Skip watching entire videos - get the full transcript, search for keywords, and copy with one click.
Share:
Video Transcript
该策略以
27% 的年回报率击败了标准普尔 500 指数，敏锐比率为 2.4。
而且，它只使用一个
指标，一个。 它被称为前向
因子策略，你几乎
肯定从未听说过它。 它
使用日历价差来交易远期波动性，
以降低风险和
减少损失。 多年来，我一直将该策略作为
我的投资组合的核心部分进行交易，
它在将该投资组合增长到现在的 7 位数中段的过程中发挥了重要作用
。 今天，我将把一切都给你
。 19 年的回溯测试、
真实的交易示例，甚至还有
计算器，以便您可以自己运行。
一旦你发现它有多么简单，
你就会想知道为什么没有人谈论
它。 交易是什么？ 这是设置。
这是一个简单的基于规则的交易。
使用一个指标打开日历或双日历价差
。 然后持有它直到
前期合约到期之前。
就是这样。 无需不断调整，无需
猜谜游戏。 优势来自于
我们稍后将定义的单一指标
。 这一观点来自学术
研究，表明
隐含波动率的期限结构存在持续的偏差
。 基本上，市场对
波动性的前瞻性看法往往是错误的，
而这种错误可以通过
普通的期权结构来弥补。 引起
我关注的论文是
波动性和
期权投资组合回报的期限结构预测。 研究发现，
根据两个近期到期日构建的远期隐含波动率
系统性地错误估计了
短期波动率的实际值
。 当远期 V 相
对于前期而言过低时，
远期波动往往会带来回报。
好消息是，您不需要使用奇异的
产品来表达这一点。 日历
价差可以完成这个任务。 所以核心前提
很简单。 如果市场
对下一期波动率的远期报价
完全公平，那么当前期
合约到期、后期合约成为
新的前期合约时，其一期
波动率应该与之前的
远期报价相匹配。 但通常情况并非如此。 这个
差距很大而且持续存在，足以
围绕它制定一项规则策略。 我们的
一个指标将告诉我们何时进行
价差交易，然后我们持有价差直至
到期并平仓。 让我们
一步一步来分析一下。 因为要
了解远期波动性，我们首先
需要了解
这种交易运作背后的机制。 让我们从对
远期波动性的直观解释开始
。 想象一下像
降雨一样的随时间变化的波动。 您有
一月份的天气预报。 这就是您的
前期隐含波动率。 然后你就得到了
一月和二月的
综合预测。 这就是你的后段
隐含波动率。 现在，从这两个
预测中，您实际上可以推算出
二月份的降雨量。
二月份的数字是
一月至二月的远期波动率。
对于期权，我们使用相同的概念，
但我们处理的不是降雨量，而是
方差。 这就是波动率的
平方。 为什么会有差异？ 因为
非重叠时间段内的方差会
加在一起，就像不同时期的总降雨量一样
。 这就是我们
不直接平均隐含波动率的原因
。 相反，我们将方差
乘以时间结合起来。 因此，如果近期到期的合约（
称为 T1）大约为 30 天，而
下一个合约（称为 T2）大约为 60 天，那么
T1 和 T2 之间的远期波动率
就是使
总方差在
这两个窗口之间正确对齐的唯一数字。 波动率代表
每年的标准差。 而且由于
不同时间窗口内的方差
就像我们的雨水示例一样相加，我们
总是在方差空间中进行数学运算，
然后对结果求平方根以
回到波动率。 我们将保持这一
实用性。 一个公式，然后一个例子。
不要被数学吓到。 这将
非常简单易行，您
无需自己计算。
描述中有一个免费的 Python 脚本，或者如果您不喜欢
Python，可以使用 oquants.com 上的免费计算器
。 现在，让我们来讨论一下
数学计算。 Sigma 1 等于
前期的年化 IV，
到期时间为 T1 年。 我们
让 sigma 2 成为到期时间为 T2 的后期年度化 IV（ 以
以
年为单位）。 这也假设 ts2
大于 t1。 然后我们定义
方差为
波动率的平方。
t1 和 ts2 之间的窗口的年化远期方差
为 v2 * t2 减去 v1 * t1 / t2 减去
t1。 那么远期波动率本身
就是远期方差的平方根
。 因此我们回到波动
空间。 这是一个关键细节。 时间必须
