在国际成熟金融市场中，期权被广泛用于套期保值业务。作为非线性产品的典型代表，期权既带来了操作上的灵活性和多样性，也使其套保策略的损益特征更加复杂。在这篇文章中我们将试图剖析期权套期保值的特点，进而对不同套期保值策略进行比较，从而为期权套期保值策略设计提供一定参考。由于买入套期保值的头寸构建同投机较为相似，且在实际中应用相对较少，本文重点阐述期权卖出套期保值。

期权套期保值特征

期权与期货是用以对冲现货价格风险的最重要的两种衍生品。中国市场场内期权已经涵盖了豆粕、玉米、白糖、棉花、橡胶、铜、50ETF这七个品种，且更多期权品种将陆续上市，可以为企业提供更多的套期保值工具。

1.期权价格与标的资产价格为非线性关系

期权价格与标的资产价格为非线性（凸性）关系，期货则为线性关系。期权价格与标的资产价格相关系数的绝对值一般也明显小于期货和标的资产相关系数的绝对值。对于看涨期权而言，随着标的资产价格升高，期权权利金升高的速度越来越快；随着标的资产价格下降，期权权利金下降速度越来越慢。看跌期权价格随标的资产价格的变化方向则相反。

期货价格与标的资产价格的线性关系，决定了使用期货套期保值更加简单，效果更加稳定。期权价格与标的资产价格的凸性关系，可使期权套期保值策略在满足套保需求的同时，通过合适的套保比例与合约选择还能赚取收益曲线凸性带来的收益。

2.期权套保可以对冲波动率

利用期货进行套期保值只能对冲价格风险。利用期权进行套期保值，不仅可以实现价格对冲，还可以实现波动率的对冲，其对冲效果可以更加全面。

期权的买方具有做多波动率的特性，卖方则具有做空波动率的特性。如果标的资产价格波动率在套保期间增大，期权买方可通过波动率增加得到额外的收益。以原料生产企业买入看跌期权进行套期保值为例，投资者可以通过买入看跌期权进行套期保值，既能对冲原料价格下跌的风险，在原料价格产生较大波动时还能达到对冲波动率的效果，从而更全面地满足投资者厌恶风险方面的偏好。反之，如果投资者预期套保期间原料价格可能下降且波动率还会降低，风险喜好的投资者也可以通过卖出看涨期权来进行套期保值。

2.静态delta中性对冲

期权价格与标的资产价格的收益曲线为非线性，这导致一旦标的资产价格变化，整个套期保值对冲组合便不再市场中性。因此，等量对冲仅可以对冲部分标的资产价格风险。如果要对冲所有标的资产价格风险，使策略组合的收益不受标的资产价格影响，则必须要达到delta中性。期权市值与现货市值比例应为1∶delta。

在实际操作中，为了保持组合的delta中性，除了调整期权持有量外，还可以通过调整现货或期货头寸来实现。当delta绝对值增大导致套保期现比例降低时，调整方式有三种：一是减少期权持有量；二是增加现货持有量；三是买入一定量的标的期货来替代现货。其中，由于期货便于操作且成本较低，在实际应用中受到许多投资者的青睐。

静态delta中性对冲同等量对冲相比，操作略为复杂，但如果操作得当，能够更好覆盖套期保值期间的现货价格风险。

3.动态delta中性对冲

期权价格与标的资产价格收益曲线的非线性，导致了期权delta是不断变动的。静态delta中性对冲策略除了在建仓和换仓的时点外，同样不能真正实现在套期保值期间的期现组合Delta中性。

为了使期现组合delta更趋于中性，在静态delta中性对冲的基础上，根据建仓后期权delta变化不断调整期现比例的套保策略，称为动态delta中性对冲策略。从换仓的形式来看，静态delta中性对冲策略是定期换仓，动态delta中性对冲策略则是定量换仓。

