好書 : 活用數學交易選擇權

昨天整理臥房書櫃, 找到這本 2009 年買的書 (天啊! 17 年前), 拍拍灰塵後翻閱, 發現當時只看了前兩章就擱下了 (滿滿的數學呵呵). 此書為寰宇出版, 藍子軒翻譯自 C. B. Reel 於 2005 年出版的 "The Mathematics od Options Trading", 書附光碟一片, 內有兩個 Windows 程式 Expectation.exe 與 DailyCheck.exe, 這種 32 位元的舊軟體在目前 PC 上可能已無法執行. 

雖然是年代久遠的老書了, 但其中第 2~5 章介紹的是不隨時間改變的選擇權底層數學原理部分 (機率論, 部位管理與敏感度模型等), 在過去的幾十年並未變動值得一讀 :

• 第二章 : Statistics, Probability, and Other Wonders (統計, 機率與其他好用的數學工具)
  建立選擇權交易必備的統計學基礎, 包含常態分佈, 標準差與報酬機率分配, 偏態與峰態 (解釋為何市場實際波動往往有肥尾 (Fat tails) 而非完美的常態分佈. 學習目標是在撰寫 Python 模型或分析回測時能深刻理解底層分佈假設與真實市場的落差. 
• 第三章 : Visualizing Option Structures and Strategies (將選擇權的架構與策略圖形化)
  用圖形化與代數化方式來解析選擇權基本組合. 此章重點內容為探討買賣雙方在不同履約價下的損益平衡點 (Breakeven) 與風險邊界, 並透過代數公式表示各類價差單 (Vertical Spreads 等) 的線性/非線性回報輪廓.
• 第四章 : Mathematical Expectation and Optimal Position Size (數學期望值與最佳部位規模)
  這是本書含金量最高的一章, 聚焦於解決 "該不該進場" 與 "該壓多少資金" 的問題. 學習重點有二 : 
• 數學期望值 (Mathematical Expectation / EV) :
  如何將各價格區間的發生機率與損益加權, 計算一筆策略的長期期望回報.
• 部位規模控制 (Position Sizing) :
  借鑑凱利準則 (Kelly Criterion) 與資金管理邏輯, 說明即使期望值為正, 重倉或滿倉依然可能因為連續回撤而爆倉 (破產風險 Risk of Ruin). 
• 第五章 : Volatility and Sensitivity to Change (波動率與敏感度分析)
  拆解選擇權定價靈魂-波動率與希臘字母, 這是所有衍生品定價模型的基石, 不論是用 Black-Scholes 還是進階的二項樹模型, 其原理都一樣, 主要介紹下列內容 :
• 歷史波動率 (HV) 與隱含波動率 (IV) 的計算差異.
• Delta, Gamma, Theta, Vega 的數學定義與動態連動.
• 波動率隨時間流逝對價內/價外選擇權的時間價值衰減影響.

其餘探討市場結構與實務工具的章節則已過時. 我叫 Gemini 列舉此書過時與未討論的課題摘要如下 : 

• 目前市場交易量極大比例集中在 0DTE (零日到期期權) 與 Weekly Options (每週選擇權), 它們的 Gamma 暴衝與日內波動特性, 在傳統按月結算的架構下並未涉及. 
• 現代造市商與交易員對厚尾風險 (Tail Risk), 跳躍擴散模型 (Jump-Diffusion), 局部/隨機波動率模型 (如 Heston Model) 的依賴度極高, 而這本書則假設波動率對稱或簡化處理. 
• 2005 年的書通常使用靜態試算表 Excel/VBA 或手動計算, 現代量化交易與分析幾乎全面採用 Python 的 scipy, numpy 或 pyql / QuantLib 等函式庫. 

實作方面, 歐萊禮 Yves Hilpisch 寫的 Python for Finance 會更實用. 至於這本老書, 我希望能在明年春節前看完 2~5 章.