始终以年为单位来表示。
例如，30 天等于 30/365，60
天等于 60/365。
让我们举个例子来说明这一点。
假设 30 天隐含波动率为
45%。 我们还假设 60 天
隐含波动率为 35%。 我们的
年限定义为 30/365 和
60/365。然后，我们
通过对波动率求平方来计算方差。 现在我们
计算前向方差，其
值为 0.0425。 0425 这
是我们年度化远期方差
测量值。 然后我们取
该数字的平方根，得出 30 天至 60 天到期日
之间的年化远期波动率为 20.6%
。 考虑到
这两个 IV 点，市场
暗示前端到期后 30 天内波动率约为 20.6%
。 这意味着，当
60 天期权
变成 30 天期权时，30 天内的预期波动率为
20.6%（按市场当前价格计算）
。 您可以
对任意一对到期日重复此过程。
例如，30 到 90、60 到 90 以及
介于两者之间的任何值。 这就是我们
推导出远期波动率的方法。 市场
对未来一段时间波动性的隐含看法
。 现在，一切都
汇集到了一起。 这个比率不仅可以将
亏损交易转变为盈利交易，
还可以准确地告诉您何时进入。
这被称为前向因子。
好的，现在我们了解了远期
波动性，让我们来讨论一下
推动整个交易的一个指标。
前向因子或简称 FF。
远期因子告诉您
前期隐含波动率 相对于
相对于
下一个到期日的远期隐含波动率有多热。 简而言之，
它衡量的是
当前发生的事情与期限
结构预测的下一步之间的差距。 而这种差距、
这种不平衡正是我们试图
获取的优势。 对于
我们在此讨论的所有计算和研究，我们都
使用隐含波动率。 这是
扣除收益隐含波动率后的隐含波动率。 原因如下。
Xarn IV 是期权市场
在扣除
与预定收益公告相关的额外溢价后的隐含波动率
。 我们为什么要使用它？
因为收益会导致
近期 IV 出现暂时的特定股票飙升。
如果我们不消除这个峰值，我们就会将
苹果与橘子进行比较。
前期 IV 受到收益的推动，
而后期则较为平静，效率较低
。 通过使用 X earn IV，我们将所有
到期日和所有股票代码置于平等的
竞争环境中。 因此，远期因子
真正反映了期限结构不平衡，而
不仅仅是一次性事件的结果。
这样做会扼杀盈利交易吗？
一点也不。
当 Xarn FF 升高时，日历仍会通过收益发挥作用
。 在这些情况下，您交易的是
基础曲线错位，而
不仅仅是收益事件。 然而，
论文研究表明，当完全避免收益时，这些
日历价差往往表现更好
。 为了
简单和一致性，
对于大多数交易者来说，最简单的方法是避免
通过收益来交易该策略。 这意味着， 在
在
您进入和第二次到期之间不应发生任何收益事件。 如果
这是真的，Xarn IV 将
与常规隐含
波动率相同。 远期因子
定义为前期 IV 减去
第一和第二期之间的远期 IV 再
除以
第一和第二期之间的远期 IV。 远期
因子衡量的是
前期 IV 与
远期波动率之间的相对差异。 正如我们
之前定义的，它量化了近期
隐含波动率与
T1 到 T2 区间隐含远期波动率的比较情况。 它以
百分比差异来表示，即前部
超过前部的程度。 那么，我们该如何
解释这一点呢？ 如果 FF 大于
零，则前 IV 大于
前 IV。 这通常发生在
期限结构处于现货溢价状态时，
预示着近期的压力或恐慌。
从历史上看，这种设置表现出非常
强劲的表现，具有较高的夏普
比率和强劲的回报。 这些是我们
在本视频中关注的重点。 如果 FF
小于零，则意味着前 IV 小于
前 IV。 这通常
发生在期限结构处于正
价差时，这是
普通市场的默认状态。 这些往往
利润较低，但仍然稳固，
只是不如积极的 FF
设置那么强劲。 那么这为什么重要呢？ 当
近期波动率相对于
远期波动率过高时，长期远期波动率
立场往往会获得回报。 美妙之处
在于，您可以使用
普通的香草选项来近似长前向跳跃。 为了做
多远期金库，我们可以使用
日历价差。 卖出 IV
较高的前端，买入 IV
较低的后端。 那么为什么正 FF 可以
捕捉到这种错误定价呢？ 在恐慌的
市场中，交易者争相购买短期
保护或投机产品。 这会导致
前期 IV 上升，而后期
