🚀 AI 一键生成 qmt 策略代码

QMT 期权实战：如何实现 Delta 中性对冲策略？

qmt | 发布时间: 2025/12/15
以下内容由 EasyQuant 生成。

问题描述

如何计算我期权组合的Delta值，并用对应的ETF来对冲，让它保持Delta中性？

解决方案

这是一个非常经典的量化交易场景。在QMT中实现Delta中性对冲策略，核心步骤如下：

  1. 获取持仓：遍历账户中的期权持仓。
  2. 获取参数：对于每一个期权合约，获取标的价格（S）、行权价（K）、剩余到期时间（T）、无风险利率（r）和隐含波动率（IV）。
  3. 计算Delta：利用Black-Scholes-Merton (BSM) 公式计算单个期权的Delta。
  4. 计算组合Delta：组合Delta = Σ (单期权Delta × 持仓数量 × 合约乘数)。
  5. 对冲交易：计算需要持有的ETF数量（目标ETF数量 = -1 × 组合Delta），并与当前ETF持仓比较，进行买卖操作。

策略实现代码

以下是一个完整的Python策略示例。该策略会自动扫描账户中的期权持仓，计算总Delta敞口，并交易对应的ETF（如510050或510300）进行对冲。

# -*- coding: gbk -*-
import numpy as np
from scipy.stats import norm
import datetime
import time

def init(ContextInfo):
    # 设置资金账号 (请修改为您的实际账号)
    ContextInfo.accID = 'YOUR_ACCOUNT_ID'
    ContextInfo.set_account(ContextInfo.accID)
    
    # 设置对冲标的 (例如 510050.SH 华夏上证50ETF)
    ContextInfo.etf_code = '510050.SH'
    
    # 设置对冲阈值 (Delta敞口超过多少股时才进行交易，避免频繁交易手续费)
    ContextInfo.hedge_threshold = 2000 
    
    # 设定无风险利率 (可调用API获取或设定固定值，如 3%)
    ContextInfo.risk_free_rate = 0.03
    
    print("Delta中性对冲策略初始化完成")

def handlebar(ContextInfo):
    # 仅在最后一根K线（实时行情）运行
    if not ContextInfo.is_last_bar():
        return

    # 1. 获取账户持仓信息
    positions = get_trade_detail_data(ContextInfo.accID, 'STOCK', 'POSITION')
    
    total_delta_exposure = 0.0
    etf_position = 0
    
    # 2. 遍历持仓，计算期权组合的 Delta
    for pos in positions:
        instrument_id = pos.m_strInstrumentID
        
        # 如果是ETF本身，记录当前持仓量
        if instrument_id == ContextInfo.etf_code:
            etf_position = pos.m_nVolume
            continue
            
        # 判断是否为期权 (根据代码后缀或长度判断，这里假设是 .SHO 后缀)
        if not instrument_id.endswith('.SHO'):
            continue
            
        # 获取期权详细信息
        detail = ContextInfo.get_option_detail_data(instrument_id)
        if not detail:
            continue
            
        # 提取BSM模型所需参数
        S = get_underlying_price(ContextInfo, detail['OptUndlCode']) # 标的价格
        K = detail['OptExercisePrice']       # 行权价
        
        # 计算剩余时间 T (年化)
        expire_date_str = str(detail['ExpireDate']) # 格式 YYYYMMDD
        T = calculate_time_to_maturity(expire_date_str)
        
        if T <= 0:
            continue # 已过期
            
        r = ContextInfo.risk_free_rate
        
        # 获取隐含波动率 IV
        # QMT提供了直接获取IV的接口，如果获取失败则给一个默认值或自行计算
        sigma = ContextInfo.get_option_iv(instrument_id)
        if sigma <= 0.001: 
            sigma = 0.2 # 默认波动率防止报错
            
        opt_type = detail['optType'] # 'CALL' or 'PUT'
        
