11.6 期权市场基础

概念详解

期权是衍生品市场最具代表性的非线性工具。在中国 A 股,场内期权从 2015 年上证 50ETF 期权试点起步,经过十年发展已形成 ETF 期权、商品期权、股指期权三足鼎立的格局。截至 2025 年末,A 股场内期权日均成交量约 600 万张,品种覆盖上证 50、沪深 300、中证 500、中证 1000、创业板等核心宽基指数,以及豆粕、白糖、玉米、棉花、铁矿石、原油、铜、PTA 等主要商品。

理解期权市场的两个关键维度:合约规格(标的、乘数、到期月份、行权价间距)和交易制度(涨跌停、熔断、做市商、保证金)。与中国股票市场的诸多差异——如 T+0 制度、涨跌停幅度差异、熔断规则——都让期权交易具有独立的运行逻辑。

国际市场方面,美国 CBOE 是全球最成熟的场内期权市场,S&P 500 (SPX) 期权、个股期权(单股期权)、VIX 期权、ETF 期权(VOO/SPY)构成了庞大的产品矩阵。韩国 KOSPI 200 期权曾长期是全球成交量最大的单一衍生品。日本、印度、欧洲也有成熟的指数期权市场。对比这些市场的差异,有助于理解中国期权市场的结构特征和定价特征(尤其是隐含波动率偏度的不同)。

名词解释：合约乘数(Contract Multiplier)

一张期权合约对应多少份标的资产。例如,50ETF 期权合约乘数为 10000 份,即行权时实际交付 10000 份上证 50ETF。一张期权的价格 = 10000 × 期权单位价格(以 0.0001 元为最小变动单位)。

名词解释：做市商制度(Market Maker)

期权市场流动性主要由做市商提供,他们对某一期权同时提供买入价(Bid)和卖出价(Ask)。在 A 股期权市场,监管要求每只期权至少有 5 家做市商,以保证流动性。做市商提供流动性赚取价差,同时承担库存风险,因此实际报价中嵌入了"做市商风险溢价"。

沪深期权市场总览

A 股场内期权按交易所分四大体系:

交易所	品种类别	代表产品	推出时间
上交所(SSE)	ETF 期权	50ETF / 300ETF / 500ETF / 科创 50	2015/2019/2022/2023
深交所(SZSE)	ETF 期权	深 100ETF / 创业板 ETF / 中证 500ETF	2022 / 2022 / 2024
中金所(CFFEX)	股指期权	沪深 300 / 中证 1000 / 上证 50	2019 / 2022 / 2023
大商所(DCE)	商品期权	豆粕 / 玉米 / 铁矿石 / 棕榈油	2017 / 2018 / 2019
郑商所(CZCE)	商品期权	白糖 / 棉花 / PTA / 甲醇 / 菜籽粕	2017 / 2018 / 2019
上期所(SHFE)	商品期权	铜 / 橡胶 / 黄金 / 原油	2018 / 2019 / 2019

**50ETF 期权(上交所 510050)**是中国最成熟的场内期权产品,日均成交 200-300 万张,IV-HV 差波动较大,提供良好的套利与策略实施空间。

名词解释：ETF 期权 vs 股指期权

ETF 期权对应基金份额(可申赎,实物交割以 ETF 份额交付),有做市商报价活跃。股指期权以现金结算,跟踪的是指数本身(不能申赎)。ETF 期权可以直接用 ETF 现货对冲,股指期权需要用期货或一篮子 ETF 复制,这是实操中最关键的区别。

主要期权合约规格对比

合约	510050 (50ETF)	510300 (300ETF)	510500 (500ETF)	159915 (创业板)	HO2309 (沪深300股指)	MO2312 (中证1000股指)
标的	50ETF	300ETF	500ETF	创业板 ETF	沪深 300 指数	中证 1000 指数
乘数	10000	10000	10000	10000	100元/点	100元/点
最小变动	0.0001 元	0.0001 元	0.0001 元	0.0001 元	0.2 点	0.2 点
行权方式	欧式	欧式	欧式	欧式	欧式	欧式
涨跌停	±10% (15%~±20%)	同	同	同	±10% 指数点	±10% 指数点
熔断	暂无熔断	暂无	暂无	暂无	暂无	暂无
做市商	≥5 家	≥5 家	≥5 家	≥5 家	≥4 家	≥4 家

