期权隐含信息在投资组合优化中的应用研究

余湄; 殷方盛; 何沁莲

doi:10.12012/CJoE2020-0029

PDF(593 KB)

计量经济学报 ›› 2022, Vol. 2 ›› Issue (1) : 141-149. DOI: 10.12012/CJoE2020-0029

论文

期权隐含信息在投资组合优化中的应用研究

余湄, 殷方盛, 何沁莲

作者信息 +

Research on Application of Option Implied Information in Portfolio Optimization

YU Mei, YIN Fangsheng, HE Qinlian

Author information +

文章历史 +

摘要

本文利用无模型方法计算上证50ETF期权的隐含波动率, 以上证50指数的成分股为资产池构建投资组合, 对最小方差组合、等权重组合、市值加权组合以及市场组合的投资效果进行比较.研究结果表明, 在市场波动剧烈时期, 使用期权隐含信息构建的最小方差组合要优于基于历史数据构建的四种基准组合.因此, 投资者应该有效地利用期权中隐含的前瞻性信息来优化投资组合管理.

Abstract

This article uses the model-free method for the first time to calculate the implied volatility of SSE 50ETF options. The constituent stocks of the SSE 50 Index construct an investment portfolio for the asset pool. In addition, the investment effects of minimum variance portfolio constructed with implied information, minimum variance portfolio based on historical information, equal weight portfolio, market value weighted portfolio, and market portfolio are compared. The research results show that during the period of severe market volatility, when the market panic is severe, the performance of the minimum variance portfolio optimized by the implied volatility of options is better than the four benchmark portfolios based on historical data. Therefore, investors should effectively use the forward-looking information implied in options to optimize the performance of investment portfolios.

导出引用

余湄 , 殷方盛 , 何沁莲. 期权隐含信息在投资组合优化中的应用研究. 计量经济学报, 2022, 2(1): 141-149 https://doi.org/10.12012/CJoE2020-0029

Mei YU , Fangsheng YIN , Qinlian HE. Research on Application of Option Implied Information in Portfolio Optimization. China Journal of Econometrics, 2022, 2(1): 141-149 https://doi.org/10.12012/CJoE2020-0029

1 引言

如何根据各类市场信息来构建最优的投资组合模型一直是金融界的经典问题. 1952年Mark-owitz提出了著名的均值方差模型, 开启了投资组合理论的先河, 但在实际应用中, 该模型仍存在许多问题: 使用历史数据进行的估计所存在的误差使得结果不够稳定; 模型需要的预期收益率难以估计等.面对均值方差模型存在的局限性, 学者们将更多的注意力放到最小方差组合, 该投资组合的实现不需要对预期收益率进行估计, 只需要完成方差协方差矩阵的估计即可. 在对参数估计时, 相比传统的采用历史信息估计参数的方法, 期权作为包含前瞻信息的一类资产, 可以为方差协方差矩阵的估计提供新的思路.因为与远期、期货等衍生工具不同, 期权的非线性损益结构使得其在风险管理、投资组合方面具有独特优势.期权价格深受标的资产的波动率、偏度以及峰度等高阶矩的影响, 因此, 不同于股票及债券价格, 期权价格中蕴含着丰富的高阶矩信息, 这些隐含信息直接反映了投资者对未来的预期.国外相关研究表明, 在欧美成熟的期权市场, 期权合约的标的物涵盖了个股、股指、期货合约以及政府债券等多个领域, 在一定的假设下, 可以完全使用期权数据对方差协方差矩阵进行估计, 并且能够极大地改善最小方差组合的业绩表现.