IV 的上升幅度则小得多。 当您计算
远期价格时，这是市场
对下一个周期窗口的隐含储备。 它通常
比前面低得多。 如果
差距很大，则表明一旦当前压力消失，
市场可能低估了未来的风险 。
。
如果其中一个前端 IV 在
到期时缩小，您将从短腿的 Theta 和
IV 挤压中受益，或者两个
后端期间因成为新的前端而面临
短期风险，您的日历价差将获利，因为它将成为新的
前端，您的多腿将受益。
入口处的 FF 越大，
捕获的错位就越大。 让我们 使用
使用
之前远期
波动率示例中的数字来研究一个高 FF 示例，其中
远期 V 等于 20.66% 66%，
前期 IV 为 45%。 然后，我们可以 通过
通过 计算
计算
前 IV 和前向之间的百分比差异来计算前向因子，
得出的值为 117%。
市场暗示，
前沿到期后的下一个 30 天窗口期的
隐含波动率将为 20.66%。
尽管今天的前期隐含
波动率为 45%。 这是严重的
现货溢价。 前面很热，
前锋看起来很平静。
底线是，117% 的远期因子表明
期限结构存在重大错位。
这正是长期
日历价差对
未来波动性上升的强有力押注的设置。 正的
前向因子意味着前线很热。
我们倾向于使用长日历。 让我告诉
你为什么这会隔离前向切片。
日历价差，无论是多头还是
空头，从根本上来说都是对
两个到期日之间的远期波动性的押注。
我们卖出
近期并买入远期的长期日历是多头
远期金库。 我们
买入近期并卖出
远期的短期日历是短期远期库。 让我们
通过重新审视我们的方差直觉来回顾一下为什么会这样
。 请记住，方差是
波动率的平方，并随
时间增加。 后期方差
等于前期窗口方差加上
前期窗口方差。 而
前期方差恰好等于
前窗方差。 通过卖出
前端并买入后端，您可以
有效地移除前端部分并
仅保持对前向
部分的敞口。 这就是它形成长期远期
波动率头寸的原因。 将其翻转，则
前切距离就不足了。 让我们来探讨一下
长期日历价差，即长期
远期波动率。 再次，该头寸
是卖出即将到期的合约，例如 30
天，并买入进一步到期的合约，
例如 60 天。 观点是，
市场低估了
下一个窗口的波动性。 我们希望远期
波动性上升。 那么，什么有助于
未来波动呢？ 如果前端 IV 下降，
这将增加我们的前向波动性。
现在冷却下来了。 如果未来 IV 上升，
我们的未来波动性也会上升。
未来风险的定价被提高。
不管怎样，我们都会在长期内获益。
如果前静脉注射上升，就会造成疼痛。 这会
降低前跳高度。 预示着
近期压力将进一步加大。 背部 IV 下降
也会对长期日历造成影响。 这也
降低了我们的远期储备，未来
风险再次被降低。 不管怎样，
长日历都是失败的。 让我们来探讨一下
短期日历价差，即短期
远期波动率。 因此，再次强调，我们的
立场是买入即将到期的期权，
卖出远期到期的期权。 观点是，
市场夸大了
下一个窗口的波动性。 因此
远期波动率应该会下降。 再次，
如果前向 IV 上升，则前向波动性会降低；
如果后向 IV
再次下降，则前向
波动性会降低。 任何
导致未来波动性上升的因素都会带来损害。 因此，前期
IV 下降将会增加我们的
前期波动性，而后期 IV 上升
也将会增加我们的前期
波动性。 无论如何，
如果发生这种情况，日历价差就会亏损。 长期
日历和短期日历都依赖于路径。
价格大幅波动可能会将您的损益推到
帐篷区之外，而在该区域之外，
您的希腊风险敞口会趋于平缓，这意味着
您对远期波动的敏感度会
减弱。 然而，你转动的主要杠杆
仍然是前向波动性。 我们
希望它在长历法中上升，
我们希望它在短
历法中下降。
当我们交易香草上市
期权而不是直接
交易远期金库或远期方差的场外交易产品时，帐篷外风险敞口的减少只是我们接受的一种风险
。 好的，现在我们已经了解了
远期波动率、远期
因素和日历价差，让我们来
看看真实的回溯测试结果和数据
设置。 我们不只是相信报纸上的
说法。 我们
在现实的交易摩擦下通过真实的可投资利差测试了这个想法
。 我们
使用您实际可以交易的期权重建了福特波动性逻辑
，然后分层增加
滑点、佣金和容量
限制，以便结果反映
现场交易者实际可以看到的情况。 我们
对两种时间