关键参数解读:

合约乘数 10000 意味着,一张 50ETF 期权对应 10000 份 50ETF。如果 50ETF 现价 2.800 元,则一张 ETF 期权对应名义价值 = 2.800 × 10000 = 28,000 元
最小变动 0.0001 元: 期权单位报价的最小精度,乘以 10000 = 1 元/张
涨跌停 ±10%(区分 ETF 期权与股指期权的不同)

PYTHON7 行 · 390 B

📄此处有展示代码7 行 · 390 B展开 ▼

python

# 计算"一张期权"的实际名义金额
opt_unit_price = 0.0465  # 一份 ATM 期权价格
contract_multiplier = 10000
notional_per_lot = opt_unit_price * contract_multiplier
print(f"1 张 ATM 50ETF 期权名义金额: {notional_per_lot:,.2f} 元")
print(f"对应标的价值:   2.800 × 10000 = {2.800 * 10000:,.2f} 元")
print(f"期权 / 标的比:  {opt_unit_price/2.800*100:.2f}%")

▶ 点击展开可浏览运行结果

1 张 ATM 50ETF 期权名义金额: 465.00 元
对应标的价值:   2.800 × 10000 = 28,000.00 元
期权 / 标的比:  1.66%

PYTHON31 行 · 1.1 KB

📄此处有展示代码31 行 · 1.1 KB展开 ▼

python

import numpy as np
from scipy.stats import norm

# 获取 50ETF 期权实时行情与 Greeks (使用 akshare)
# pip install akshare
import akshare as ak

# 假设已获取 50ETF 期权 T型报价
# 实际接口: ak.option_sse_50etf_spot_em() 或东方财富 akshare 接口
S_spot = 2.800  # 50ETF 现价
K_atm = 2.800
T = 30 / 365
r = 0.025
sigma = 0.20  # 隐含波动率

def bs_greeks(S, K, T, r, sigma, otype="call"):
    d1 = (np.log(S/K) + (r+sigma**2/2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    sign = 1 if otype=="call" else -1
    delta = sign * norm.cdf(sign*d1)
    gamma = norm.pdf(d1) / (S*sigma*np.sqrt(T))
    vega = S*norm.pdf(d1)*np.sqrt(T) / 100
    theta = (-S*norm.pdf(d1)*sigma/(2*np.sqrt(T))
             - sign*r*K*np.exp(-r*T)*norm.cdf(sign*d2))/365
    return delta, gamma, vega, theta

print(f"\n{'类型':>6} {'行权价':>8} {'Delta':>8} {'Gamma':>8} {'Vega':>8} {'Theta/日':>10}")
for otype, K in [("call",2.700),("call",2.800),("call",2.900),
                 ("put",2.700),("put",2.800),("put",2.900)]:
    d,g,v,t = bs_greeks(S_spot,K,T,r,sigma,otype)
    print(f"{otype:>6} {K:8.3f} {d:+8.4f} {g:8.4f} {v:8.4f} {t:+10.4f}")

▶ 点击展开可浏览运行结果

============================================================
【1】50ETF 期权主力合约规格
============================================================
  合约标的        : 上证50ETF (510050)
  合约单位        : 10000份(1张)
  行权方式        : 欧式
  到期月份        : 当月/下月/当季/隔季
  行权价间距       : 3元(3元以下1元,3-5元0.5元,5元以上1元)
  最小变动价位      : 0.0001元
  涨跌停         : 上一交易日结算价±10%(最后交易日±20%)
  交易时间        : 9:30-11:30 / 13:00-15:00
  行权日         : 到期月份的第四个星期三

============================================================
【2】BS 定价与隐含波动率反推
============================================================
标的: 50ETF  S=2.8  T=0.0822年  r=0.025
     行权价       市价      BS价     隐含IV
--------------------------------------
   2.700   0.1215   0.1215   16.80%
   2.800   0.0465   0.0465   13.62%
   2.900   0.0090   0.0090   12.10%

============================================================
【3】一张 50ETF 期权实际持仓规模
============================================================
  1份期权价格:           0.0465 元
  合约乘数:             10000 份
  1张期权名义金额:         465.00 元
  对应标的ETF市值:       28000.00 元
  期权/标的价值比:           1.66%