国内研究大多仅考虑历史信息来构建投资组合, 主要因为我国期权市场起步较晚, 但是近年来期权交易量逐年上升, 2019年上证50ETF期权合约全年累计已成交达到6.18亿张.此外期权投资者人数稳步增长, 2019年末期权投资者账户总数达到41.33万.由此可见, 期权已成为被投资者日益重视的投资品种.那么国内期权的隐含信息是否也能改善投资组合效果呢? 在市场波动大的时期与市场稳定时期, 期权隐含信息对投资组合优化改进作用是否相同? 目前国内尚未有相关研究, 为了解决这些问题, 本文首次以上证50指数成分股为资产池构建最小方差组合, 利用市场模型估计方差协方差矩阵, 并从上证50ETF期权价格中计算得到无模型隐含方差作为市场方差, 构建半历史半隐含的最小方差组合.同时比较该组合与基于历史信息的最小方差组合、等权重组合、市值加权组合以及市场组合投资效果.探究期权隐含信息如何改善投资组合业绩表现.

本文的结构安排如下: 第二部分给出文献综述, 第三部分提供理论基础, 第四部分展示实证结果, 第五部分给出结论及政策建议.

2 文献综述

无模型方法研究最早可以追溯到Breeden and Litzenberger (1978)仅使用期权价格便可得到标的资产的隐含分布, 他们研究成果为使用无模型方法计算隐含分布的各阶矩打下了基础. Britten-Jones and Neuberger (2000)在不对标的资产价格所遵循的随机过程做出特别假定前提下, 推导出了仅利用看涨期权便可以求得标的资产隐含波动率的公式.随后, Jiang and Tian (2005)运用数值模拟的技术分析了Britten-Jones and Neuberger (2000)在实际应用中存在的截断误差和离散化误差对计算结果产生的影响可以忽略不计.与此同时, Bakshi et al. (2003)使用静态复制的思想, 将二次、三次及四次合约的价格与虚值看涨和看跌期权联系起来, 为使用无模型方法提取风险中性分布下的隐含波动率、隐含偏度和隐含峰度提供了理论基础.此后, 不对随机过程进行主观设定的无模型隐含信息法广受肯定和欢迎, 很多研究都基于提取的无模型各阶矩的基础之上.如Demiguel et al. (2013), Alexander et al. (2014), 郑振龙等(2017), 都利用了无模型方法进行期权隐含信息的挖掘, 并在此基础上展开对期权隐含信息的研究.

大量研究表明, 期权价格中蕴含的隐含信息在风险管理和资产配置中具有重要作用. Kost-akis et al. (2011)在研究标普500指数和无风险资产的配置问题时发现, 从期权价格中提取隐含分布有助于改进投资组合的表现, 即使在考虑交易成本的情况下, 结论依然成立. Demiguel et al. (2013)分别利用期权隐含波动率和隐含偏度对投资组合的管理问题进行研究, 发现期权隐含波动率能够有效降低投资期间的组合波动率, 而隐含偏度没有显著效果. Alexander et al. (2014)研究证实了期权隐含信息在一定程度上可以有效地提高资产组合的配置效率, 以道琼斯指数的成分股为资产池, 通过一个巧妙的设定, 探究了在完全利用期权隐含信息的条件下构造的最小方差组合的业绩表现要优于完全基于历史数据构造的最小方差组合以及市值加权和等权重组合危机时期时, 效果更加明显. Adrian and Grigory (2012)使用期权价格中前瞻性信息来估计个股和市场之间隐含相关系数, 进而构建隐含的

β

因子.实证结果表明, 隐含的

β

因子是未来已实现

β

因子系统性预测误差.类似研究参见Harris et al. (2018), Liu et al. (2019), Ammann et al. (2019).

由于上证50ETF期权推出的时间较晚, 目前对期权的实证研究还处在早期阶段.大部分主要是利用中国台湾或者中国香港市场交易的期权数据.陈蓉和方昆明(2011) 研究了中国香港市场的波动率风险溢价, 实证结果表明中国香港股票市场上的波动率风险溢价显著为负, 投资者是厌恶波动率风险的.郑振龙等(2017)利用中国台湾的期权数据研究了高阶矩风险溢价, 探索了其信息含量和影响因素.此外, 沙楠(2017), 李蒲江和郭彦峰(2017)使用上证50ETF期权数据研究了方差风险溢价对市场收益率的短期预测能力.