        # 计算单张期权的 Delta
        delta = calculate_bsm_delta(S, K, T, r, sigma, opt_type)
        
        # 获取合约乘数 (通常ETF期权为10000)
        multiplier = ContextInfo.get_contract_multiplier(instrument_id)
        
        # 计算该持仓的 Delta 敞口 (Delta * 持仓量 * 乘数)
        # 注意：如果是义务仓(卖方)，持仓量通常显示为正，但Delta影响是反的？
        # QMT中 m_nVolume 是正数，需要结合 m_nDirection 或 m_eSideFlag 判断方向
        # 简单处理：买入持仓(权利方) Delta为正，卖出持仓(义务方) Delta为负
        # 这里假设 pos.m_nVolume 为净持仓，正数为多头，负数为空头(如果API返回负数)
        # 如果API返回的Volume永远为正，需结合 m_eSideFlag (0权利, 1义务)
        
        position_sign = 1
        if hasattr(pos, 'm_eSideFlag'):
            # '1' 表示义务仓 (Short)
            if str(pos.m_eSideFlag) == '1':
                position_sign = -1
        
        position_delta = delta * pos.m_nVolume * position_sign * multiplier
        total_delta_exposure += position_delta
        
        # print(f"合约: {instrument_id}, 类型: {opt_type}, Delta: {delta:.4f}, 敞口: {position_delta:.2f}")

    print(f"当前期权组合总Delta敞口 (折合股数): {total_delta_exposure:.2f}")
    print(f"当前ETF持仓: {etf_position}")

    # 3. 计算对冲所需的 ETF 数量
    # 为了保持中性，ETF Delta + Option Delta = 0
    # ETF Delta = 1 * 股数
    # 所以：目标ETF股数 = -1 * Option Delta
    
    target_etf_position = -1 * total_delta_exposure
    
    # 计算需要交易的数量
    diff = target_etf_position - etf_position
    
    # 4. 执行交易 (设置阈值防止噪音交易)
    if abs(diff) > ContextInfo.hedge_threshold:
        trade_vol = int(diff / 100) * 100 # 调整为100的整数倍(手)
        
        if trade_vol != 0:
            print(f"触发对冲交易，目标调整量: {trade_vol}")
            order_shares(ContextInfo.etf_code, trade_vol, ContextInfo, ContextInfo.accID)
    else:
        print("Delta敞口在阈值内，无需对冲")

def get_underlying_price(ContextInfo, undl_code):
    """获取标的最新价格"""
    data = ContextInfo.get_market_data_ex(
        ['close'], [undl_code], period='1d', count=1, subscribe=True
    )
    if undl_code in data and not data[undl_code].empty:
        return data[undl_code].iloc[-1]['close']
    return 0

def calculate_time_to_maturity(expire_date_str):
    """计算剩余到期时间(年化)"""
    try:
        exp_date = datetime.datetime.strptime(expire_date_str, "%Y%m%d")
        now = datetime.datetime.now()
        days = (exp_date - now).days
        if days < 0:
            return 0
        # 加上当天剩余时间的小数部分会更精确，这里简化为天数/365
        return (days + 0.5) / 365.0
    except:
        return 0

def calculate_bsm_delta(S, K, T, r, sigma, opt_type):
    """
    计算BSM模型的Delta
    S: 标的价格
    K: 行权价
    T: 剩余期限(年)
    r: 无风险利率
    sigma: 波动率
    opt_type: 'CALL' or 'PUT'
    """
    if T <= 0 or sigma <= 0 or S <= 0:
        return 0
        
    d1 = (np.log(S / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * np.sqrt(T))
    
    if opt_type == 'CALL':
        delta = norm.cdf(d1)
    else: # PUT
        delta = norm.cdf(d1) - 1
        
    return delta

代码核心逻辑解析

  1. BSM Delta 计算 (calculate_bsm_delta):

    • QMT API 提供了 bsm_price 和 bsm_iv，但没有直接提供 bsm_delta。因此，我们引入 scipy.stats.norm 库，根据标准的 Black-Scholes 公式手动计算 $d_1$ 和 $N(d_1)$。
    • 公式: $\Delta_{call} = N(d_1)$, $\Delta_{put} = N(d_1) - 1$。

  2. 数据获取:

    • get_option_detail_data: 获取行权价、到期日、标的代码等静态数据。
    • get_option_iv: QMT 提供的非常方便的接口，直接获取实时的隐含波动率，省去了自己反推波动率的麻烦。
    • get_contract_multiplier: 获取合约乘数（通常ETF期权是10000），这对于计算总敞口至关重要。

  3. 持仓方向处理:

    • 在 get_trade_detail_data 返回的 POSITION 对象中，通常包含 m_eSideFlag（持仓方向）。
    • 如果是义务仓（卖方），Delta 的符号需要反转（例如卖出Call，Delta变为负；卖出Put，Delta变为正）。代码中通过 position_sign 处理了这一逻辑。

  4. 对冲逻辑:

    • Delta 中性定义: 整个组合（期权+现货）的 Delta 之和为 0。
    • 现货 Delta: 1 股 ETF 的 Delta 为 1。
    • 计算: 目标ETF持仓 = -1 * 期权总Delta。
    • 阈值控制: 设置 hedge_threshold (如2000股)，只有当偏差超过这个数值时才下单。这可以防止因为行情微小波动导致的频繁开仓和平仓，节省手续费。

注意事项

  • 数据订阅: 确保在界面或代码中订阅了期权和ETF的行情数据，否则 get_market_data_ex 可能取不到最新价格。
  • 交易权限: 确保账号拥有ETF买卖权限。
  • 风险提示: Delta是动态变化的（Gamma风险），该策略只能做到瞬时中性。如果市场剧烈波动，需要提高对冲频率或引入Gamma对冲。
  • Python库: 确保QMT的Python环境中安装了 scipy 和 numpy (QMT自带环境通常已包含)。

Q&A

Q1: 为什么需要乘以合约乘数？
A1: 期权的Delta通常表示一份期权对应1股标的的变动率，但一张ETF期权合约通常代表10,000份ETF。因此，一张Delta为0.5的Call期权，实际上相当于持有 0.5 * 10,000 = 5,000 股ETF的风险敞口。

Q2: 如何处理Gamma风险？
A2: Delta对冲只能抵消一阶风险。随着标的价格变化，Delta本身也会变化（这就是Gamma）。为了处理Gamma风险，通常需要更频繁地进行Delta对冲（动态对冲），或者买入/卖出其他期权来构建Gamma中性组合。

Q3: get_option_iv 获取不到数据怎么办？
A3: 如果期权流动性差，API可能返回0。代码中加入了 if sigma <= 0.001: sigma = 0.2 的保护逻辑。更严谨的做法是使用标的历史波动率作为替代，或者使用 ContextInfo.bsm_iv 根据期权最新成交价反推。

相关推荐

QMT 进阶：使用 `subscribe_quote` 实现多标的实时监控

对于需要监控多个标的物的实时策略，`handlebar` 的单 tick 驱动可能不够用。本文将介绍如何使用 `subscribe_quote` 函数订阅指定股票的行情数据，并通过回调函数实现真正的实...

QMT 两融交易风控：实时监控融资融券账户风险

本指南专注于 QMT 两融交易的风险管理，详细讲解如何使用 get_debt_contract 和 get_assure_contract API 查询负债合约与担保品详情，并编写代码来计算维持担保比...

QMT 量化策略回测与绩效分析指南

本教程将指导您如何在 QMT 平台设置回测参数，如时间范围、初始资金、手续费和滑点，并解读回测报告中的关键绩效指标，如年化收益和最大回撤。

QMT 策略健壮性：数据完整性检查

介绍在 QMT 策略的 init 函数中检查关键数据（如历史行情、财务数据）是否下载完整的方法，通过数据校验步骤确保回测结果的准确性和可靠性。

QMT 统计套利：配对交易策略的 Python 实现

深入探讨统计套利的核心策略——配对交易。本文将指导您如何在 QMT 平台利用 Python 找出协整配对，并构建一个完整的配对交易策略，实现市场中性收益。

QMT 双均线交叉策略教程 (Python)

本指南将详细介绍如何在 QMT 平台使用 Python 编写、回测和实盘双均线交叉交易策略，并提供完整的示例代码，助您快速上手量化交易。