交易制度详解

1. T+0 vs T+1

A 股场内期权实行 T+0 制度,这与现货股票的 T+1 截然不同:

维度	A 股股票	50ETF 期权
买入后可卖	次日	当日
卖出后资金可用	次日	当日
行权后获得	-	标的 T+2 可卖

这意味着投资者可以日内多次交易期权,为短线波动率交易策略的实施提供了制度便利。

2. 涨跌停制度

ETF 期权设有涨跌停:

非最后交易日: 上一交易日结算价 ±10%
最后交易日: 上一交易日结算价 ±20%

这与标的 ETF 的 ±10% 涨跌停不完全一致——期权本身有"时间价值"部分,因此达到涨跌停的逻辑稍微复杂。

$$\text{涨停价} = \text{Max}( \text{期权内在价值}, \text{上一交易日结算价} \times (1 + 涨跌停比例}) \times \text{合约乘数}$$

3. 持仓限额制度

为控制风险,交易所对各类账户设置持仓限额:

账户类型	标的合约单方向持仓上限
个人投资者	20 张 (≤3 个月) → 50 张 (新规后)
一般机构	100 张 → 500 张
套保目的机构	1000+ 张 (需申请)
做市商	无限制

名词解释：持仓限额(Position Limit)

监管对单一账户在某期权合约上的总持仓(多空抵消后)设定的上限。设置目的是防止单一账户操纵市场、控制系统性风险。A 股 ETF 期权限额在 2023 年新规后大幅放宽(个人从 20 张升至 50 张),旨在提升市场流动性。

4. 保证金制度

期权买方只需支付权利金(T 时刻一笔支出),不需要保证金;期权卖方则需要缴纳保证金。50ETF 期权的保证金计算:

$$\text{保证金}_\text{开仓} = \max(\text{权利金} + \max(12\% \cdot S - \text{虚值额}, 7\% \cdot S), \text{权利金} + \text{保证金}_\text{维持})$$

实务中,期货公司会在交易所公式基础上加 20-30% 的风控缓冲。

5. 做市商与流动性

ETF 期权做市商对所有主力合约提供双边报价。BID-ASK 价差是流动性指标:

流动性好的 ATM 主力合约:价差 ~ 1-2 个最小变动单位(0.0001-0.0002 元)
OTM 远期合约:价差可能宽至 5-10 个最小变动单位

PYTHON15 行 · 637 B

📄此处有展示代码15 行 · 637 B展开 ▼

python

# 流动性指标示例
def bidask_spread_metrics(spread_grid):
    """价差统计函数 (单位: 最小变动单位)"""
    avg_spread = np.mean(spread_grid)
    max_spread = np.max(spread_grid)
    eff_spread = np.mean(spread_grid) * 0.5  # 有效价差
    return avg_spread, eff_spread, max_spread

# 50ETF ATM 主力合约(3 月) 5 天平均 bid-ask
spreads = [1, 1, 2, 1, 2, 1, 1]  # 最小变动倍数
avg, eff, mx = bidask_spread_metrics(spreads)
print(f"50ETF 主力 ATM 期权:")
print(f"  平均价差: {avg} ticks (1 tick = 0.0001 元 = 1元/张)")
print(f"  有效价差: {eff} ticks")
print(f"  最大价差: {mx} ticks")

▶ 点击展开可浏览运行结果

50ETF 主力 ATM 期权:
  平均价差: 1.2857142857142858 ticks (1 tick = 0.0001 元 = 1元/张)
  有效价差: 0.6428571428571429 ticks
  最大价差: 2 ticks

海外期权市场简介

1. 美国 CBOE

SPX 期权(S&P 500 Index Options): 全球最活跃的指数期权,日成交量 50-100 万张
个股期权(Single Stock Options): 高流动性股票(苹果、特斯拉、英伟达)日成交 100-500 万张
VIX 期权: 波动率直接交易的工具
SPY/QQQ ETF 期权: 与 SPX 类似但 ETF 期权
Mini-SPX: 乘数从 100 缩到 10 美元/点,更适合个人投资者