跨度系列进行了测试。 第一个是看涨
期权日历。 买入较远
日期的等值看涨期权，卖出近期
日期的等值看涨期权。 相同的执行价格，
不同的到期价格。 这是简洁
经典的日历版面。 我们还
探索了长 35 三角洲双
日历。 我们出售前期
期权链的执行价格，看涨期权的
delta 值为正 35，看跌期权的 delta 值为负 35
。 如果需要的话，我们接受正负 5 个
delta 差异，以达到
上期期权所列的相同执行价格。 实际上，
您正在同时运行两个日历
。 在 35
Delta 看涨期权侧做空前多回，
在负 35 Delta 看跌期权侧做空前多回。
这种结构利用了倾斜。 您
通常会出售更丰富的前期
倾斜并拥有相对便宜的
后期倾斜，同时扩大相
对于单一货币
日历的利润范围。 对于这两种结构，我们都测试了
3D 组合，每个组合都有一个小的缓冲区，
因此我们不会因为列表粒度而跳过交易
。 我们测试了 3060、3090
DTE 和 6090 DTE。 同样，我们
允许每个目标周围有正或负 5DTE 缓冲区
。 这意味着
25 到 35 之间的任何数字都算作 30。
当连锁店
列出 29 或 32 天而不是完美的
30 天时，这使得数据集保持现实性。 我们仅交易
20 天平均期权交易量超过
每天 10,000 份合约的股票。 这使得
填充合理且容量合理。
测试自 2007 年开始，涵盖了
近 19 年的期权历史。
大量的周期、恐慌、低谷
状态，足以让我们充满信心地做出分布
陈述。
每笔交易都会产生滑点和佣金。 我们
根据未平仓
合约和交易数据限制了每个交易品种的同时价差数量。 所以回
测不能不切实际地吸收
书本上的知识。 这避免了纸张
性能在尺寸增大时消失的情况
。 当目标 DTE 和双日历时，我们进入
目标增量在
允许的缓冲区内排列，然后
我们一次性进入价差。 在
退出时，我们会
在前期合约
到期日（实际上是在收盘前）以价差形式平仓整个仓位。
那么为什么要使用两种结构呢？ 现价
日历是中心多头远期波动率的最清晰的代理 。
。
35 delta 双日历增加了倾斜
收割和更广泛的支付几何，
这可以提高获胜率，并在当前向切片定价错误时加强
回报和我们的指标之间的联系
。 归根结底，这不是
玩具模拟。 它是一个大型流动
多死期数据集，包含实际日历
价差交易，带有缓冲、摩擦
和容量限制，并使用与
您在现实世界中运行策略的方式相匹配的机械进入和退出规则进行管理
。 对于这两个数据集，我们
对 30 到 60DTE 对有 124,000 个观测值
，对
30 到 90DTE 对有 95,000 个观测值，
对 60 到 90D 对有 88,000 个观测值。
这是超过 300,000 个完全
指定、完全成本分散的
实例。 足以
相当自信地做出分布陈述。 我们
可以从回报分布中看到，
在所有情况下，盲目交易
所有这些头寸都会导致
负平均回报。 这是一个
重要的基准。 日历不是
免费的午餐。 如果您不考虑
期限结构，每次开火时交易成本
和滑点都会让您陷入困境
。 我们可以看到，
3090dt 价差具有最佳负
回报，并且所有分布都呈
正偏态。 这意味着大多数是
失败者，但也有一些更大的赢家。 我们还
注意到，
双日历的平均回报率比其
货币看涨期权要好，而且其
胜率也更高。 这与
预期相符。 我们正在前面销售倾斜， 并
并
通过扩大日历的利润帐篷来扩大我们的利润区域
。 当然，由于交易的合约数量增加，这会
导致更多的潜在佣金
和滑点
。 最糟糕的回报是
已付借方，即 100%。 但我们会看到
有些大于100％。 这
是由于滑点和佣金造成的。
实际上，临近到期的宽幅市场以及
两次进入和退出时支付的价差可能
会使测量的损失超过 100 几个点。
这是一个测量工件。 并不是
说经纪人收取的费用超过了您的
借记金额，而是在某些情况下，滑点和佣金会使
往返成本变得
比入场借记金额稍大一些
。 从按
季度分组并随时间绘制的回报来看，该
策略看起来相对一致，
没有明显的季节性。 再次，
3090 看起来
具有最佳回报，尽管仍然意味着
负值。 这令人鼓舞。
如果有的话，优势不应该取决于特定的
时期或季度。 期限结构
