跳到主要內容

[衍生商品] 常見的選擇權交易策略(1) - Asymmetric Butterfly Spreads

這次要介紹的是如何透過使用Call option 建構非對稱蝶式交易策略 ( Asymmetric Butterfly Spread)。
現在假設三個不同的執行價格滿足 $0<K_1 < K_2 < K_3$, 那麼 asymmetric butterfly spread 可以透過購買 $x$ 個 執行價格為 $K_1$ 的 call option ,與賣出 $y$ 個執行價格為 $K_2$ 的 call options,接著再購入 $y-x$ 個執行價格為 $K_3$ 的 call options at $K_3$ 建構而成

現在如果我們考慮透過上述方法建構而得的 asymmetric Butterfly Spread 其最大的 payoff 為 $h$ ,則我們可以繪製其對應的 payoff 如下圖所示


現在利用簡單的幾何關係 ( $x$ 與 $x-y$ 分別上圖的斜率)
\[\left\{ \begin{array}{l}
x = \frac{{h - 0}}{{{K_2} - {K_1}}}\\
x - y = \frac{{0 - h}}{{{K_3} - {K_2}}}
\end{array} \right. \Rightarrow x = \frac{{{K_3} - {K_2}}}{{{K_3} - {K_1}}}y
\] 亦即,Asymmetric Butterfly Spread 必須滿足上述條件,且我們即可使用 前述的方法建構 我們的Asymmetric Butterfly Spread 交易策略:

1. 購買 $x$ 個 執行價格為 $K_1$ call option ,
2. 賣出 $y$ 個執行價格為 $K_2$ 的 call options,
3. 再購入 $y-x$ 個執行價格為 $K_3$的 call options at $K_3$

Comments:
上述 $x, y$ 須為整數。


另外我們來看個 Claim:
===========================================
Claim: (Equivalent Cost of Symmetric Butterfly Spread )

令 執行價格為 $K_1 < K_2 < K_3$ 且 ${K_2} = \frac{{{K_3} + {K_1}}}{2} $,則透過 Call option 建構的 Butterfly Spread 所需的花費等同於 Put option 所建構的 Butterfly Spread。
==========================================
Proof
考慮透過 Call option 來建構 Butterfly Spread:
則我們知道需要 Long one call at $K_1$, Short two call at $K_2$, Long one call at $K_3$

現在令
$C_1$ 為 at $K_1$ call option price,$C_2$ 為 at $K_2$ call option price,$C_3$ 為 at $K_3$ call option price;

$P_1$ 為 at $K_1$ Put option price,$P_2$ 為 at $K_2$ Put option price,$P_3$ 為 at $K_3$ Put option price;

故透過 Call option 建構 Butterfly spread 所需的花費為
\[
- C_1^{} + 2C_2^{} - C_3^{}
\] 我們要證明其花費等同於
\[
- P_1^{} + 2P_2^{} - P_3^{}
\]
現在利用 Put-Call Parity  $C - P = {S_0}{e^{ - qT}} - {K}{e^{ - rT}}$

我們可知對應 $C_1, C_2, C_3$ 的 Put Call parity為
\[\left\{ \begin{array}{l}
C_1^{} - {P_1} = {S_0}{e^{ - qT}} - {K_1}{e^{ - rT}}\\
C_2^{} - {P_2} = {S_0}{e^{ - qT}} - {K_2}{e^{ - rT}}\\
C_3^{} - {P_3} = {S_0}{e^{ - qT}} - {K_3}{e^{ - rT}}
\end{array} \right. \Rightarrow \left\{ \begin{array}{l}
C_1^{} = {P_1} + {S_0}{e^{ - qT}} - {K_1}{e^{ - rT}}\\
C_2^{} = {P_2} + {S_0}{e^{ - qT}} - {K_2}{e^{ - rT}}\\
C_3^{} = {P_3} + {S_0}{e^{ - qT}} - {K_3}{e^{ - rT}}
\end{array} \right.
\] 計算
\[
\small{\begin{array}{l}
 \Rightarrow  - C_1^{} + 2C_2^{} - C_3^{} =  - \left( {{P_1} + {S_0}{e^{ - qT}} - {K_1}{e^{ - rT}}} \right)\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}&{}&{}
\end{array} + 2\left( {{P_2} + {S_0}{e^{ - qT}} - {K_2}{e^{ - rT}}} \right) - \left( {{P_3} + {S_0}{e^{ - qT}} - {K_3}{e^{ - rT}}} \right)\\
 \Rightarrow  - C_1^{} + 2C_2^{} - C_3^{} =  - {P_1} + 2{P_2} - {P_3} + {K_1}{e^{ - rT}} - 2{K_2}{e^{ - rT}} + {K_3}{e^{ - rT}}
\end{array}
}\]現在利用 Claim 的假設 ${K_2} = \frac{{{K_3} + {K_1}}}{2}$ 將其代入上式可得
\[ \Rightarrow  - C_1^{} + 2C_2^{} - C_3^{} =  - {P_1} + 2{P_2} - {P_3}
\] 即為所求 $\square$

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質