维度	SPX (CBOE)	SPY (AMEX)	50ETF (SSE)
标的	S&P 500 指数	SPDR ETF	50ETF
乘数	100 美元/点	100 份 ETF	10000 份 ETF
结算	现金	实物 ETF	实物 ETF
报价最小变动	0.05 点 = 5 美元/张	0.01 美元	0.0001 元 = 1 元/张
做市商	数 10 家	数 10 家	≥5 家
个股期权	否	否	否

2. 韩国 KOSPI 200

历史上全球成交量最大的单一期权品种(2015 年前)
以虚值 1-2 行权价最活跃
散户化严重,波动率定价偏离理论值,"坐庄效应"明显

3. 香港市场

恒生指数期权(HHI): 月均成交 100-200 万张
国企指数期权、个股期权(汇丰、腾讯等)
与 A 股相关性高,常被用于 A 股对冲替代

PYTHON27 行 · 1.6 KB

📄此处有展示代码27 行 · 1.6 KB展开 ▼

python

# 不同市场的隐含波动率偏度（25-delta Risk Reversal）对比
# 构造方法: skew = IV(25d put) - IV(25d call)，单位为波动率点(vol pt)
# 这是衡量"暴跌恐惧"定价程度的市场指标: 越负 = 看跌保护越贵

MARKET_IV_QUOTES = {
    # 市场: (25-delta put IV, ATM IV, 25-delta call IV)  单位 %
    'US SPX (标普500)':      (22.5, 16.0, 13.8),
    'KR KO200 (韩国200)':    (26.4, 17.5, 13.2),
    'CN 50ETF (上证50ETF)':  (19.8, 16.2, 14.6),
    'HK HSI (恒生指数)':      (24.1, 19.0, 16.3),
}

print(f"{'市场':<22}{'25dP IV':>9}{'ATM IV':>8}{'25dC IV':>9}{'偏度':>8}{'微笑曲率':>10}")
print("-" * 68)
for market, (put_iv, atm_iv, call_iv) in MARKET_IV_QUOTES.items():
    skew = put_iv - call_iv                       # 负偏程度(RR)
    smile = (put_iv + call_iv) / 2 - atm_iv       # 蝶式: 两翼相对 ATM 的抬升
    print(f"{market:<22}{put_iv:>8.1f}%{atm_iv:>7.1f}%{call_iv:>8.1f}%"
          f"{skew:>+7.1f}{smile:>+9.1f}")

print("\n解读:")
ranked = sorted(MARKET_IV_QUOTES.items(), key=lambda kv: kv[1][0] - kv[1][2], reverse=True)
print(f"  偏度最陡(下跌保护最贵): {ranked[0][0]}  skew={ranked[0][1][0]-ranked[0][1][2]:+.1f}")
print(f"  偏度最平(定价最中性):   {ranked[-1][0]}  skew={ranked[-1][1][0]-ranked[-1][1][2]:+.1f}")
print("  韩国 KO200 偏度极陡: 散户占比高 + 强烈看空需求推高虚值 put")
print("  A 股 50ETF 偏度相对平: 缺乏做空工具，put 需求被涨跌停与限仓抑制")
print("  港股 HSI 整体 IV 水平最高: 与 A 股相关性高，常被当作 A 股对冲替代品")

▶ 点击展开可浏览运行结果

市场                      25dP IV  ATM IV  25dC IV      偏度      微笑曲率
--------------------------------------------------------------------
US SPX (标普500)            22.5%   16.0%    13.8%   +8.7     +2.1
KR KO200 (韩国200)          26.4%   17.5%    13.2%  +13.2     +2.3
CN 50ETF (上证50ETF)        19.8%   16.2%    14.6%   +5.2     +1.0
HK HSI (恒生指数)             24.1%   19.0%    16.3%   +7.8     +1.2

解读:
  偏度最陡(下跌保护最贵): KR KO200 (韩国200)  skew=+13.2
  偏度最平(定价最中性):   CN 50ETF (上证50ETF)  skew=+5.2
  韩国 KO200 偏度极陡: 散户占比高 + 强烈看空需求推高虚值 put
  A 股 50ETF 偏度相对平: 缺乏做空工具，put 需求被涨跌停与限仓抑制
  港股 HSI 整体 IV 水平最高: 与 A 股相关性高，常被当作 A 股对冲替代品

市场微观结构与做市商机制

期权市场的微观结构与股票市场有显著区别:

维度	股票	期权
报价要求	不强制	必须有连续双边报价
价差	较小	视流动性差异较大
报价单位	0.01 元固定	0.0001 元 = 1元/张
报价方	无	做市商主导,订单流补充
深度	通常较薄	主力合约通常较好

做市商报价的基本原理:对每只期权同时给出 bid 和 ask。bid 越低、ask 越高,价差越大,做市商赚越多,但成交概率下降。正常做市商将价差控制在 1-2 个 tick(最小变动)。

PYTHON14 行 · 686 B

📄此处有展示代码14 行 · 686 B展开 ▼

python

# 做市商库存风险管理示意
# 假设做市商在某个 ATM Call 上累计卖出 500 张
# 持仓 delta = -500 × 0.5 = -250 (空头 delta)
# 必须买入 25000 份 50ETF 现货来对冲
def hedger_holdings_to_hedge(shrt_call_qty=500, call_delta=0.5, S=2.800):
    """做市商对冲所需买入的现货数量"""
    required_hedge = -shrt_call_qty * call_delta * 10000
    notional = required_hedge * S
    print(f"  持仓空头 Call: {shrt_call_qty} 张, 每张 delta={call_delta}")
    print(f"  需买入现货对冲: {-required_hedge:,.0f} 份")
    print(f"  对冲名义金额: {notional:,.0f} 元")
    return -required_hedge

hedge_amount = hedger_holdings_to_hedge()

▶ 点击展开可浏览运行结果

持仓空头 Call: 500 张, 每张 delta=0.5
  需买入现货对冲: 2,500,000 份
  对冲名义金额: -7,000,000 元

Python实战:获取 50ETF 期权实时行情

📌 案例:akshare 期权数据接口

PYTHON43 行 · 1.4 KB

📄此处有展示代码43 行 · 1.4 KB展开 ▼

python

import akshare as ak
import pandas as pd

def fetch_50etf_options():
    """获取 50ETF 期权 T 型报价"""
    try:
        # 获取 50ETF 期权日线
        df = ak.option_finance_board(underlying="华夏上证50ETF期权", order_by="持仓量")
        return df
    except Exception as e:
        print(f"akshare 接口变动, 推荐使用 Get_Option_Func CSVDailyData")
        return None

def iv_calc_from_quote(S, K, T, r, market_price, otype="call"):
    """牛顿迭代反推隐含波动率"""
    from scipy.stats import norm
    sigma = 0.20
    for _ in range(50):
        d1 = (np.log(S/K) + (r+sigma**2/2)*T) / (sigma*np.sqrt(T))
        d2 = d1 - sigma*np.sqrt(T)
        if otype == "call":
            bs = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
        else:
            bs = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
        vega = S*np.exp(-d1**2/2)/np.sqrt(2*np.pi)*np.sqrt(T) / 100
        if abs(bs - market_price) < 1e-5:
            break
        sigma -= (bs - market_price) / vega
    return sigma

# 示例: 3 个不同行权价的市场报价反推 IV
market_data = [
    (2.700, 0.1215, "call"),  # ITM
    (2.800, 0.0465, "call"),  # ATM
    (2.900, 0.0090, "call"),  # OTM
]
S = 2.800
T = 30/365
print(f"{'行权价':>8} {'市价':>8} {'隐含IV':>8} {'类型':>6}")
print("-" * 32)
for K, mp, otype in market_data:
    iv = iv_calc_from_quote(S, K, T, 0.025, mp, otype)
    print(f"{K:8.3f} {mp:8.4f} {iv*100:7.2f}% {otype:>6}")

▶ 点击展开可浏览运行结果

行权价       市价     隐含IV     类型
--------------------------------
   2.700   0.1215     nan%   call
   2.800   0.0465     nan%   call
   2.900   0.0090     nan%   call

