CN114331724A - 期权估值方法、装置、设备、介质和产品 - Google Patents
期权估值方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN114331724A CN114331724A CN202111643998.3A CN202111643998A CN114331724A CN 114331724 A CN114331724 A CN 114331724A CN 202111643998 A CN202111643998 A CN 202111643998A CN 114331724 A CN114331724 A CN 114331724A
- Authority
- CN
- China
- Prior art keywords
- data
- curve
- option
- service data
- date
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及金融数据分析领域,公开了一种期权估值方法、装置、设备、介质和产品,其中,方法包括:获取用于期权估值的业务数据;根据市场数据中各需要进行拟合的业务数据曲线的计算属性对应的插值计算策略分别对各业务数据曲线插值计算,以获取各业务数据曲线在估值日期的对应数据;计算年化时间和隐含波动率;根据各业务数据曲线在估值日期的对应数据、年化时间、隐含波动率以及市场数据中的预设数据项,确定期权估值结果。本实施例的技术方案解决了期权估值时业务数据处理简单,计算准确度不足的问题,实现了根据需要处理的金融数据特征选择适宜的数据处理方法,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
Description
技术领域
本发明实施例涉及金融数据分析技术领域,尤其涉及一种期权估值方法、装置、设备、介质和产品。
背景技术
欧式期权估值模型采用的是金融业内通用的Garman and Kohlhagen模型(GK模型)。现有金融系统在使用GK模型对欧式期权进行估值计算时,对利率等需要通过插值计算确定的数据统一采用线性插值法插值得出,计算模式较为单一,会导致数据拟合度不高,部分情况下取得利率数据偏差较大。在后续期权估值进行迭代求解时可能无法找到最优解的情况。因此,在利用GK模型进行期权估值计算时,相关金融数据的处理过程还有待优化。
发明内容
本发明实施例提供了一种期权估值方法、装置、设备、介质和产品,以实现根据需要处理的金融数据特征选择适宜的数据处理方法,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
第一方面,本发明实施例提供了一种期权估值方法,该方法包括:
获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
第二方面,本发明实施例提供了一种期权估值装置,该装置包括:
数据获取模块,用于获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
估值日数据计算模块,用于识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
日期及隐含波动率计算模块,用于按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
估值确定模块,用于根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的期权估值方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的期权估值方法。
第五方面,本发明实施例还提供了一种计算机程序产品,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的期权估值方法。
上述发明中的实施例具有如下优点或有益效果:
本发明实施例,通过在获取用于期权估值的业务数据之后,识别业务数据的市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据计算属性对应的插值计算策略分别对各业务数据曲线插值计算获取各利率曲线在估值日期的对应数据;然后,按照预设计算策略分别计算期权到期日距估值日期的年化时间和隐含波动率;最终根据处理后获得的各业务数据曲线在估值日期的对应数据、年化时间、隐含波动率以及市场数据中的预设数据项,确定期权估值结果。本实施例的技术方案解决了现有技术中进行期权估值时,业务数据处理简单,数据计算拟合精度不足,导致估值准确度有一定提升空间的问题,实现了根据需要处理的金融数据特征选择适宜的数据处理方法,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
附图说明
图1是本发明实施例一提供的一种期权估值方法的流程图;
图2是本发明实施例二提供的一种期权估值方法的流程图;
图3是本发明实施例三提供的一种期权估值装置的结构示意图;
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。另外还需要强调的,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种期权估值方法的流程图,本实施例可适用于根据金融市场数据和交易数据进行期权估值的场景。该方法可以由期权估值装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图1所示,期权估值方法包括以下方法:
S110、获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期。
其中,业务数据是从交易平台或者金融业务平台获取的数据,是与期权业务相关的数据。具体包括交易数据、市场数据、参考数据及估值信息。
进一步的,交易数据包括交易编号(trade_id)、交易日期(trading_date)、交易方向(direction,call or put,买入或卖出)、不同币种的名义本金金额(notional_amt)、行权价格或汇率(K)、到期日期(end_date)、看涨/看跌标识(Flag)、交易币种代码(Currency,CCY)或计息基准(day_count)等与当前期权估值任务相关的交易数据。
市场数据则是在估值中需要用到的市场数据,通常是与待估值期权的期权标的物相关,包括即期价格或汇率(S0)、波动率曲面(vol_surface)、交易间不同币种的利率曲线Curveccy或折现货币利率曲线Curvebase,或是商品曲线、债券曲线、隐含收益率曲线等与估值与具体期权估值标的物相关的市场数据。
参考数据包括金融日历(calendar)、计息基准(rule act)、曲线配置信息(config_curve)、曲面配置信息(config_volsurface)或估值模型配置信息(config_model)等信息,用户指导各曲线及模型在使用过程中的参数设置及方式。
估值信息主要包括估值日期(valuation_date)。当有用户有对期权进行估值的需求时,相当于对用于期权估值的业务系统发出估值指令,从而可以获取到估值日期,以及估值需要用到的市场数据和交易数据等信息内容。期权标的物包括股票、政府债券、货币、股票指数及商品期货等。根据期权标的物的不同,具体的业务数据内容不同。
S120、识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据。
需要进行拟合的业务数据曲线可以是外汇期权中的不同币种的利率曲线以及折现货币利率曲线,或者是其他期权标的物的期权估值中需要用到了曲线,如债券类曲线,汇率类曲线、商品类曲线。
在本实施例中,取代了单一的线性插值或是非线性插值中的以相邻数据点的函数值近似为待插值点的函数值的平推方式,提供了多种可选的曲线插值方法,相当于为需要插值处理的曲线提供了多种插值方法选择接口。在进行插值方法选择时,则需要对各曲线的计算属性进行识别,进而为各曲线匹配与计算属性关联的插值计算策略,采用相应的插值计算策略进行插值计算,从而获取到各曲线在时间轴上,估值日期对应的数值。
具体的,计算属性包括业务数据曲线的曲线性质、曲线插值平滑标准及预设求导阶数三个方面的属性。当业务数据曲线的曲线性质为线性曲线时,如估值计算日期到期权交易到期日的时间、期权交易中约定的到期执行价格,可以采用线性插值方法计算业务数据曲线在估值日期的对应数据。当业务数据曲线的曲线性质为对数曲线时,如对数收益率,采用对数插值方法计算业务数据曲线在估值日期的利率数据。当业务数据曲线的曲线性质为非线性曲线时,如中债类的非线性插值对象(中债收益率),采用埃尔米特(hermite)插值方法计算业务数据曲线在估值日期的利率数据。
当业务数据曲线的曲线插值平滑标准大于预设平滑标准时,即平滑度要求较高,可以采用二项式插值或三次样条插值方法计算业务数据曲线在估值日期的利率数。在此场景下,还要据根据插值对象的预设求导阶数的数值做具体的选择,如果插值对象是不可求导的,则匹配线性插值;如果插值对象是一次可导的曲线,则匹配二项式插值方法;如果插值对象是二次可导的曲线,匹配三次样条插值方法。
通过更加多样的插值方法的选择,为各插值对象匹配更加合适的插值方法,可以使拟合得到的曲线更加平滑,得到更加准确的结果,从而能够提升后续估值计算的结果。
S130、按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率。
具体的,计算年化时间可以是根据期权的到期时间减去估值日期得到一个时间差值,然后再用时间差值除以参考数据中的金融日历周期,最终得到期权到期日距估值日的年化时间T。
隐含波动率可以是是将市场上的期权或权证交易价格代入权证理论价格模型Black-Scholes模型,反推出来的波动率数值。或者,通过标的物历史价格计算标准差得出历史波动率,近似当作隐含波动率使用的方法。如外汇期权标的物是外汇汇率,则取估值日的前100天(或更长期限)的每天历史汇率,计算出标准差,得到波动率,认为近似于隐含波动率。
S140、根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
具体的,可以根据与期权标的物相匹配的估值规则,对各业务数据曲线在估值日期的对应数据、年化时间、隐含波动率以及市场数据中即期数据等参数进行计算,确定期权估值结果。
本实施例的技术方案,通过在获取用于期权估值的业务数据之后,识别业务数据的市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据计算属性对应的插值计算策略分别对各业务数据曲线插值计算获取各利率曲线在估值日期的对应数据;然后,按照预设计算策略分别计算期权到期日距估值日期的年化时间和隐含波动率;最终根据处理后获得的各业务数据曲线在估值日期的对应数据、年化时间、隐含波动率以及市场数据中的预设数据项,确定期权估值结果。本实施例的技术方案解决了现有技术中进行期权估值时,业务数据处理简单,数据计算拟合精度不足,导致估值准确度有一定提升空间的问题,实现了根据需要处理的金融数据特征选择适宜的数据处理方法,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