目前基于欧美发达的证券市场进行的期权实证研究较为成熟.由于国内的期权市场起步较晚, 学术界对期权价格的隐含信息进行挖掘的相关研究较少, 将期权隐含信息用于投资组合的研究更是空白.因此本文以50ETF期权为研究对象, 使用无模型方法计算出隐含波动率用于方差协方差矩阵的估计, 考察期权隐含信息是否有助于改善投资组合的效果, 以期能够发现中国市场的独特性并为国内的风险管理和资产配置提供有价值的参考.

3 理论与模型

3.1 无模型隐含波动率的计算方法

隐含波动率的计算通常有两种方法, 一种是基于模型的方法: 比如通过反解B-S公式得到的隐含波动率, 但由于期权定价模型通常做出与现实不符的严格的假设条件, 因此通过模型的方法求得的隐含波动率会面临模型风险.另一种是无模型的方法, 该方法不仅会避免模型风险, 而且还可以将同一到期日不同行权价的期权隐含信息进行加总.本文采用Bakshi et al. (2003)的方法计算无模型隐含波动率(MFIV).具体来说, 从当前

t

时刻到未来

T

时刻这段时间内标的资产的无模型方差

V (t, T)

, 可由一系列虚值看涨看跌期权的价格进行计算:

隐含波动率的计算通常有两种方法, 一种是基于模型的方法, 比如通过反解B-S公式得到的隐含波动率, 但由于期权定价模型通常做出与现实不符的严格的假设条件, 因此通过模型的方法求得的隐含波动率会面临模型风险.另一种是无模型的方法, 该方法不仅会避免模型风险, 而且还可以将同一到期日不同行权价的期权隐含信息进行加总.本文采用Bakshi et al. (2003)的方法计算无模型隐含波动率(MFIV).具体来说, 从当前

t

时刻到未来

T

时刻这段时间内标的资产的无模型方差

V (t, T)

, 可由一系列虚值看涨看跌期权的价格进行计算:

V (t, T) = \int_{0}^{S (t)} \frac{2 (1 + l n [\frac{S (t)}{K}])}{K^{2}} P (t, T; K) d K + \int_{S (t)}^{\infty} \frac{2 (1 - l n [\frac{K}{S (t)}])}{K^{2}} C (t, T; K) d K,

(1)

其中

C (t, T; K)

和

P (t, T; K)

为在

T

时刻到期, 执行价格为

K

的看涨和看跌期权在当前

t

时刻的价格.在市场交易中, 执行价格

K

的数量是有限的, 如果直接使用这些有限数量的

K

对(1)式的数值积分进行计算, 便会产生离散化误差.因此, 为了减轻离散化误差对(1)式计算产生的不利影响, 对于给定的到期期限

T

, 我们使用三次样条对波动率微笑曲线进行插值, 具体的计算步骤如下:

首先, 在

t

时刻我们得到到期时刻为

T

的不同执行价的虚值看涨和看跌期权的数据.一般情况下, 对于给定到期日

T

我们会有4到5个虚值期权数据.

接着, 我们对Shibor利率进行插值得到利率期限结构, 进而求得期权对应期限的无风险利率.然后将已有的虚值看涨和看跌期权价格反解B-S公式得到对应的B-S隐含波动率, 形成“

K

-Ⅳ"这样的一一对应关系.在

K_{min}

和

K_{max}

范围内进行三次样条插值, 在

K_{min}

和

K_{max}

范围外进行水平外推.由此, 我们得到一条Ⅳ关于

K

的连续曲线, 即波动率微笑曲线.

