“投资范围包括美国美式期权，数据来自CRSP和OptionMetrics IvyDB，仅包含距离到期一个月的期权。排除不合规的观察值，仅包括moneyness在0.5至1.5之间的期权。策略计算隐含波动率、moneyness和实现波动率，通过条件分位函数形成十分位组合，做多高十分位、做空低十分位的delta对冲看涨期权，等权重并每月重新平衡。”
资产类别：期权、股票 | 地区：美国 | 频率：每月 | 市场：股票 | 关键词：分位曲线，波动率风险溢价（VRP）
策略概述
投资范围包括美国股票美式期权，数据来自CRSP和OptionMetrics IvyDB数据库。仅包含距离到期一个月的期权，投资组合基于每月期权到期后的第一个交易日可用的信息构建。排除要价低于出价、出价为零、买卖价差低于最小价格波动，以及违反套利界限的观察值。仅包括moneyness在0.5至1.5之间的期权。
策略要求计算隐含波动率、moneyness，以及基于12个月回溯期计算的股票日收益率的标准差作为实现波动率。第一步，通过最小化残差的检验损失函数（见公式1），构建条件分位函数，以隐含波动率为条件，基于实现波动率和moneyness构建。作者使用一种称为“加权”的机器学习技术构建估计器（参考Meir和Rätsch（2003））。利用条件分位函数形成十分位组合，做多最高十分位的delta对冲看涨期权，做空最低十分位的delta对冲看涨期权。头寸持有至到期，投资组合等权重，并每月重新平衡。
策略合理性
传统的基于实现波动率和隐含波动率偏差的排序不仅会在偏差大的期权中做多或做空，还会在高实现波动率期权中做多，在低实现波动率期权中做空。因此，策略可能由于实现波动率的系统性差异而“不平衡”（见图4或图5）。在分位曲线方法中，可以控制实现波动率并构建更“平衡”的投资组合。此外，还可以控制其他变量，如moneyness。因此，该方法消除了由于实现波动率或期权moneyness的系统性差异可能引起的任何潜在偏差。
此外，作者还确定了几项优势，例如不假设波动率之间关系的函数形式（非参数方法），从而缓解了空投资组合的问题。最后，策略在分位曲线估计后相对容易实施。
论文来源
Conditional Quantile Curves, and the Cross-Section of Option Returns [点击浏览原文]
- Simon Fritzsch、Felix Irresberger、Gregor N. F. Weiss，莱比锡大学 – 经济与管理科学学院，杜伦大学，莱比锡大学 – 经济与管理科学学院
<摘要>
投资组合排序和横截面回归是测试资产特征定价的标准工具。我们提出了一种替代使用非参数机器学习方法来估计特定特征的条件分位曲线的做法。基于条件分位曲线构建的投资组合只应反映与特征相关的定价风险，而不需要假设特征-回报关系的函数形式。我们将该程序应用于波动率风险在期权收益横截面上的定价。结果表明，这种特征投资组合的夏普比率比可比策略高出30%。
回测表现
| 年化收益率 | 32.92% |
| 波动率 | 10.39% |
| Beta | N/A |
| 夏普比率 | 3.17 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