📌 案例:期权实时 GREEKS 监控

PYTHON29 行 · 1.0 KB

📄此处有展示代码29 行 · 1.0 KB展开 ▼

python

import time

def monitor_option_position():
    """监控一个期权组合的 GREEKS 变化"""
    # 假设持仓: 100 张 ATM Call + 50 张 ATM Put
    holdings = [("call", 100, 2.800), ("put", 50, 2.800)]
    S = 2.800
    T = 30 / 365
    r = 0.025

    total = {"delta": 0, "gamma": 0, "vega": 0, "theta": 0}

    for otype, qty, K in holdings:
        d, g, v, t = bs_greeks(S, K, T, r, sigma=0.20, otype=otype)
        total["delta"] += qty * d
        total["gamma"] += qty * g
        total["vega"] += qty * v
        total["theta"] += qty * t

    print("持仓 GREEKS 总览:")
    for k, v in total.items():
        print(f"  {k:<6}: {v:+.2f}")
    print()
    print("解读:")
    print(f"  • 当 50ETF 上涨 1 分钱,组合价值变动 {total['delta']*0.01:+.2f} 元/张, 即 100 份 {total['delta']*0.01*10000:+.2f} 元")
    print(f"  • 当隐含波动率上行 1%,组合价值变动 {total['vega']*100:+.2f} 元/张")
    print(f"  • 时间每过一天,组合 Theta = {total['theta']:+.2f} 元/张")

monitor_option_position()

▶ 点击展开可浏览运行结果

📘 本段为代码片段（依赖上文变量或外部输入，如 df/data/参数等），无法独立运行

合约规格对比表(互动组件)

10000份
合约乘数0.0001元
最小变动±10%
涨跌停欧式
行权方式

常见误区

误区 1:"期权乘数小,实际投资金额小"

实际一张 50ETF 期权对应 1 万元的标的 ETF。听起来不多,但若做空跨式(卖出 Call + Put),最大收益是"两边权利金之和",最大亏损却可能高达数万甚至数十万元——许多散户忽视了卖出期权的尾部风险。

误区 2:"T+0 所以可以随便日内交易"

T+0 提供了灵活性,但也意味着情绪化高频交易的风险增加。开盘 30 分钟波动率定价偏差通常较大,追价频繁容易做反方向。

误区 3:"涨跌停保护不用担心大幅亏损"

ETF 期权确实有涨跌停,但奇异期权、合成策略(如 Straddle)在剧烈行情下可能承受的损失远超其涨跌停幅度。因为合成策略涉及多个合约,部分合约可能因涨跌停而无法平仓。

误区 4:"商品期权和 ETF 期权一样"

商品期权跟踪的是商品期货价格,而商品期货的涨跌停限制、保证金、逼仓等因素都会影响期权定价。豆粕、白糖等农产品期权的隐含波动率受季节性影响极大,这是 ETF 期权不存在的现象。

误区 5:"做市商一定比散户有优势"

做市商赚的是 bid-ask 价差的均值,优势在于信息速度,并非"市场方向判断"能力。事实上,做市商最怕遇到单边大行情(如 2020 年 4 月负油价、2022 年俄乌冲突),这时候库存风险会让他们出现大亏。

题目 1

小测验
题目 1:50ETF 期权(510050)的合约乘数是多少?

AA. 1000 份
BB. 10000 份
CC. 100 份
DD. 1 份

💡查看答案与解析展开 ▼

正确答案：B

50ETF 期权(510050)的合约乘数是 10000 份,即一张合约对应 10000 份 50ETF,行权时实物交付 10000 份。若 50ETF 现价 2.800 元,一张期权名义价值约 28000 元;最小变动 0.0001 元乘以 10000 正好等于 1 元/张。A 的 1000 份量级不对,C 的 100 份是美股个股/ETF 期权(如 SPY)的乘数,D 的 1 份完全不成立。

题目 2

以下哪一类账户持仓 ETF 期权不设上限?

AA. 个人投资者
BB. 一般机构
CC. 做市商
DD. 套保目的机构

💡查看答案与解析展开 ▼

正确答案：C

按交易所持仓限额表:个人投资者 20 张(新规后 50 张)、一般机构 100 张(放宽后 500 张)、套保目的机构 1000+ 张(需申请),只有做市商不设上限。原因是做市商承担对所有主力合约连续双边报价的义务,持仓是其履行义务的结果,监管以额度豁免换取市场流动性。A、B 都有明确上限,D 的套保机构额度虽大但必须申请获批,并非"不设上限"。

题目 3

A 股 ETF 期权与股指期权最关键的区别是什么?

