量化模型与构建方式 1. 模型名称：CINDA-VIX（方法一） - 模型构建思路：基于平值合约隐含波动率的方法，计算市场预期波动率[45] - 模型具体构建过程： 1. 清洗期权每日收盘价格数据，对于没有成交量的合约，使用结算价替代[45] 2. 根据期权平价公式和清洗后的期权价格数据，计算每个行权价对应的合成期货价格[45] 3. 将该价格作为现货价格带入BS公式中，计算每个合约的隐含波动率[45] 4. 得到同一个到期时间的合约行权价与隐含波动率曲线，在曲线中差值得到平值位置的隐含波动率IV ATM[45] 5. 将不同到期时间的IV_ATM按照剩余日历日进行插值，最终得到不同天数的VIX指数值[45] - 模型评价：该方法能够较好地反映市场预期波动率，但可能忽略了虚值期权的影响[45] 2. 模型名称：CINDA-VIX（方法二） - 模型构建思路：基于方差互换的方法，计算市场预期波动率[74] - 模型具体构建过程： 1. 选择所需期权的到期时间，剩余到期日历日少于7天的合约不进行考虑[108] 2. 分别计算每个不同到期时间期权的加权价值，公式为： $\sigma^{2}=\frac{2}{T}\sum_{i}\frac{\Delta k_{i}}{k_{i}^{2}}e^{r T}\mathrm{Q}(K_{i})-\frac{1}{T}\left[\frac{F_{0}}{K_{0}}-1\right]^{2}$ 其中，$\sigma^{2}$是最终计算出的波动方差，波动率则是该结果的平方根，最终公布的VIX则是去百分号形式，即VIX = $\sigma \times 100$[109] 3. 根据当前期权合约数量进行虚拟填充，若场内已无虚值看涨或看跌期权，需要将平值行权价KO做出调整[110] 4. 将不同波动率按照剩余到期时间进行加权求得最终结果，公式为： $V I X=100\times\sqrt{\left\{\frac{N_{1}}{360}\times\sigma_{1}^{2}\times\left[\frac{N_{2}-N}{N_{2}-N_{1}}\right]+\frac{N_{2}}{360}\times\sigma_{2}^{2}\times\left[\frac{N-N_{1}}{N_{2}-N_{1}}\right]\right\}}\times\frac{N}{360}$ [112] - 模型评价：该方法考虑了更多的期权合约，能够更准确地反映市场实际情况[108] 3. 模型名称：CINDA-SKEW - 模型构建思路：基于期权隐含波动率的偏斜特征，计算市场预期风险水平[130] - 模型具体构建过程： 1. 选择所需期权的到期时间，剩余到期日历日少于7天的合约不进行考虑[130] 2. 分别计算每个不同到期时间期权的加权价值，公式为： $S={\frac{E[R^{3}]-3E[R]E[R^{2}]+2E[R]^{3}}{(E[R^{2}]-E^{2}[R]^{3/2})}}={\frac{P_{3}-3P_{1}P_{2}+2P_{1}^{3}}{(P_{2}-P_{1}^{2})^{3/2}}}$ 其中，$P_{1}$、$P_{2}$、$P_{3}$分别为N天对数收益率的1、2、3次方的期望值[131] 3. 将不同SKEW按照剩余到期时间进行加权求得最终结果[137] - 模型评价：该方法能够捕捉市场对标的资产未来收益分布的预期，提供有价值的信息[138] 模型的回测效果 1. CINDA-VIX（方法一） - VIX值：2015年2月9日至2024年5月31日，VIX值与上证50指数走势对比[73] 2. CINDA-VIX（方法二） - VIX值：2015年2月9日至2024年5月31日，VIX值与上证50指数走势对比[127] 3. CINDA-SKEW - SKEW值：2022年7月22日至2024年5月31日，中证1000指数与CINDA-1000SKEW指数走势对比[139] 量化因子与构建方式 1. 因子名称：PCR（成交量PCR、持仓量PCR、成交额PCR） - 因子的构建思路：基于看涨与看跌期权在价量上的不同表现，反映市场多空力量的强弱[140] - 因子具体构建过程： - 成交量PCR：看跌期权成交量与看涨期权成交量的比值[141] - 持仓量PCR：看跌期权持仓量与看涨期权持仓量的比值[142] - 成交额PCR：看跌期权成交额与看涨期权成交额的比值[144] - 因子评价：这些因子能够较好地反映市场情绪和投资者的预期[140] 2. 因子名称：CP波动率价差 - 因子的构建思路：通过计算相同到期时间的看涨期权与看跌期权平值合约隐含波动率的差值，反映市场情绪[145] - 因子具体构建过程： - 公式：CP波动率价差 = 看涨期权平值IV - 看跌期权平值IV[145] - 因子评价：该因子能够较好地反映市场情绪的变化[145] 3. 因子名称：已实现波动率（RV） - 因子的构建思路：基于高频数据的波动率度量方法，通过计算标的资产在一定时间内的收益率变化来估计波动率[147] - 因子具体构建过程： - 公式：$RV_{t}=\sum_{i=1}^{i=N}r_{t,i}^{2}$，其中$r_{t,i}=\ln(S_{t,i})-\ln(S_{t,i-1})$[148][149] - 因子评价：该因子能够更有效率地反映市场的波动与情绪[149] 4. 因子名称：波动溢价指标（VRP） - 因子的构建思路：通过计算期权VIX与标的已实现波动率RV的差值，反映期权市场中的隐含波动率溢价情况[150] - 因子具体构建过程： - 公式：VRP = VIX - RV[150] - 因子评价：该因子能够反映市场的避险需求和投资者预期[150] 5. 因子名称：波动率跨期价差 - 因子的构建思路：通过计算相同标的、不同期限的VIX的差额，反映市场对未来不同期限内标的资产可能面临的风险程度[150] - 因子具体构建过程： - 公式：波动率跨期价差 = 30日VIX - 60日VIX[150] - 因子评价：该因子能够展现出VIX的期限结构所反映的信息[150] 因子的回测效果 1. PCR因子 - 持仓量PCR：上证50ETF期权持仓量PCR与上证50指数历史走势图（2015年2月9日至2024年5月31日）[230] - 成交额PCR：上证50ETF期权成交额PCR与上证50指数历史走势图（2015年2月9日至2024年5月31日）[231] 2. CP波动率价差因子 -