最后, 我们在

K

取值为

(0.3 S, 3 S)

的区间范围内选取1000个等间距点, 将这些点对应的Ⅳ代入B-S公式得到对应的期权价格.因为(1)式使用的都是虚值期权, 所以将

K

小于

S

的部分代入看跌期权B-S公式, 将

K

大于

S

的部分代入看涨期权B-S公式, 将计算得到的1000个期权价格代入(1)式, 并用数值积分的方法得到:

V (t, T) = \int_{K_{i} = 0.3 S}^{S} \frac{2 (1 + l n \frac{S}{K_{i}})}{{K_{i}}^{2}} P (t, T; K_{i}) Δ K_{i} + \int_{K_{i} = S}^{3 S} \frac{2 (1 - l n \frac{K_{i}}{S})}{{K_{i}}^{2}} C (t, T; K_{i}) Δ K_{i},

(2)

其中,

K_{i}

为第

i

个行权价,

Δ K_{i}

为间距值.由此我们便可以根据(2)式计算出无模型方差, 进而得到无模型隐含波动率MFIV:

M F I V (t, T) = \sqrt{V (t, T)} .

(3)

为了直观地进行比较, 本文实证部分计算的所有指标均进行了年化处理.

3.2 最小方差组合的构建

在估计方差协方差矩阵时, 首先我们做出如下假定: 一组资产

i

的收益率与市场的收益率遵循时变系数的市场模型:

R_{i t} = α_{i t} + β_{i t} R_{m t} + ε_{i t}, \forall i = 1, \dots, N,

(4)

其中,

R_{i t}

为第

i

个资产在第

t

期的收益率,

R_{m t}

为市场在第

t

期的收益率,

ε_{i t}

为零均值误差项, 且与市场收益率

R_{m t}

不相关, 对于任意两个资产

i

和

j

ε_{i t}

与

ε_{j t}

不相关,

α_{i t}

和

β_{i t}

为该模型的参数.在市场模型的假定下, 资产

i

和

j

之间的协方差便只由两个资产的

β

系数和市场方差

V a r (R_{m t})

决定:

C o v (R_{i t}, R_{j t}) = β_{i t} β_{j t} V a r (R_{m t}), \forall i \neq j .

(5)

在本文中, 市场指数是上证50指数, 编制该指数的50个成分股便是我们的资产池. (5)式中的市场方差

V a r (R_{m t})

可由上证50ETF期权价格的无模型隐含方差

V (t, T)

得到,

β

系数可使用历史数据由(4)式回归得到, 单个资产收益率的方差也由历史数据求出.由此, 我们便得到半历史半隐含的方差协方差矩阵.

在实证中, 如果进行卖空限制, 投资组合策略往往会得到更好的业绩表现(Jagannathan et al. (2003)).因此在计算最小方差组合的权重时, 我们同样进行卖空限制, 使用线性二次规划的方法求解权重:

{m i n}_{w} w^{T} \sum W

(6)

\begin{aligned} s . t . w^{T} e = 1, \\ w_{i} \geq 0, i = 1, \dots, N, \end{aligned}

(7)

其中,

w

为资产池的权重列向量,

\sum

为资产池的方差协方差矩阵,

e

为元素全为1的列向量,

w_{i}

为权重列向量

w

的第

i

个分量, 即第

i

个资产的权重.

为了更好地分析应用期权隐含信息的最小方差组合是否有更好的业绩表现, 我们同时设置四种基准组合与其进行比较.第一种为等权重组合(pass_1/N), 即在构造投资组合时, 资产池中的所有个股的权重都相等; 第二种为市值加权组合(pass_CW), 即在构造投资组合时, 资产池中个股的权重等于流通市值占总流通市值的比重; 第三种为被动跟踪上证50指数的组合(pass_50), 投资组合即为上证50指数; 第四种为完全利用历史数据构造的最小方差组合(hist_MVP).

4 实证研究

4.1 数据选取

本文的实证数据涵盖的区间范围从2015年2月9日到2019年12月31日, 共计1194个交易日.每个交易日需要的数据有: 上证50ETF期权的合约代码、到期日、执行价格、期权价格、标的价格以及无风险利率, 数据来源于Wind和锐思数据库.此外, 本文的股票及上证50指数日行情数据来源于国泰安数据库.在此期间, 由于上证50指数的成分股一共进行了11次调整, 因此参与过成分股组成的股票有90个.

在每个交易日, 期权合约通常会有4个不同的到期期限.一般情况下, 距离到期日较近的期权合约交易会更加活跃, 包含的市场信息就会更多.因此, 每个交易日我们选择距离到期日最短的期权合约进行无模型隐含波动率的计算, 其结果走势如图 1所示.