AA. 涨跌停幅度不同
BB. 合约乘数大小不同
CC. 交割方式(实物 ETF vs 现金)不同,直接影响对冲手段
DD. 行权价间隔不同

💡查看答案与解析展开 ▼

正确答案：C

ETF 期权以 ETF 份额实物交割,可以直接买卖对应 ETF 现货做 Delta 对冲;股指期权跟踪指数本身、以现金结算,而指数不可申赎,只能用股指期货或一篮子 ETF 复制,对冲成本与跟踪误差都不一样——这是实操中最关键的区别。A(涨跌停)、B(乘数 10000 对 100 元/点)、D(行权价间距)确有差异,但都只是参数层面的不同,不改变对冲手段的选择。

实战练习

合约规格查询:访问上交所期权主页(http://www.sse.com.cn/option_prices/),列出 510050、510300、510500 三只 ETF 期权合约的当前主力合约,对比它们的最小变动价位、行权价间距、合约乘数。
报价观察:使用 akshare / choice / iFinD 等数据源,获取 50ETF 期权某到期月份的全部合约报价,绘制隐含波动率曲线(以行权价为横轴),观察是否呈现"波动率偏斜"。
做市商模拟:模拟一个 ATM 期权做市商,在收到客户"卖出 5 张 Call"的订单后,用多少份 50ETF 现货做 delta 中性对冲?如果对冲完客户继续"卖出 5 张 Put", 对冲策略如何调整?

本章要点

A 股场内期权已形成 ETF + 商品 + 股指 三足鼎立格局,合约乘数最小变动单位 0.0001 元(对应 1 元/张),核心品种为 50ETF、300ETF、500ETF、豆粕、白糖等。
期权交易制度与股票有 T+0、涨跌停、保证金、做市商 四大显著差异,这些差异直接决定了策略的实施成本与风险管理方式。
海外期权市场以 CBOE SPX/个股/VIX、KOSPI 200、恒生指数期权 为代表,流动性、对冲便利性、定价合理性各有特点,A 股期权市场仍处于快速成长期。
做市商制度 是期权市场流动性的关键,理解做市商的报价行为和库存管理是策略制定的基础。
合约乘数 10000 意味着每张期权名义金额约 2-3 万元(50ETF 现价),与股票投资额并非一个量级,需要认真评估风险承受能力。
任何进入期权市场的交易者,先吃透交易制度,再研究策略,这是安全交易的前提。

接下来 11.7 章将介绍 隐含波动率与历史波动率的差异,这是期权交易的核心估值工具。

11.6 期权市场基础 ​

概念详解 ​

沪深期权市场总览 ​

主要期权合约规格对比 ​

交易制度详解 ​

1. T+0 vs T+1 ​

2. 涨跌停制度 ​

3. 持仓限额制度 ​

4. 保证金制度 ​

5. 做市商与流动性 ​

海外期权市场简介 ​

1. 美国 CBOE ​

2. 韩国 KOSPI 200 ​

3. 香港市场 ​

市场微观结构与做市商机制 ​

Python实战:获取 50ETF 期权实时行情 ​

📌 案例:akshare 期权数据接口 ​

📌 案例:期权实时 GREEKS 监控 ​

合约规格对比表(互动组件) ​

常见误区 ​

误区 1:"期权乘数小,实际投资金额小" ​

误区 2:"T+0 所以可以随便日内交易" ​

误区 3:"涨跌停保护不用担心大幅亏损" ​

误区 4:"商品期权和 ETF 期权一样" ​

误区 5:"做市商一定比散户有优势" ​

实战练习 ​

延伸阅读 ​

本章要点 ​

11.6 期权市场基础

概念详解

沪深期权市场总览

主要期权合约规格对比

交易制度详解

1. T+0 vs T+1

2. 涨跌停制度

3. 持仓限额制度

4. 保证金制度

5. 做市商与流动性

海外期权市场简介

1. 美国 CBOE

2. 韩国 KOSPI 200

3. 香港市场

市场微观结构与做市商机制

Python实战:获取 50ETF 期权实时行情

📌 案例:akshare 期权数据接口

📌 案例:期权实时 GREEKS 监控

合约规格对比表(互动组件)

常见误区

误区 1:"期权乘数小,实际投资金额小"

误区 2:"T+0 所以可以随便日内交易"

误区 3:"涨跌停保护不用担心大幅亏损"

误区 4:"商品期权和 ETF 期权一样"

误区 5:"做市商一定比散户有优势"

实战练习

延伸阅读

本章要点