由于期权delta是时时变动的，受技术限制和交易成本限制，我们在实际中难以真正实现任何时刻的delta中性。在实际操作中，通常的做法是设定某一触发期现比例调整的阈值。除了通过调整期权持有量实现期现组合delta中性外，也可以通过调整现货或期货头寸来实现delta中性。

— — — — — — E N D — — — — — —

真格量化可访问：

https://quant.pobo.net.cn

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887

往期文章：

Numpy处理tick级别数据技巧

真正赚钱的期权策略曲线是这样的

多品种历史波动率计算

如何实现全市场自动盯盘

AI是怎样看懂研报的

真格量化策略debug秘籍

真格量化对接实盘交易

常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法

如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战

如何构建知识图谱

机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法

真格量化制作期权HV-IV价差

另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统

Python调用C++

如何选择数据库代理

统计套利揭秘

一个Call搅动市场？让我们温习一下波动率策略

如何用真格量化设计持仓排名跟踪策略

还不理解真格量化API设计？我们不妨参考一下CTP平台

理解同步、异步、阻塞与非阻塞

隐波相关系数和偏度——高维风险的守望者

Delta中性还不够？——看看如何设计Gamma中性期权策略

Python的多线程和多进程——从一个爬虫任务谈起

线程与进程的区别
皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法
Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码？这是Python软件基金会的建议

评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略

看看如何用Python进行英文文本的情感分析

算法交易的分类

Python编码的最佳实践总结

什么是波动率锥？如何用波动率锥设计期权策略？

期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧

期权交易中的“大头针”风险

期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略

海外市场交易执行策略的实践

设计期权套期保值方案时应注意的问题

美式期权、欧式期权比较分析——定价与风险管理

构建您的AI时代武器库——常用的机器学习相关Python库

期权波动率“微笑曲线”之谜

运算任务愈发繁重，如何加速Python程序运行？

证券市场微观结构理论模型是什么

是瞬间成交还是漫长等待？——如何衡量市场流动性

波动率指数及其衍生品介绍

Python的异常处理技巧

Python中的阻塞、异步与协程

"香草"之外的更多选择——几种常见的路径依赖奇异期权

什么是CTP？——了解上期所CTP快速交易系统

了解季节性——以谷物和油籽为例

是前因还是后果?——在真格量化中进行格兰杰因果检验

Python导入模块的技巧

Python程序员常犯的十个错误

搜索数据泄露天机？——舆情指数与期货行情关联性分析思路

机器学习常见算法分类汇总

如何使用Data Pipeline 自动化数据处理工作？

CTP API的委托介绍和在真格量化中的订单流控制

高频交易对市场的影响

期货行情及其组织形式——以上期所为例

理解并行与并发

郑商所和大商所套利指令及在真格量化的实现

机器学习用于金融市场预测面临的挑战

高频交易中风险控制的常用措施

查询结果偏离预期？来了解CTP的报单函数及委托状态查询

Python中的ftplib模块

理解真格量化的Python编程范式

需要处理大量市场数据？来了解一下MySQL、HBase、ES的特点和应用场景

NumPy中的ndarray与Pandas的Series和DataFrame之间的区别与转换

Python中的scikit-learn机器学习功能库

什么是程序设计中的高内聚、低耦合？

Python的内存管理与垃圾回收机制

云服务中的容器技术

什么是“面向对象”程序设计-以Python为例

波动率介绍及其在资产定价中的应用

发现策略中的孪生兄弟——期权交易中的等价或相似策略解析

如何利用期权改进指数投资表现——借鉴海外市场经验

如何用期权进行“哑铃型”资产配置——“90/10”策略介绍

国外著名商品指数编制方法比较

FPGA技术在金融行业的应用——以沪深行情加速为例

美国市场对部分高频交易行为的监管

报价驱动制度与指令驱动制度比较

理解动量投资策略和逆向投资策略——通过行为金融学视角

期权做市商面临的风险及其对做市业务的影响

商品期权在现货企业中的应用