错位贯穿整个周期。
这是铰链。 高于简单的 FF
截止值，回报变为正值。 我
会给你确切的阈值和一个非常
简单的规则。 通过观察 日历
日历
价差回报与远期因子的回归线散点图，
我们可以看出一种明显的关系。
远期因子越高，长期
日历价差回报越好。 显然，我们可以
从图表中看到，当因子达到或
超过 0.1 到 0.2 时，回报就
开始变为正值。 我们还可以看到，
这种关系在
双日历中更加牢固。 更多的证据表明，
双日历可能更好地 与
与
先前建立的更好的负平均
回报一起进行交易策略。 这就是我们
想要的签名。 以远期因素为条件，
重新构建了交易，让我们打开
日历价差并希望收获
可重复的错位。
双日历
在散点图中斜率更大这一事实表明
其收益与远期因子之间的关系
略强。 通过 观察
观察
y 轴上的回报率和 x 轴上的远期因子十分位数的图表
，我们可以清楚地看到，
更高的正
远期因子会带来更好的日历
价差回报率。 对于多头
平价看涨期权日历，我们看到，对于
3060 对，高于 0.14 的 FF 会带来
正回报。 对于 3090 对，
高于 0.03 的 FF 会带来正回报。
对于 6090 对来说，高于 0.41 的 FF
会带来正回报。 对于长期
35 delta 双日历，我们看到
3060 对，高于 0.11 的 FF 会带来
正回报。 对于 3090 对，
高于 0.01 的 FF 会带来正回报。
对于 3090 对来说，高于 0.14 的 FF
会带来正回报。 让我们
根据这些值创建一个模型，看看
它如何改变我们的结果。 最简单的
模型是仅当 FF
高于我们刚刚看到的
每个 DTE 配对和结构的阈值时才进行交易。
其余一切保持不变。 对于
平价看涨期权日历，
仅进行 FF 截止值以上的交易，
3060 现在的平均回报率为正 9.2%
，胜率为 47%，
平均每月交易 50 笔。 3090
目前的平均回报率为正 4%，
胜率为 50%，平均
每月交易量为 138 笔。 6090 目前的
平均回报率为正 39.7，
胜率为 49.5%，
但平均每月仅有四笔交易
。 对于长期双日历，
仅进行高于 FF
截止值的交易，3060 现在的平均回报率为正 7.9%，
胜率为 54.6%
，平均每月交易 62 次。
3090 目前的平均回报率为正 3.8%（8%），
胜率为 56.7%，
平均每月交易 166 笔。
6090 目前的平均回报率为正 16.9%，
胜率为 51.1%，
平均每月交易 36 次。
这里有一些重要的内容。 首先，
过滤会翻转
每个存储桶的平均回报符号。 这正是我们所
希望的。 其次，货币
看涨期权日历桶中的 6090 在平均回报率上看起来很庞大，
但在交易数量上却非常稀疏
。 第三，在同等门槛下，双日历的
胜率通常略高一些
。 所有这些
模型看起来都不错，但为了获得
更具可交易性的东西，我希望将这个
数字提高到
每月平均交易次数约为 20 次的水平。因为
即使拥有庞大的投资组合，这也将是
大量的交易，我们可能会
通过减少除看涨期权日历之外的所有交易次数来增加我们的回报，对于看涨期权日历，
我们
实际上需要
通过降低门槛来增加每月的交易次数
。 这可能会减少我们的
回报，但会降低我们的差异并
给我们带来更多的交易。 对于
平价看涨期权日历，将 FF
阈值调整为每月 20 笔交易左右，
我们得到以下结果。 3060 的
调整后 FF 为 0.23 23，现在
平均回报率为 13.9%，胜率为 47.8%
，平均每月交易 20 笔。
调整后的 FF 为 0.23 的 3090 目前
平均回报率为 9.3%，胜率为
50.3%，平均每月交易量为 19 笔
。 调整后的 FF 为
0.2 的 6090 现在平均回报率为 24.7%，
胜率为 45.4%，
平均每月交易 21 次。
对于长双日历，将
FF 阈值调整为每月 20 笔交易左右
，我们得到以下结果。
调整后的 FF 为 0.23 的 3060 现在
平均回报率为 14.2%，胜率为 56%，
平均每月交易 20 笔。
调整后的 FF 为 0.23 的 3090
目前平均回报率为 10.4%，胜率