图1 MFIV走势图

Full size|PPT slide

从图中可以看出, 在2015年6月到2015年8月这段时间, 计算出的MFIV出现异常高的值.这是因为在这段时期内, 中国股市由于股价泡沫、高杠杆等原因导致了较为严重、影响较大的股灾.由此也可以看出无模型隐含波动率是能够有效捕获市场异常状况的.

4.2 期权隐含信息对投资组合的改善研究

根据理论基础部分的介绍, 在每个交易日使用距离到期日最近的一系列虚值看涨和看跌期权计算MFIV并构造出半历史半隐含的最小方差组合及另外四种基准投资组合, 将这5种投资组合持有至期权到期日并计算各投资组合在持有期内的年化收益率和年化标准差, 这也是后续我们评价投资组合绩效的两个指标.

下文中, 我们首先考虑2015–2019年得到的全时间段投资组合数据进行比较分析, 结果表明隐含信息并没有改善投资组合绩效的作用.进一步, 我们参照Alexander et al. (2014)提出的在市场危机时期, 隐含信息对最小方差组合的优化效果更加明显的观点, 将实证区间细分为市场波动剧烈时期和市场平稳时期进行投资组合的绩效比较.

通过观察图 1可知, 在股灾期间的MFIV通常是大于0.4的, 因此我们将MFIV大于0.4的时期定义为市场波动剧烈时期; 而之后的平稳时期的MFIV大多是小于0.2的, 因此我们选择0.2作为市场平稳时期的MFIV上限.

4.2.1 全时间段实证分析

在2015–2019年, 我们一共构建了

1163 \times 5

个投资组合, 筛掉非正定方差协方差矩阵的情况¹, 我们一共得到

826 \times 5

个投资组合的年化收益率和年化标准差.表 1展示了5种投资组合的年化平均收益率

(\bar{R})

和年化平均标准差

(\bar{σ})

, 括号内为该投资组合与imv_MVP组合的配对

T

检验的

P

值.

¹正定的方差协方差矩阵是构建最小方差组合的前提条件.

表1 全时间段投资组合的年化平均收益率和标准差

	$\bar{σ}$	$\bar{R}$
imv_MVP	0.1522	0.0419
hist_MVP	${0.1512}^{*}$	0.0489
hist_MVP	(0.0524)	(0.1173)
pass_1/ $N$	0 ${.1948}^{* * *}$	–0.0417 $^{* * *}$
pass_1/ $N$	(0.0000)	(0.0005)
pass_CW	${0.1755}^{* * *}$	0.0050 $^{* *}$
pass_50	${0.1905}^{* * *}$	0.0158 $^{* * *}$
pass_50	(0.0000)	(0.0051)

注: 括号中为

p

-value,

^{*}

、

^{* *}

、

^{* * *}

分别代表 10%、5%、1%的显著性水平.

从表 1可知, imv_MVP和hist_MVP这两种最小方差组合的表现优于所有被动策略的组合, MVP的年化平均标准差显著低于被动策略, 而年化平均收益率却显著高于被动策略.半历史半隐含的最小方差组合(imv_MVP)与完全基于历史数据构造的最小方差组合(hist_MVP)的波动率及收益率在5%的显著性水平下并没有显著不同, 且imv_MVP的平均收益率要稍小于hist_MVP, 由此我们得出期权隐含信息并不能优化最小方差组合的结论.

在前文中, 我们曾提到2015年出现过一次股灾, 期权作为一种风险规避的金融工具, 在市场恐慌情绪大的时候交易量也会更多.因此理论上, 在市场波动率高的时间段, 期权隐含波动率应该含有更多的信息量, 则应用其构建的投资组合表现应该会更好.在2015年股灾结束后一段时间, 市场的隐含波动率较低, 没有较大的波动, 说明市场比较平淡, 所以这段时间的期权隐含波动率信息含量较少, 从而无法达到优化投资组合的目的.而将这些时间段合并起来进行验证, 可能会消减了期权隐含信息的优化作用, 从而得到了期权隐含信息并不能优化最小方差组合的结论.为了对此进行验证, 我们按照MFIV的取值将实证区间细分为市场波动剧烈时期和市场平稳时期进行投资组合的绩效比较.

