Black-Scholes-Gamma-Scalping-Strategie: Quantitative Erkenntnisse für Optionsmarktmacher
ianzeng123
BS, GAMMA, DELTA, THETA, VEGA
Warum können Optionshändler immer bei Schwankungen profitieren?
In der Welt des quantitativen Handelns gibt es ein scheinbar paradoxes Phänomen: Optionshändler sind in der Lage, einen stabilen Gewinn zu erzielen, während die Einzelhändler Angst vor Marktschwankungen haben. Was ist das Geheimnis dahinter? Die Antwort liegt in der heutigen Analyse der Black-Scholes-Modell-basierten Peeling-Strategie.
Die Kernidee dieser Strategie ist es, den Handel mit Optionen zu simulieren, indem man ein synthetisches Long-Straddle-Portfolio aufbaut, das den Puma-Effekt nutzt, um sich dynamisch abzusichern und somit von Volatilitätsarbitrage zu profitieren. Einfach gesagt, die Mathematik für uns arbeiten zu lassen, anstatt mit den Marktstimmung zu kämpfen.
Mathematische Grundlagen der Strategie: Einsatz des Black-Scholes-Modells im Kampf
Das Black-Scholes-Modell ist mehr als eine akademische Theorie, es ist der Grundstein der modernen Optionspreisung. In dieser Strategie konzentrieren wir uns auf fünf griechische Buchstaben:
Delta（Δ）Die Sensitivität der Optionspreise gegenüber den Preisänderungen der Aktiva. Für die Transformationsoptionsportfolios liefern uns die Veränderungen von Delta ein Sicherungssignal.
Gamma（Γ）Das bedeutet, dass Delta steigt, wenn die Preise steigen, und Delta sinkt, wenn die Preise fallen, was für uns die Möglichkeit schafft, “besser zu kaufen und besser zu verkaufen”.
Theta（Θ）Die Kosten, die wir überwinden müssen, sind Zeitverlust. Die Gewinne aus Puma-Handel decken den Zeitverlust nur ab, wenn die tatsächliche Volatilität die implizite Volatilität übersteigt.
Vega（ν）Die Sensibilität für Schwankungen hilft uns dabei, die Umgebung zu beurteilen.
In der Codeimplementierung berechnet die Strategie die griechischen Buchstaben mit Hilfe der Standard Black-Scholes-Formel und sorgt für die Berechnungsgenauigkeit durch die Standard-Originalverteilungs-Funktion (Abramowitz & Stegun Approximation).
Wie erkennt man die beste Zeit, um zu handeln?
Die Strategie basiert auf drei Schichten von Signalfilterung:
Ebene 1: Identifizierung von Schwankungsraten Das aktuelle Volatilitätsumfeld wird beurteilt, indem die historische Volatilität mit dem Verhältnis der impliziten Volatilität verglichen wird. Wenn die historische Volatilität / die implizite Volatilität > 1,2 ist, zeigt dies an, dass der Markt tatsächlich über die Erwartungen der Optionspreisung schwankt. Dies ist das ideale Umfeld für die Abschälung von Pferden.
Zweite Schicht: Der Auslöser für die Enthaarung von Pferden Das Design ist schlau: Es stellt sicher, dass wir nur dann einen Hedging-Handel tätigen, wenn es genügend Preisbewegungen gibt, um Überhändlungen zu vermeiden.
Dritte Ebene: Delta-Absicherung Ein Hedging-Signal wird erzeugt, wenn die Netto-Delta-Abweichung von der neutralen Position eines Crossover-Option-Portfolios die festgelegte Schwelle überschreitet. Dies simuliert das Verhalten von Marketmakern, die Delta-Neutralität aufrechterhalten.
In welchen Situationen ist diese Strategie am effektivsten?
Aus der Analyse der Strategie-Logik ergibt sich folgendermaßen ein optimaler Einsatz:
Umgebung mit hohen SchwankungenWenn die tatsächliche Schwankung des Marktes immer höher ist als die implizite Schwankung, kann der Puma-Handel einen Überschuss erzeugen.
Rückschlag in der TrendlageDie Kurzzeitrückschläge in starken Trends schaffen oft gute Gelegenheiten, um die Pferde zu enthaarten.
Ereignisgetriebene SchwankungenDie Volatilitätsänderungen vor und nach Ereignissen wie Ergebnisberichten, Zentralbankentscheidungen usw. bieten eine ideale Handelsumgebung für die Strategie.
Es ist zu beachten, dass die Strategie in einem volatilen Markt nur begrenzt wirkt, da die Preisbewegung nicht ausreicht, um ein wirksames Puma-Handelssignal auszulösen.
Das ist eine gute Idee, um Risiken zu verwalten.