为 57.9%，平均每月交易量为 19 笔
。 调整后的 FF
为 0.2 2 的 6090 现在平均回报率为 22.6%，
胜率为 55.8%，平均
每月交易 21 次。 我们可以清楚地看到，
使用远期因子是
长期日历价差回报的预测信号，
所有时间范围和
头寸都是有利可图的。 我们还
注意到 6090 看起来似乎最好。 通过
绘制每季度的模型平均收益组
，我们发现了一种
比盲目交易更加持续盈利的策略
。 我们还看到
6090 时间框架仍然看起来
最好。 现在我们已经
通过大量机会建立了盈利能力
，我们可以开始确定
交易规模并对结果进行回溯测试。
让我们看一下
每种策略组合的凯利分数。 请注意，
凯利通常比
我们实际想要交易的要大得多。 在实践中，
我们更喜欢使用分数凯利来管理
凹陷凸度和参数
不确定性。 对于平价
看涨期权日历，3060 的凯利
分数为 16.1%。 3090 的凯利
分数为 20.1%，而 6090 的
凯利分数为 18.4%。 对于长
双历来说，3060的凯利
分数为25.7％。
3090 的凯利分数为 31.5%，
而 6090 的凯利分数为 29.1%。
29.1%。
根据凯利分数和
上述模型，双日历似乎
是更好、更有利可图的
结构。 此外，
根据凯利分数，3090 似乎是最佳时间框架
。 我们现在可以回溯测试
这些策略，看看它们的
历史表现如何。 回溯
测试从 100,000 美元开始，首先
根据最高的远期
因子分配头寸，直到投资组合
满为止。 再次，这些头寸被
持有直到前期
合约到期之前，然后以
价差平仓。 请务必查看
下面的链接，您可以在其中下载包含
回溯测试结果的完整文档
以及脚本，以便自己找到这些
交易。 投资组合
构建细节很重要。 分配
给最高 FF 会将资本集中到
最错误定价的股票中。 在
到期前以价差平仓可以避免
锁定风险和其他到期麻烦。 现在来看看
结果。 让我们从完整的
凯利结果开始。 对于长期资金
调用日历。 30 至 60DTE 对
实现了 21.5% 的 kegger 和 1.58 的
sharp。 3090dt 对实现了 22.6% 的
kegger 和 1.93 的 sharp。 6090dt 对
实现了 28% 的 kegger 和 1.72 的 sharp。
其次，我们来看一下双
日历的结果。 3060 对实现了
21.9% 的 kegger 和 2.11 的 sharp。
3090 对实现了 21.5% 的 kegger 和
1.97 的 sharp。 最后，6090 对
实现了 27% 的 kegger 和 2.27 的 sharp。 在
完整的凯利尺寸下，两种结构在
不同期限内均表现良好。
6090 天窗口在两者的 kegger 方面明显领先，
而双日历的
整体尖锐比率略高。
现在让我们看一下 halfkelly 的结果。
首先是看多看涨期权
日历。 3060 对实现了 20.5% 的
kegger 和 1.92 的 sharp。 3090 对
实现了 21.9 kegger 和 2.06 sharp。
6090 对实现了 27.8 桶和
1.97 锋利。 其次，从
长双历来看，3060实现了
21.5克的克格和2.07的锋利。 3090 的
桶装啤酒量为 21.4%，锋利度为 2.04。
6090 的桶装啤酒量为 27%，
锋利度为 2.38。 在半凯利水平下，业绩
表现非常接近全凯利
水平，同时显著提高
夏普比率，表明减少
头寸规模可以平滑权益曲线
并提高效率。 6090 DTE 对
继续占据主导地位。 最后，我们来
看看季度凯利结果。
首先，看多看涨期权
日历。 3060 对实现了 16.9% 的
kegger 和 2.37 的 sharp。 3090 对
实现了 20% 的 kegger 和 2.64 的锋利。
6090 的桶装啤酒量为 26.7%，
锋利度为 2.4。 其次我们来看长
双历。 3060 实现了 20% 的
桶装和 2.31 的锋利。 3090 的
桶装啤酒量为 20.3%，锋利度为 2.34。
最后，6090 实现了 26.5% 的
kegger 和 2.42 的 sharp。 按四分之一凯利