4.2.2 场波动剧烈时期分析

为了观察市场危机时期的情况, 我们筛选出在MFIV大于0.4的交易日构建的投资组合, 大部分集中在2015年6月到9月的股灾时期.表 2展示了这5种投资组合的年化平均收益率

(\bar{R})

和年化平均标准差

(\bar{σ})

表2 市场波动剧烈时期的年化平均收益率和标准差

	$\bar{σ}$	$\bar{R}$
imv_MVP	0.3883	–1.1863
hist_MVP	0.3956 $^{* *}$	–1.2073
hist_MVP	(0.0402)	(0.5129)
pass_1/ $N$	0.4784 $^{* * *}$	–1.5339
pass_1/ $N$	(0.0000)	(0.2034)
	$\bar{σ}$	$\bar{R}$
pass_CW	0.4041	–1.4358
pass_CW	(0.1569)	(0.1139)
pass_50	0.4370 $^{* * *}$	–1.5891 $^{* *}$
pass_50	(0.0005)	(0.0183)

注: 括号中为

p

-value,

^{*}

、

^{* *}

、

^{* * *}

分别代表 10%、5%、1%的显著性水平.

我们可以看出, 在市场危机时期, 所有投资组合的平均收益率都为负, 这符合现实逻辑. 对比隐含最小方差组合与被动策略组合, 隐含最小方差组合在市场危机时的收益率显著高于市场组合收益率, 而波动率没有显著差别; 隐含最小方差组合在市场危机时的波动率显著低于等权重和市值加权组合波动率, 收益率则没有显著差别.综上, 则可得出在市场危机, 最小方差组合可以打败被动策略投资组合.对比隐含最小方差组合与历史最小方差组合, 隐含最小方差组合的波动率显著低于历史最小方差组合, 而两者的收益率没有显著差别, 但隐含最小方差组合的平均收益率要高于历史最小方差组合.由此我们可以得出在市场出现危机、市场恐慌情绪严重时，应用隐含信息可以优化最小方差投资组合的结论, 与之前的逻辑推理相符.

4.2.3 市场平稳时期分析

为了观察市场平稳时期的情况, 我们筛选出在MFIV小于0.2的交易日构造的投资组合.表 3展示了5种投资组合的年化平均收益率

(\bar{R})

和年化平均标准差

(\bar{σ})

.我们可以看出, 在市场平稳时期, 隐含最小方差组合的波动率依然显著小于被动策略组合, 但与历史最小方差组合没有显著差异; 隐含最小方差组合的收益率显著小于市场组合和市值加权组合, 显著大于等权重组合, 与历史最小方差组合没有显著差别.由此我们得出结论, 在市场处于平稳时期, 期权隐含信息并不能对最小方差组合进行优化, 这可能是由于我们在估计方差协方差矩阵时还使用了历史数据, 并没有完全使用期权数据进行估计所致.由于国内目前尚未推出个股期权, 这也导致我们的研究无法进一步展开.

表3 市场平稳时期的年化平均收益率和标准差

	$\bar{σ}$	$\bar{R}$
imv_MVP	0.0906	0.1497
hist_MVP	0.0908	0.1441
hist_MVP	(0.6483)	(0.1032)
pass_1/ $N$	0.1069 $^{* * *}$	0.0972 $^{* * *}$
pass_1/ $N$	(0.0000)	(0.0057)
pass_CW	0.1034 $^{* * *}$	0.2569 $^{* * *}$
pass_CW	(0.0000)	(0.0000)
pass_50	0.1060 $^{* * *}$	0.2569 $^{* * *}$
pass_50	(0.0000)	(0.0000)

注: 括号中为

p

-value,

^{*}

、

^{* *}

、

^{* * *}

分别代表 10%、5%、1%的显著性水平.