Die Risikomanagement-Strategie zeigt die Qualität eines professionellen Quantifizierungstransaktions:
Dynamische PositionsverwaltungDie Anpassung der Positionsgröße an die Fluktuationsrate, die Verringerung der Positionen bei hoher Fluktuation und die Erhöhung der Positionen bei niedriger Fluktuation steht im Gegensatz zur traditionellen Verwaltung von festen Positionen.
Mehrere Stufen von Stop LossDie ATR-Multiplier-Stop-Loss-Methode, die maximale Rücknahme-Schutz-Methode und die Zeitwert-basierte Ausstiegsmethode.
Gleichzeitige PositionseinschränkungDie Gefahr, dass ein Unternehmen die Gefahr einer Überschreitung seiner Risikopositionen überschreiten könnte, wird durch die Einschränkung der maximal möglichen Anzahl von gleichzeitigen Positionen begrenzt.
Innovationen und Grenzen der Strategie
Die Innovationskraft：
- Die komplexe Options-Griechische-Buchstaben-Berechnung wird vollständig in den Aktien-/Futures-Handel übertragen
- Dynamische, nicht statische Parameter zur Identifizierung von Schwankungsraten
- Mehrdimensionale Signalbestätigungsmechanismen, um falsche Signale zu reduzieren
Mögliche Einschränkungen：
- Kosten-sensitive Umgebung mit niedrigeren Gebühren
- Die Hypothese des Black-Scholes-Modells kann unter extremen Marktbedingungen fehlschlagen
- Strategische Komplexität erfordert umfangreiche Rücktests und Validierungen
Einsatzempfehlungen und Optimierungsrichtlinien
Auf der Grundlage einer tiefen Analyse des Codes schlage ich vor:
- Parameteroptimierung- Dynamische Anpassung der Volatilitätsmargen und der Absicherungsbandbreite an unterschiedliche Marktbedingungen
- Mehrfache ZeitrahmenbestätigungFilterung von Signalen in Verbindung mit schwankenden Trendraten in längeren Perioden
- KostenkontrolleDie Strategie hat einen direkten Einfluss auf die Profitabilität, wenn man die Gleitpunkte und Gebühren in der virtuellen Welt streng kontrolliert.
Diese Strategie zeigt den Reiz des quantitativen Handels: Die mathematische Modellierung von komplexem Marktverhalten in umsetzbare Handelsregeln. Obwohl es nicht garantiert, dass jeder Handel profitabel ist, bietet es uns einen Handelsrahmen mit positiven Erwartungswerten auf lange Sicht.
Diese Strategie ist ohne Zweifel ein hervorragender Lehrbeispiel für quantitative Trader, die ein tieferes Verständnis der Natur des Optionshandels erlangen möchten. Sie zeigt nicht nur, wie man Theorie in die Praxis umsetzt, sondern zeigt vor allem, wie professionelle Trader den Markt betrachten: anstatt die Richtung zu prognostizieren, verwalten wir das Risiko und lassen die Wahrscheinlichkeit für uns arbeiten.
/*backtest
start: 2025-01-04 00:00:00
end: 2026-01-02 00:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=6
strategy("Black-Scholes Gamma Scalping Strategy",
overlay=true,
default_qty_type=strategy.percent_of_equity,
default_qty_value=10,
pyramiding=5)
// ============================================================================
// STRATEGY CONCEPT:
// This strategy simulates gamma scalping - a volatility arbitrage technique
// used by options market makers. The core idea:
//
// 1. We model a synthetic long straddle position (long call + long put)
// 2. The straddle has positive gamma, meaning delta changes as price moves
// 3. We continuously delta-hedge by trading the underlying
// 4. If realized volatility > implied volatility, hedging profits exceed theta decay
// 5. Trading signals generated when price moves create hedging opportunities
//
// The Black-Scholes equation provides: Delta, Gamma, Theta, Vega
// ============================================================================
// === INPUT PARAMETERS ===
string grp_opt = "Option Parameters"
strike_offset_pct = input.float(0.0, "Strike Offset from Current Price %", group=grp_opt, step=0.5)
days_to_expiry = input.int(30, "Days to Expiration", group=grp_opt, minval=1, maxval=365)
implied_vol = input.float(0.25, "Implied Volatility (Annual)", group=grp_opt, minval=0.05, maxval=2.0, step=0.01)
risk_free_rate = input.float(0.05, "Risk-Free Rate (Annual)", group=grp_opt, step=0.001)
dividend_yield = input.float(0.0, "Dividend Yield (Annual)", group=grp_opt, step=0.001)
string grp_vol = "Volatility Analysis"
hist_vol_period = input.int(20, "Historical Volatility Period", group=grp_vol, minval=5)
vol_ratio_threshold = input.float(1.2, "HV/IV Ratio for Long Vol Signal", group=grp_vol, minval=1.0, step=0.05)
vol_ratio_short = input.float(0.8, "HV/IV Ratio for Short Vol Signal", group=grp_vol, minval=0.1, maxval=1.0, step=0.05)
string grp_trade = "Trading Parameters"
gamma_scalp_threshold = input.float(0.5, "Gamma Scalp Threshold (ATR mult)", group=grp_trade, minval=0.1, step=0.1)