尺寸计算，夏普比率是
全盘最高的。
与全尺寸相比，Kegger 的体积几乎没有减少，但
回报的稳定性和效率却
大大提高。 这凸显了
实际的收获。 分数凯利
尺寸，尤其是四分之一或
更小的尺寸，可以在
增长和平滑之间实现最佳平衡。
标题很直接。 两种
结构均适用于所有三种 DT
配对，并且
长期性能的差异不大。 60 至
90 天的窗口始终显示出
最强的 kegger 和 sharp 混合，而
3060 天的窗口
对结构选择最为敏感。 这种模式
强化了该视频的中心点
。 优势在于前锋
因素，而不是某些超精确的
扩散选择或深度配对。 真正的
优势在于它能够识别
便宜的价格，也就是便宜的远期与日历
价差。 您还会注意到
有关尺寸的一些重要信息。 从
满凯利到半凯利，再到
四分之一凯利，啤酒密度几乎为零，但
锋利度却显著提高。 这是
因为较小的赌注可以让你同时持有更多
头寸，这意味着更好的
多样化。 平滑股权
曲线并降低回撤凸度。
实际的做法是选择分数
凯利四分之一或更少的股票，并将风险分散
到各个股票上，而不是过分依赖
少数股票。 在这两种结构中，
平价赎回日历是
最容易输入、管理和扩展的。 如果
您想要最干净、
移动部件最少的正向保险库代理，请从
这里开始。 双日历通常
在某些窗口中发布略高的风险调整概况，
因为您出售
更丰富的前期倾斜并拥有
相对便宜的后期倾斜，
这可以扩大利润范围。
代价是
执行风险更加复杂，成本也更高。
为了简化执行并降低成本，底线
是选择呼叫日历，
因为结构之间的差异
很小，并且执行更简单
，成本更低。 我们知道这是
有效的。 让我们推测一下为什么这种策略有效，以便
我们对优势充满信心，然后
让我们通过一些易于遵循的
规则来实际运行该策略
。 当期限
结构不平衡变得极端时，就会出现这种优势。
这正是我们的前向因子所要
检测的。 让我们分析一下
为什么它有效、它从何而来以及
为什么它在实践中是可交易的。 很少有
参与者明确交易远期
波动性。 您能想到有多少零售
交易商或网点提倡
交易远期波动性吗？ 此外，
期权市场的大部分资金流
集中在
受对冲、短期
投机和事件交易驱动的近期到期期权上。 这种
拥挤可能会使近期隐含
波动率过高，同时使
远期部分（期限结构隐含的下一时期）
被低估。 在
现货溢价、局部
恐慌、行业冲击或重大
新闻事件期间，交易员往往会大举进行
短期保护或投机。
他们抬高前期合同的报价，
却忽视了
下一期合同到期的公平关系。 这使得后段
相对平静，而前段隐含
波动率（两者之间的桥梁）
被压缩到
前端滚动后不合理的水平。
较高的远期因子读数通常
出现在流动性中等的单一股票中，
大型机构基金往往会
跳过这些股票。 通过合理的流动性过滤器
和头寸上限，这些资金
对于零售交易者来说仍然是可收获的。
对于零售和中型账户来说，它们的规模足够大
，但
对于大型波动性基金来说，它们的规模太小，不足以产生影响，
因此这种优势仍然存在。 当
近期 IV 的出价超出
远期隐含的合理水平时，或者
相反，当其滞后太远时
，时间利差自然会充当
曲线平衡器，帮助期限
结构回到公允价值。 这
与一对神奇的 DTE 无关。 我们
测试了 3060、3090 和 6090。虽然
6090 通常看起来最好，但福特因子
是期限结构错位出现的通用检测器
。 如果 前端
前端
隐含波动率和远期隐含
波动率之间存在真正的不匹配，那么无论
是 714、1030、1221、2035 还是介于两者之间
或之后的任何价格，交易都存在。
根据经验和
测试得出的一般建议是，如果
使用 X 赚取
隐含波动率或避免
收益来衡量时远期因子高于 0.2，则该设置通常是
可交易的。 显然，越高
越好。 以下是关键要点。 前瞻性
因素与特定的
日历模板无关。 它与
错误定价结构相关，即日历
与双日历或
对角线。 对货币与
35 德尔塔和期限的打击只是将
同样的不平衡货币化的工具。
规模较小，交易更多名称。
分数凯利的规模（通常为四分之一
或更小）可显著提高夏普比率，
同时仅略微降低
长期回报。 一个实用的规模
指导原则是将每个头寸限制在
投资组合权益的 2% 到 8% 左右，其中
4% 是一个不错的默认值。 将