5 结论和政策建议

在本文中, 我们使用从期权价格中计算的无模型隐含波动率MFIV, 估计出半历史半隐含的方差协方差矩阵.由于期权价格中涵盖了市场参与者对未来市场走势的预期, 包含着关于未来的信息, 因此这种估计方法是向前看的, 具有一定的前瞻性.在此基础上, 我们以上证50指数的50个成分股为资产池, 构建了半历史半隐含的最小方差组合以及其他4种基准组合.实证结果表明, 半历史半隐含的最小方差组合只有在市场危机时期, 即在期权隐含信息含量较多时, 才能够打败其他4种基准组合.该结论与Alexander et al. (2014)发现的在市场风险时期, 隐含信息对最小方差投资组合的优化更加明显的观点相一致.

最近几年, 我国的期权市场发展迅速, 但在市场的广度和深度上仍存在一定的局限性.由于目前我国尚未推出个股期权, 这也限制了我们完全使用期权的隐含信息完成对方差协方差矩阵的估计.其次, 上证50指数的成分股大多是银行和券商股, 投资领域的资产池数量和资产性质也可能会影响到本文的实证结果.由于我国期权种类有限, 没办法进行更深入的研究.在未来, 使用期权的隐含信息进行风险管理和资产配置是一个有前景的研究方向.相比基于传统的统计信息的决策过程, 基于金融市场隐含信息的决策过程具有以下优势: 信息的获取是公开、及时和准确的, 不仅反映了历史进程, 同时含有市场参与主体对未来的判断和预期.随着我国资本市场发展步伐的不断加快, 将会有越来越多的期权产品来满足市场投资者日益增长的风险管理需求.期权市场必将作为我国资本市场的一个重要组成部分, 服务于市场参与者的风险管理和投资决策, 服务于实体经济的发展.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

陈蓉, 方昆明, 波动率风险溢酬: 时变特征及影响因素[J]. 系统工程理论与实践, 2011, 31 (4): 761- 770.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL201104023.htm

Chen

, Fang

K M

, Volatility Risk Premium in Hong Kong Stock Market[J]. Systems Engineering — Theory & Practice, 2011, 31 (4): 761- 770.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL201104023.htm

本文引用 [1]

李蒲江, 郭彦峰, 证券市场的期现基差与流动性[J]. 管理科学, 2017, 30 (4): 151- 160.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCJJ201704012.htm

P J

, Guo

Y F

, Futures-cash Basis and Liquidity in Security Market[J]. Journal of Management Sciences, 2017, 30 (4): 151- 160.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCJJ201704012.htm

本文引用 [1]

沙楠, 不确定性指标、方差风险溢价及其对股权溢价的预测效果分析——基于中美股票市场的分析[J]. 金融学季刊, 2017, 11 (4): 40- 59.

Sha

, Uncertainty Indices, Variance Risk Premium and Its Predictive Power on Equity Premium — Research on China's and U.S. Stock Markets[J]. Quarterly Journal of Finance, 2017, 11 (4): 40- 59.

本文引用 [1]

郑振龙, 郑国忠, 隐含高阶协矩: 提取, 分析及交易策略[J]. 统计研究, 2017, 34 (4): 101- 111.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ201704009.htm

Zheng

Z L

, Zheng

G Z

, Option-implied Higher-order Co-moments: Extraction, Analysis and Trading Strategy[J]. Statistical Research, 2017, 34 (4): 101- 111.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ201704009.htm

本文引用 [2]

Adrian

, Grigory

, Measuring Equity Risk with Option-implied Correlations[J]. Review of Financial Studies, 2012, 25 (10): 3113- 3140.

https://doi.org/10.1093/rfs/hhs087

本文引用 [1]

Alexander

, Korn

, Sassning

, Portfolio Optimization Using Forward-looking Information[J]. CFR Working Papers, 2014, 19 (1): 467- 490.