hedge_band_pct = input.float(2.0, "Delta Hedge Band %", group=grp_trade, minval=0.5, step=0.5)
use_vol_filter = input.bool(true, "Use Volatility Regime Filter", group=grp_trade)
max_positions = input.int(3, "Max Concurrent Positions", group=grp_trade, minval=1, maxval=10)
string grp_risk = "Risk Management"
stop_loss_atr_mult = input.float(2.0, "Stop Loss (ATR Multiple)", group=grp_risk, minval=0.5, step=0.5)
take_profit_atr_mult = input.float(3.0, "Take Profit (ATR Multiple)", group=grp_risk, minval=1.0, step=0.5)
max_drawdown_pct = input.float(15.0, "Max Drawdown % to Pause Trading", group=grp_risk, minval=5.0, step=1.0)
// ============================================================================
// BLACK-SCHOLES MATHEMATICAL FUNCTIONS
// ============================================================================
// --- Standard Normal CDF (Abramowitz & Stegun approximation) ---
norm_cdf(float x) =>
float result = 0.0
if na(x)
result := na
else
float ax = math.abs(x)
if ax > 10
result := x > 0 ? 1.0 : 0.0
else
float t = 1.0 / (1.0 + 0.2316419 * ax)
float d = 0.3989422804 * math.exp(-0.5 * x * x) // 1/sqrt(2*pi) * exp(-x²/2)
float p = t * (0.31938153 + t * (-0.356563782 + t * (1.781477937 + t * (-1.821255978 + t * 1.330274429))))
result := x >= 0 ? 1.0 - d * p : d * p
result
// --- Standard Normal PDF ---
norm_pdf(float x) =>
na(x) ? na : 0.3989422804 * math.exp(-0.5 * x * x)
// --- Black-Scholes d1 and d2 ---
bs_d1(float S, float K, float r, float q, float sigma, float T) =>
T > 0 and sigma > 0 ? (math.log(S / K) + (r - q + 0.5 * sigma * sigma) * T) / (sigma * math.sqrt(T)) : na
bs_d2(float S, float K, float r, float q, float sigma, float T) =>
float d1 = bs_d1(S, K, r, q, sigma, T)
na(d1) ? na : d1 - sigma * math.sqrt(T)
// --- Greeks ---
// Call Delta
call_delta(float S, float K, float r, float q, float sigma, float T) =>
T <= 0 ? (S >= K ? 1.0 : 0.0) : math.exp(-q * T) * norm_cdf(bs_d1(S, K, r, q, sigma, T))
// Put Delta
put_delta(float S, float K, float r, float q, float sigma, float T) =>
T <= 0 ? (S <= K ? -1.0 : 0.0) : math.exp(-q * T) * (norm_cdf(bs_d1(S, K, r, q, sigma, T)) - 1)
// Gamma (same for call and put)
option_gamma(float S, float K, float r, float q, float sigma, float T) =>
if T <= 0 or sigma <= 0
0.0
else
float d1 = bs_d1(S, K, r, q, sigma, T)
math.exp(-q * T) * norm_pdf(d1) / (S * sigma * math.sqrt(T))
// ============================================================================
// HISTORICAL VOLATILITY CALCULATION
// ============================================================================
// Calculate annualized historical volatility
calc_historical_vol(int period) =>
float log_return = math.log(close / close[1])
float std_dev = ta.stdev(log_return, period)
// Annualization factor based on timeframe
float periods_per_year = switch
timeframe.isdaily => 365.0
timeframe.isweekly => 52.0
timeframe.ismonthly => 12.0
=> 365.0 * 390.0 / (timeframe.isminutes ? timeframe.multiplier : 1440.0)
nz(std_dev * math.sqrt(periods_per_year), 0.20)
hist_vol = calc_historical_vol(hist_vol_period)
// ============================================================================
// STRATEGY CALCULATIONS
// ============================================================================
// Dynamic strike price (ATM or offset)
float atm_strike = math.round(close / syminfo.mintick) * syminfo.mintick
float strike_price = atm_strike * (1 + strike_offset_pct / 100)
// Time to expiration in years
float tau = days_to_expiry / 365.0
// Calculate Greeks for synthetic straddle (1 call + 1 put at same strike)
float c_delta = call_delta(close, strike_price, risk_free_rate, dividend_yield, implied_vol, tau)
float p_delta = put_delta(close, strike_price, risk_free_rate, dividend_yield, implied_vol, tau)
float straddle_delta = c_delta + p_delta // Net delta of straddle
float gamma = option_gamma(close, strike_price, risk_free_rate, dividend_yield, implied_vol, tau)
float straddle_gamma = 2 * gamma // Straddle has 2x gamma
// Volatility ratio: Historical / Implied
float vol_ratio = hist_vol / implied_vol
// ATR for position sizing and stops
float atr = ta.atr(14)
// ============================================================================
// TRADING SIGNALS
// ============================================================================
// --- Signal 1: Volatility Regime ---
// Long volatility when realized > implied (gamma scalping profitable)
// Short volatility when realized < implied (collect theta)
bool long_vol_regime = vol_ratio > vol_ratio_threshold
bool short_vol_regime = vol_ratio < vol_ratio_short
// --- Signal 2: Gamma Scalp Trigger ---
// When price moves significantly, delta changes. We trade to capture this.