风险分散到许多不相关的
股票上也是件好事。 以下是一份简单的剧本供您
遵循。 首先，我们希望找到具有
较高近期隐含
波动率、期限结构和现货
溢价的流动性股票。 这将导致较高的
前向因子。 使用隐含波动率计算
所选到期日之间的远期因子 或
或
完全避免收益。 如果您的远期
因子读数为 0.2 或更高，我们可以做
多日历或双日历，
即卖出前期并买入
后期。 我们希望将其规模定为
投资组合资本的 2% 至 8% 左右，其中
4% 是一个良好的默认值。 坚持
四分之一凯利或更少。 我们希望
从最高的
绝对远期因子读数开始
向下填补仓位，并保持在我们整体
投资组合的上限之内。 在
前期到期之前以价差平仓，然后重新部署
到新的信号中。 前向因子
简单、直观，并且根植于
方差的时间可加性。 当
短期合同的出价远远超过
长期合同
下一期的出价时，您将获得报酬
作为期限结构平衡者。
如果您希望 使用
使用
实时筛选器、每日警报和
历史前瞻性因素自动计算和筛选此过程，您可以
在 Oakquots 找到所有这些。 好了，
理论讲得够多了。 让我们通过
实际交易来了解一下如何
找到、验证和执行
这些设置之一。 让我们来看看
AES，它在 Oakquant
筛选器的前瞻性因素列表中名列前茅。
或者，您可以
使用经纪平台找到类似的设置。
只需筛选
近期隐含波动率非常高且远期
隐含波动率低得多的股票即可
。 这意味着我们正在
寻找一种现货溢价期限结构。 现在，
我们总是想检查收入。 在
这种情况下，预计收益为
10 月 30 日。 我们可以
使用 X 收益波动率进行交易，但为了使
这个例子简单实用，让我们
完全避免收益。 为了做到这一点，
我们将选择在收益之前结束的到期日
。 我们将寻求
以 61.97% 的隐含波动率出售 10 月 17 日 10 DTE 14.5 行权价看涨期权。
我们将寻求以 52.11% 的隐含波动率买入 10 月 24 日
17D 14.5 行权价的看涨期权 。
。
将这些值插入
计算器（可下载的
Python 脚本或 Oakance 上的免费远期因子
计算器），我们发现远期
波动率为 33.37%，
远期因子约为 86%。
这远远高于我们的 20% 门槛，
使其
成为交易的有力候选者。 我们以 51 的价格卖出
10 月 17 日到期的 14.5 执行价看涨期权，
同时以 61 的价格买入 10 月 24 日到期的 14.5
执行价看涨期权。净借方
仅为 10。这说明了
使用远期因子的真正优势。 它
帮助我们找到极其便宜的日历
价差，从而我们可以
以很大的折扣有效地购买远期波动率。
现在，我们只需持有至 10 月
17 日到期日，并
在前一个月到期之前关闭价差。
我们将拭目以待这一策略将如何
发挥作用，但像这样具有高
前向因子和低进入成本的设置正是
这一策略的核心。
如果您还没有，请确保
下载下面的脚本或
查看 out.com 以访问实时
筛选器、计算器和社区。
Click on any text or timestamp to jump to that moment in the video
Share:
Most transcripts ready in under 5 seconds
One-Click Copy125+ LanguagesSearch ContentJump to Timestamps
Paste YouTube URL
Enter any YouTube video link to get the full transcript
Transcript Extraction Form
Most transcripts ready in under 5 seconds
Get Our Chrome Extension
Get transcripts instantly without leaving YouTube. Install our Chrome extension for one-click access to any video's transcript directly on the watch page.
Chrome Extension