本文引用 [4]

Ammann

, Feser

, Option-implied Value-at-Risk and the Cross-section of Stock Returns[J]. Review of Derivatives Research, 2019, 22 (3): 449- 474.

https://doi.org/10.1007/s11147-019-09154-z

本文引用 [1]

Bakshi

, Kapadia , Madan

, Stock Return Characteristics, Skew Laws, and the Differential Pricing of Individual Equity Options[J]. Review of Financial Studies, 2003, 16 (1): 101- 143.

https://doi.org/10.1093/rfs/16.1.0101

本文引用 [3]

Breeden

D T

, Litzenberger

R H

, Prices of State-contingent Claims Implicit in Option Prices[J]. Journal of Business, 1978, 51 (4): 621- 651.

https://doi.org/10.1086/296025

本文引用 [1]

Britten-Jones

, Neuberger

, Option Prices, Implied Price Processes, and Stochastic Volatility[J]. Journal of Finance, 2000, 55 (2): 839- 866.

https://doi.org/10.1111/0022-1082.00228

本文引用 [2]

Demiguel

, Plyakha

, Uppal

, Vilkov

, Improving Portfolio Selection Using Option-implied Volatility and Skewness[J]. Journal of Financial and Quantitative Analysis, 2013, 48 (6): 1813- 1845.

https://doi.org/10.1017/S0022109013000616

本文引用 [2]

Harris

R D F

, Li

X G

, Qiao

, Option-implied Betas and the Cross Section of Stock Returns[J]. Social Science Electronic Publishing, 2018, 39 (1): 94- 108.

本文引用 [1]

Jagannathan

, Ma

, Risk Reduction in Large Portfolios: Why Imposing the Wrong Constraints Helps[J]. Journal of Finance, 2003, 58 (4): 1651- 1683.

https://doi.org/10.1111/1540-6261.00580

本文引用 [1]

Jiang

G J

, Tian

Y S

, The Model-free Implied Volatility and I Information Content[J]. Review of Financial Studies, 2005, 18 (4): 1305- 1342.

https://doi.org/10.1093/rfs/hhi027

本文引用 [1]

Kostakis

, Panigirtzoglou

, Skiadopoulos

G S

, Market Timing with Option-implied Distributions: A Forward-looking Approach[J]. Management Science, 2011, 57 (7): 1231- 1249.

https://doi.org/10.1287/mnsc.1110.1346

本文引用 [1]

Liu

S Q

, Oosterlee

C W

, Bohte

S M

, Pricing Options and Computing Implied Volatilities Using Neural Networks[J]. Risks, 2019, 7 (1): 16- 37.

https://doi.org/10.3390/risks7010016

本文引用 [1]

基金

国家自然科学基金(71773100)

国家自然科学基金(91746109)

教育部人文社会科学研究项目(17XJC790009)

版权

PDF(593 KB)

1800

Accesses

Citation

Detail

段落导航

收稿日期	出版日期
2020-07-28	2022-01-27
发布日期
2022-01-24

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 文献综述

3 理论与模型

3.1 无模型隐含波动率的计算方法

3.2 最小方差组合的构建

4 实证研究

4.1 数据选取

图1 MFIV走势图

4.2 期权隐含信息对投资组合的改善研究

4.2.1 全时间段实证分析

表1 全时间段投资组合的年化平均收益率和标准差

4.2.2 场波动剧烈时期分析

表2 市场波动剧烈时期的年化平均收益率和标准差

4.2.3 市场平稳时期分析

表3 市场平稳时期的年化平均收益率和标准差

5 结论和政策建议

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权

扫码分享

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 文献综述

3 理论与模型

3.1 无模型隐含波动率的计算方法

3.2 最小方差组合的构建

4 实证研究

4.1 数据选取

图1 MFIV走势图

4.2 期权隐含信息对投资组合的改善研究

4.2.1 全时间段实证分析

表1 全时间段投资组合的年化平均收益率和标准差

4.2.2 场波动剧烈时期分析

表2 市场波动剧烈时期的年化平均收益率和标准差

4.2.3 市场平稳时期分析

表3 市场平稳时期的年化平均收益率和标准差

5 结论和政策建议

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权