float price_move = close - close[1]
float move_threshold = atr * gamma_scalp_threshold
bool significant_up_move = price_move > move_threshold
bool significant_down_move = price_move < -move_threshold
// --- Signal 3: Delta Hedge Bands ---
// Trade when straddle delta deviates from neutral
float delta_band = hedge_band_pct / 100
bool delta_long_signal = straddle_delta < -delta_band // Need to buy to hedge
bool delta_short_signal = straddle_delta > delta_band // Need to sell to hedge
// --- Combined Entry Signals ---
bool vol_filter = use_vol_filter ? long_vol_regime : true
// Long entry: Price dropped significantly OR delta needs positive hedge
bool long_entry = vol_filter and (significant_down_move or delta_long_signal)
// Short entry: Price rose significantly OR delta needs negative hedge
bool short_entry = vol_filter and (significant_up_move or delta_short_signal)
// ============================================================================
// RISK MANAGEMENT
// ============================================================================
// Track equity for drawdown protection
var float equity_peak = strategy.initial_capital
equity_peak := math.max(equity_peak, strategy.equity)
float current_drawdown = (equity_peak - strategy.equity) / equity_peak * 100
bool drawdown_exceeded = current_drawdown > max_drawdown_pct
// Position counting
int open_trades = strategy.opentrades
// ============================================================================
// STRATEGY EXECUTION
// ============================================================================
// Stop loss and take profit levels
float long_stop = close - atr * stop_loss_atr_mult
float long_target = close + atr * take_profit_atr_mult
float short_stop = close + atr * stop_loss_atr_mult
float short_target = close - atr * take_profit_atr_mult
// Entry conditions
bool can_trade = not drawdown_exceeded and open_trades < max_positions
if can_trade
// Long entries
if long_entry and strategy.position_size <= 0
strategy.entry("GammaLong", strategy.long,
comment="Δ:" + str.tostring(straddle_delta, "#.##") + " Γ:" + str.tostring(straddle_gamma, "#.###"))
strategy.exit("LongExit", "GammaLong", stop=long_stop, limit=long_target)
// Short entries
if short_entry and strategy.position_size >= 0
strategy.entry("GammaShort", strategy.short,
comment="Δ:" + str.tostring(straddle_delta, "#.##") + " Γ:" + str.tostring(straddle_gamma, "#.###"))
strategy.exit("ShortExit", "GammaShort", stop=short_stop, limit=short_target)
// Exit on extreme conditions
if drawdown_exceeded
strategy.close_all(comment="Drawdown Protection")
// Exit if volatility regime shifts against us
if use_vol_filter and short_vol_regime and strategy.position_size != 0
strategy.close_all(comment="Vol Regime Shift")
// ============================================================================
// VISUALIZATIONS
// ============================================================================
// Plot straddle delta
plot(straddle_delta, "Straddle Delta", color=color.blue, linewidth=2)
hline(0, "Zero Delta", color=color.gray, linestyle=hline.style_dashed)
hline(delta_band, "Upper Band", color=color.red, linestyle=hline.style_dotted)
hline(-delta_band, "Lower Band", color=color.green, linestyle=hline.style_dotted)
// Background color for volatility regime
bgcolor(long_vol_regime ? color.new(color.green, 90) : short_vol_regime ? color.new(color.red, 90) : na)
// Entry signals
plotshape(long_entry and can_trade, "Long Signal", shape.triangleup, location.belowbar, color.green, size=size.small)
plotshape(short_entry and can_trade, "Short Signal", shape.triangledown, location.abovebar, color.red, size=size.small)
// ============================================================================
// ALERTS
// ============================================================================
alertcondition(long_entry and can_trade, "Gamma Long Entry", "BS Strategy: Long entry signal - Delta={{straddle_delta}}")
alertcondition(short_entry and can_trade, "Gamma Short Entry", "BS Strategy: Short entry signal - Delta={{straddle_delta}}")
alertcondition(drawdown_exceeded, "Drawdown Alert", "BS Strategy: Max drawdown exceeded - trading paused")