利降低, 但會帶來較穩定的整體淨值曲線(total equity curve)變化, 這樣也能平穩到交易者的心態, 回過頭來可令多策略更有紀律地施行; 舊文也多次提過操作成功最重要的不是啥偉大的技術或指標, 完全取決於執行者的心態而已

當我們像策略與員工裡面講的 --- 已經開發出各種不同特性的策略員工後, 當老闆的我們就必須面對如何管理好員工的問題, 而資金加權(獎勵或懲罰)的動態最佳分配是最被推薦的; 其邏輯和我們一般上班族的工作表現獎懲一樣, 表現好的員工分配給他較多的資金當獎勵, 相對表現差的員工只能降薪(配少資金或乾脆解雇)懲戒! 但我們要問的是評核的標準是什麼? 前段提到的整體資產曲線(total equity curve), 其實是由多個策略自己個別的淨值曲線(equity curve)加總而成, 老闆要根據每個策略的表現(淨值曲線, equity curve)做獎懲, 就是去 trade equity curve (不要只會 trade K線, 邏輯是一樣的)

落實到實例上, 比如我們可以去做某A策略它的equity curve的10日和20日平均線, 當某A策略equity curve大於20日平均線時, 我們分配給它10分之1的總資金; 當equity curve又大於10日平均線時, 我們再多加分配給它10分之1的總資金(此時已經佔了10分之2總資金了); 以此類推, 當某A策略equity curve小於20日平均線時, 我們將這個A策略下架, 不給它任何資金(上線)跑了, 等它的equity curve是否回歸到大於20日平均線時再說

當然舉例的管理邏輯很粗糙, 有人更進一步地把equity curve做包寧傑區間帶(Bollinger Bands)管理的, 這都看各自交易者的創意, 當然也可以去做回測看效果! 至於我們這種早將判斷趨勢轉折寫成程式模組的人, 把equity curve當成指數報價直接套用進去, 讓既有的程式模組來判斷各自策略的equity curve是否發生轉折, 就會得到 -1 (下架) 與 + 1 (上架) 的結果, 其他所謂的資金加權或加碼不過是少許的變形而已

sec2100

EntrepreneurOPs 發表於 2020-11-17 08:25
不少人操作期權有個壞習慣 --- 佔小便宜(比較有肉), 喜歡漲起來賣買權, 跌下去賣賣權; 尤其最近的瘋漲, 看 ...

也是啦。

sec2100

EntrepreneurOPs 發表於 2020-11-23 14:34
2020/11/23相關係數低的分散策略會使總獲利降低, 但會帶來較穩定的資產曲線(equity curve)變化; 結合多個策 ...

最下面的圖很美，multi-dimension