实施例二
图2为本发明实施例二提供的一种期权估值方法的流程图,本实施例所提供的技术方案与上述实施例所提供的期权估值方法属于同一发明构思,并进一步的描述在期权标的物为外汇时的期权估值过程,并对隐含波动率的计算方案进行优化。该方法可以由期权估值装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图2所示,期权估值方法包括以下步骤:
S210、获取用于外汇期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期。
其中,当期权标的物为外汇时,交易数据包括交易编号、交易日期、交易方向(买入或卖出)、不同币种的名义本金金额、行权汇率、到期日期、看涨/看跌标识、交易币种代码或计息基准等与当前估值任务相关的交易数据。市场数据包括即期汇率、波动率曲面、交易间不同币种的利率曲线或折现货币利率曲线等,数据。参考数据包括金融日历、计息基准、曲线配置信息、曲面配置信息及估值模型配置信息等信息。估值信息主要包括估值日期。
S220、识别所述市场数据中各利率曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对所述各利率曲线插值计算获取各利率曲线在所述估值日期的利率数据。
具体的,根据各利率曲线的计算属性分别选择适宜的曲线拟合方式,提供了更加多样的插值方法的选择,可以使拟合得到的曲线更加平滑,得到更加准确的结果,从而能够提升后续估值计算的结果。
当利率曲线的曲线插值平滑标准大于预设平滑标准时,即平滑度要求较高,可以采用二项式插值或三次样条插值方法计算利率曲线在在估值日期的利率数。在此场景下,还要据根据插值对象的预设求导阶数的数值做具体的选择,如果插值对象是不可求导的,则匹配线性插值;如果插值对象是一次可导的曲线,则匹配二项式插值方法;如果插值对象是二次可导的曲线,匹配三次样条插值方法。
S230、按照预设计算策略分别计算期权到期日距所述估值日期的年化时间。
具体的,计算年化时间可以是根据期权的到期时间减去估值日期得到一个时间差值,然后再用时间差值除以参考数据中的金融日历周期,最终得到期权到期日距估值日的年化时间T。
S240、对所述市场数据中的波动率曲面分别在时间维度和对冲值维度进行插值,并基于插值结果确定隐含波动率的数值。
具体的,在对波动率曲面进行处理时,先从市场数据中读取波动率曲面,从参考数据中读取曲面配置信息。读取的波动率曲面是在时间维度、对冲值(delta)维度以及隐含波动率(σ)三个维度下的立体时间曲面。将波动率曲面根据需要估值的交易类型转化为买权(call)或卖权(put)类型曲面波动率曲面。在本实施例中,会同时在时间维度和delta维度进行插值处理,再进一步的获取隐含波动率的数值,而不需要用到期权价格,减少了外来参数依赖。
具体的,针对转换后的买权类型曲面或卖权类型曲面,在时间维度采用线性插值方法确得到与时间对应的系列隐含波动率(表示为σ(t))。然后,假设要求解的隐含波动率对应的delta为未知数,在与时间对应的系列隐含波动率基础上,在对冲值维度进行二项式插值得到与对冲值对应的系列隐含波动率(表示为σ(t,delta)),即隐含波动率是一个包含有时间和delta参数的函数。进一步的,将σ(t,delta)带入预设对冲值求解公式,得到对冲值求解值,表示为令(delta*-delta)2无限趋近于0,用列文伯格-马尔夸特方法(Levenberg-Marquardt)迭代求解出delta和σ的值,即得到目标求解的隐含波动率数值。其中,预设对冲值求解公式是根据BSGK模型确定的求解公式。Garman and Kohlhagen模型是Black Scholes模型的扩展模型,也可称为BSGK模型,是用于欧式外汇期权估值模。
在上述公式中,S0表示估值日的即期外汇汇率,K表示行权价格,N(·)表示标准正态分布的累计概率分布函数,t表示从估值日至到期日(以年表示)的时间长度,σ表示要求解的外汇期货的隐含波动率。r1表示外汇在估值日的折现利率,即外汇对折现币的隐含收益率,r2表示折现币种在估值日的折现率,T表示年化时间,ω根据期权的买权call、卖权put类型取1或-1。
通过上述计算步骤,不需要用到期权价格,减少了外来参数依赖,同时因为减少了一项外界参数的扰动,计算出的隐含波动率更贴近市场的真实情况,提高了模型精准度。
S250、根据各利率曲线在所述估值日期的利率数据、所述年化时间、所述隐含波动率以及所述市场数据中的即期汇率和所述交易数据中的行权汇率确定期权估值结果。
具体的,可以将各利率曲线在估值日期的利率数据、年化时间、隐含波动率以及即期汇率和行权汇率输入到BSGK模型中,确定期权估值结果。
具体的计算过程如下:
本实施例的技术方案,通过在获取用于期权估值的业务数据之后,识别业务数据的市场数据中各利率曲线的计算属性,并根据计算属性对应的插值计算策略分别对各利率曲线插值计算获取各利率曲线在估值日期的利率数据;然后,按照预设计算策略分别计算期权到期日距估值日期的年化时间,并采用同时在时间域和Delta域同时对隐含波动率曲面进行插值进行计算,不需要用到期权价格,减少了外来参数依赖,得到更贴近市场的真实情况的隐含波动率;最终根据处理后获得的各利率曲线在估值日期的利率数据、年化时间、隐含波动率以及市场数据中的即期汇率和交易数据中的行权汇率确定期权估值结果。本实施例的技术方案解决了现有技术中进行期权估值时,业务数据处理简单,数据计算拟合精度不足,导致估值准确度有一定提升空间的问题,实现了根据需要处理的金融数据特征选择适宜的数据处理方法,优化了隐含波动率的计算策略,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
实施例三
图3为本发明实施例三提供的期权估值装置的结构示意图,本实施例可适用于根据金融市场数据和交易数据进行期权估值的场景,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图3所示,期权估值装置包括:数据获取模块310、估值日数据计算模块320、日期及隐含波动率计算模块330和估值确定模块340。
其中,数据获取模块310,用于获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;估值日数据计算模块320,用于识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;日期及隐含波动率计算模块330,用于按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;估值确定模块340,用于根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
本实施例的技术方案,通过在获取用于期权估值的业务数据之后,识别业务数据的市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据计算属性对应的插值计算策略分别对各业务数据曲线插值计算获取各利率曲线在估值日期的对应数据;然后,按照预设计算策略分别计算期权到期日距估值日期的年化时间和隐含波动率;最终根据处理后获得的各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。本实施例的技术方案解决了现有技术中进行期权估值时,业务数据处理简单,数据计算拟合精度不足,导致估值准确度有一定提升空间的问题,实现了根据需要处理的金融数据特征选择适宜的数据处理方法,获得更加准确的数据来计算期权的估值,从而可以获得更加准确的估值结果。
可选的,所述计算属性包括所述业务数据曲线的曲线性质、曲线插值平滑标准、预设求导阶数。
可选的,估值日数据计算模块320具体用于:
当所述业务数据曲线的所述曲线性质为线性曲线时,采用线性插值方法计算业务数据曲线在所述估值日期的对应数据。
可选的,估值日数据计算模块320具体用于:
当所述业务数据曲线的所述曲线性质为对数曲线时,采用对数插值方法计算利率曲线在所述估值日期的对应数据。
可选的,估值日数据计算模块320具体用于:
当所述业务数据曲线的所述曲线性质为非线性曲线时,采用埃尔米特插值方法计算业务数据曲线在所述估值日期的对应数据。
可选的,估值日数据计算模块320具体用于:
当所述业务数据曲线的所述曲线插值平滑标准大于预设平滑标准时,根据所述预设求导阶数的数值,采用二项式插值或三次样条插值方法计算业务数据曲线在所述估值日期的对应数据。
可选的,当所述期权标的物为外汇时,所述业务数据曲线包括外汇期权中各币种的利率曲线以及折现货币利率曲线。
可选的,估值确定模块340具体用于:
将各利率曲线在所述估值日期的利率数据、所述年化时间、所述隐含波动率以及所述市场数据中的即期汇率和行权汇率输入到Garman and Kohlhagen模型中,确定所述期权估值结果。
可选的,日期及隐含波动率计算模块330具体用于:
对所述市场数据中的波动率曲面分别在时间维度和对冲值维度进行插值,并基于插值结果确定隐含波动率的数值。
可选的,日期及隐含波动率计算模块330进一步用于:
将所述波动率曲面根据所述交易数据中的交易类型转化为买权类型曲面或卖权类型曲面;
针对所述买权类型曲面或所述卖权类型曲面,在时间维度采用线性插值方法确得到与时间对应的系列隐含波动率;
在所述与时间对应的系列隐含波动率基础上,在对冲值维度进行二项式插值得到与对冲值对应的系列隐含波动率,其中,用于插值的对冲值为预设未知数。
可选的,日期及隐含波动率计算模块330具体还可用于:
将所述与对冲值对应的系列隐含波动率带入预设对冲值求解公式,得到对冲值求解值;
当所述对冲值求解值与所述预设未知数的差的平方趋近于零时,采用列文伯格-马尔夸特方法迭代求解出目标隐含波动率的数值。
本发明实施例所提供的期权估值装置可执行本发明任意实施例所提供的期权估值方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以任意具有计算能力的终端设备,如智能控制器及服务器、手机等终端设备。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的期权估值方法,该方法包括:
获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
实施例五
本实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的期权估值方法,包括:
获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种期权估值方法,其特征在于,所述方法包括:
获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
2.根据权利要求1所述的方法,其特征在于,所述计算属性包括所述业务数据曲线的曲线性质、曲线插值平滑标准、预设求导阶数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算获取各业务数据曲线在所述估值日期的对应数据,包括:
当所述业务数据曲线的所述曲线性质为线性曲线时,采用线性插值方法计算业务数据曲线在所述估值日期的对应数据。
4.根据权利要求2所述的方法,其特征在于,所述根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算获取各业务数据曲线在所述估值日期的对应数据,包括:
当所述业务数据曲线的所述曲线性质为对数曲线时,采用对数插值方法计算利率曲线在所述估值日期的对应数据。
5.根据权利要求2所述的方法,其特征在于,所述根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算获取各业务数据曲线在所述估值日期的对应数据,包括:
当所述业务数据曲线的所述曲线性质为非线性曲线时,采用埃尔米特插值方法计算业务数据曲线在所述估值日期的对应数据。
6.根据权利要求2所述的方法,其特征在于,所述根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算获取各业务数据曲线在所述估值日期的对应数据,包括:
当所述业务数据曲线的所述曲线插值平滑标准大于预设平滑标准时,根据所述预设求导阶数的数值,采用二项式插值或三次样条插值方法计算业务数据曲线在所述估值日期的对应数据。
7.根据权利要求1所述的方法,其特征在于,当所述期权标的物为外汇时,所述业务数据曲线包括外汇期权中各币种的利率曲线以及折现货币利率曲线。
8.根据权利要求7所述的方法,其特征在于,根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果,包括:
将各利率曲线在所述估值日期的利率数据、所述年化时间、所述隐含波动率以及所述市场数据中的即期汇率和行权汇率输入到Garman and Kohlhagen模型中,确定所述期权估值结果。
9.根据权利要求7所述的方法,其特征在于,按照预设计算策略计算隐含波动率,包括:
对所述市场数据中的波动率曲面分别在时间维度和对冲值维度进行插值,并基于插值结果确定隐含波动率的数值。
10.根据权利要求9所述的方法,其特征在于,对所述市场数据中的波动率曲面分别在时间维度和维度进行插值,包括:
将所述波动率曲面根据所述交易数据中的交易类型转化为买权类型曲面或卖权类型曲面;
针对所述买权类型曲面或所述卖权类型曲面,在时间维度采用线性插值方法确得到与时间对应的系列隐含波动率;
在所述与时间对应的系列隐含波动率基础上,在对冲值维度进行二项式插值得到与对冲值对应的系列隐含波动率,其中,用于插值的对冲值为预设未知数。
11.根据权利要求10所述的方法,其特征在于,基于插值结果确定隐含波动率的数值,包括:
将所述与对冲值对应的系列隐含波动率带入预设对冲值求解公式,得到对冲值求解值;
当所述对冲值求解值与所述预设未知数的差的平方趋近于零时,采用列文伯格-马尔夸特方法迭代求解出目标隐含波动率的数值。
12.一种期权估值装置,其特征在于,所述装置包括:
数据获取模块,用于获取用于期权估值的业务数据,所述业务数据包括期权交易数据、与期权标的物关联的市场数据、预设参考数据和估值日期;
估值日数据计算模块,用于识别所述市场数据中各需要进行拟合的业务数据曲线的计算属性,并根据所述计算属性对应的插值计算策略分别对各所述业务数据曲线插值计算,以获取各业务数据曲线在所述估值日期的对应数据;
日期及隐含波动率计算模块,用于按照预设计算策略分别计算期权到期日距所述估值日期的年化时间和隐含波动率;
估值确定模块,用于根据各所述业务数据曲线在所述估值日期的对应数据、所述年化时间、所述隐含波动率以及所述市场数据中的预设数据项,确定期权估值结果。
13.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一所述的期权估值方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11中任一所述的期权估值方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-11中任一所述的期权估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643998.3A CN114331724A (zh) | 2021-12-29 | 2021-12-29 | 期权估值方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643998.3A CN114331724A (zh) | 2021-12-29 | 2021-12-29 | 期权估值方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331724A true CN114331724A (zh) | 2022-04-12 |
Family
