Estratégia de Scalping Gamma de Black-Scholes: Sabedoria Quantitativa para Formadores de Mercado de Opções
ianzeng123
BS, GAMMA, DELTA, THETA, VEGA
Porque é que os comerciantes de opções de opções ganham sempre com oscilações?
No mundo do trading quantitativo, há uma aparente contradição: quando os investidores a retalho ficam ansiosos com as flutuações do mercado, as opções de mercado conseguem ser lucrativas e estáveis. Qual é o segredo? A resposta está na estratégia de esfoliação do cavalo-de-cavalo baseada no modelo Black-Scholes que vamos analisar hoje.
A ideia central desta estratégia é simular a negociação de um comerciante de opções de mercado: construir um portfólio de opções de longo straddle sintético, aproveitando o efeito Puma para se proteger dinamicamente e, assim, lucrar com o arbitragem de volatilidade. Em outras palavras, é deixar a matemática trabalhar para nós, em vez de lutar contra os sentimentos do mercado.
Fundamentos matemáticos da estratégia: Aplicações do modelo Black-Scholes em combate
O modelo Black-Scholes é mais do que uma teoria acadêmica, é a pedra angular do preço moderno das opções. Nesta estratégia, nós nos concentramos nas cinco letras gregas:
Delta（Δ）: uma medida da sensibilidade dos preços das opções às variações dos preços dos ativos em referência. Para as carteiras de opções transversais, as variações da Delta fornecem um sinal de cobertura.
Gamma（Γ）A taxa de variação do delta, que é o núcleo da estratégia. A taxa de equilíbrio significa que o delta aumenta quando o preço sobe e diminui quando o preço desce, o que cria uma oportunidade para “comprar baixo e vender alto”.
Theta（Θ）A desaceleração do tempo é um custo que precisamos superar. Os ganhos de uma negociação de Puma só cobrem a desaceleração do tempo quando a volatilidade real excede a volatilidade implícita.
Vega（ν）A sensibilidade à volatilidade ajuda-nos a julgar o ambiente onde a taxa de variação está.
A partir da implementação do código, a estratégia usa a fórmula padrão de Black-Scholes para calcular essas letras gregas e assegura a precisão do cálculo através da função de distribuição normal padrão (usando a aproximação de Abramowitz & Stegun).
Como identificar o melhor momento para negociar?
A estratégia tem três camadas de filtragem:
Nível 1: Identificação do sistema de taxa de flutuação O ambiente de flutuação atual é julgado comparando a taxa de flutuação histórica com o índice de flutuação implícita. Quando a taxa de flutuação histórica / flutuação implícita é > 1.2, o que indica que o mercado realmente flutua mais do que o preço esperado da opção, é o ambiente ideal para o descascamento do cavalo.
Segunda camada: desencadeador de escalpelamento O design é astuto: ele garante que nós apenas fazemos transações de hedge quando há movimentos de preços suficientes, evitando o excesso de negociação.
Terceira camada: Zona de cobertura Delta Um sinal de hedge é gerado quando o desvio de delta líquido da posição neutra de uma carteira de opções transversais excede o limite definido. Isso simula o comportamento de um negociador de mercado de manter a neutralidade de delta.
Em que situações essa estratégia é mais eficaz?
A partir da análise lógica da estratégia, os melhores cenários de uso incluem:
Ambientes de alta volatilidadeA negociação de Puma pode gerar lucros extras quando a volatilidade real do mercado é consistentemente maior do que a volatilidade implícita.
A retomada da tendênciaA tendência é de que os investidores e os investidores de alto nível, que não têm a menor chance de obter um bom resultado, se juntem aos investidores de baixo nível.
Os movimentos impulsionados pelos eventosA variação da taxa de flutuação antes e depois de eventos como relatórios financeiros, decisões do banco central, etc., oferece um ambiente de negociação ideal para a estratégia.
Note-se que a estratégia tem uma eficácia limitada em mercados de liquidação de baixa volatilidade, pois a movimentação de preços não é suficiente para desencadear um sinal de negociação de cavalos de tiro eficaz.
A engenhosidade da gestão de riscos
A estratégia de gerenciamento de risco reflete o nível de especialização em negociação quantitativa:
Gestão de posições dinâmicasA variação do tamanho da posição de acordo com a taxa de flutuação, reduzindo a posição quando a taxa de flutuação é alta e aumentando a posição quando a taxa de flutuação é baixa, contrasta com a gestão tradicional de posição fixa.
Mecanismo de suspensão de danos em camadasO sistema ATR inclui um parâmetro de perda, proteção máxima de retirada e um mecanismo de saída baseado no valor do tempo.
Limitação de posições simultâneasO principal objetivo é reduzir o risco global de uma empresa de investimento, limitando o número máximo de posições de investimento simultâneas.
Novidades e limitações da estratégia
A inovação：
- Transportação de complexos cálculos de opções em grego para ações/futuras
- Identificação de sistemas de taxa de flutuação dinâmica, não de parâmetros estáticos
- Mecanismos de confirmação de sinais multidimensionais para reduzir falsos sinais
Limites potenciais：
- A transação é sensível aos custos e requer um ambiente de taxas mais baixas.
- Em condições de mercado extremas, a hipótese do modelo Black-Scholes pode falhar
- A complexidade da estratégia exige um amplo feedback.
Recomendações de combate e direções de otimização
Com base em uma análise profunda do código, eu recomendo:
- Optimização de parâmetros: Ajuste dinâmico de margens de volatilidade e largura de banda de cobertura para diferentes cenários de mercado
- Confirmação do Multi-TemposFiltração de sinais de tendências de flutuação em combinação com períodos mais longos
- Controle de custosA estratégia é de reduzir os custos e os custos de manutenção do sistema, mas também de reduzir os custos de manutenção e manutenção do sistema.
Esta estratégia mostra o fascínio da quantificação das transações: simplificar comportamentos de mercado complexos em regras de negociação executáveis por meio de modelos matemáticos. Embora não garanta lucro em cada transação, ela nos fornece uma estrutura de negociação com um valor de expectativa positivo a longo prazo.
Esta estratégia é, sem dúvida, um excelente exemplo de aprendizagem para os comerciantes de quantidade que desejam entender melhor a essência do comércio de opções. Ela não apenas mostra como transformar a teoria em prática, mas, mais importante, revela a maneira como os comerciantes profissionais pensam sobre o mercado: não prevendo direções, mas gerenciando o risco e deixando as probabilidades trabalharem para nós.
/*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")