ID=81016539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111643998.3A Pending CN114331724A (zh) | 2021-12-29 | 2021-12-29 | 期权估值方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331724A (zh) |
-
2021
- 2021-12-29 CN CN202111643998.3A patent/CN114331724A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210110479A1 (en) | Methods and apparatus employing hierarchical conditional variance to minimize downside risk of a multi-asset class portfolio and improved graphical user interface | |
KR101136696B1 (ko) | 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템 | |
US8788394B1 (en) | Electronic information and analysis system | |
US7752106B1 (en) | System, method, and computer program product for predicting a weather-based financial index value | |
US20080082435A1 (en) | Ratio index | |
US8170949B2 (en) | Products and processes for order distribution | |
EP1127324A2 (en) | System, method, and computer program product for valuating weather-based financial instruments | |
KR20130082185A (ko) | 금융 상품 가격 결정 시스템 및 방법 | |
US20140229351A1 (en) | Method and apparatus for listing and trading a futures contract with variable delivery and/or expiry dates | |
US7533055B2 (en) | Methods and systems for ranking and investing in financial instruments | |
US20070016506A1 (en) | System and method for determining availability of a tradable instrument | |
US20220292597A1 (en) | System and method for valuation of complex assets | |
Medova et al. | A framework to measure integrated risk | |
Fan et al. | The relationships between real estate price and expected financial asset risk and return: Theory and empirical evidence | |
CN112540959B (zh) | 一种数据处理方法和装置 | |
KR101891090B1 (ko) | 재무분석과 진단 및 맞춤형 권고의견서 자동 도출 방법 | |
KR20180048140A (ko) | 계량적 접근의 시장 뷰를 이용한 로보어드바이저 알고리즘 제공 시스템 및 방법 | |
Kim et al. | Tempered stable structural model in pricing credit spread and credit default swap | |
CN111161080A (zh) | 信息处理方法和装置 | |
Lindquist et al. | Advanced REIT portfolio optimization: Innovative tools for risk management | |
CN114331724A (zh) | 期权估值方法、装置、设备、介质和产品 | |
Dupačová et al. | From data to model and back to data: A bond portfolio management problem | |
CN111967987B (zh) | 交易数据的处理方法和交易数据的处理系统 | |
EP3783560A1 (en) | Automated objective generation of data for, and post validation of, estimation of term sofr benchmarks | |
CN114792271A (zh) | 一种期权报价方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |