@bmpidev2019 主要是感觉期权的价格浮动非常夸张，经常两天价格变动 50%以上，本来很便宜的期权可能立马变得很贵，这估计是期权本身内在价值受外部影响因素过多导致的

@Sawyerhou 昨晚又算了下，的确不便宜，要降低头寸亏损，比如 10%下跌时开始保护，期权成本都占总仓位的 4%了，相当于就算头寸不涨也得亏 4%，这还是两个月到期的，远期的更贵一些

@Sawyerhou 测算了下，纳指 100 的期权不贵，保五万的多头仓位，只需要 700 多，按三倍杠杆的组合波动，一晚上都 1000-2000 刀没了，所以感觉挺划算。

想到一种用期权来降低风险的策略，这种在币圈应该是基操，不过我没操作过期权。目前美股 1 号是一个全仓三倍做多的杠杆 ETF 组合，这种组合虽然有策略来止损退出，但是因为波动性过大，止损有效时组合已经产生较大的回撤，那可以使用期权来保护，比如买入纳斯达克 100 的 Put 期权，大致测算的过程如下：

以下对话来自 ChatGPT：

美股 3 号是一个满仓 TQQQ 的组合，组合持仓金额达 10 万美元，目前的报价为 53.71 美元，我们买入 QQQ 240517 379.78 Put 的期权（ 1 份目前价值 0.91 美元），这名字里有行权价和到期日，分别测算最近 1 个月纳斯达克涨 10%与跌 10%，及没有大的涨跌的情况下，这个组合的收益大概怎么变化（与无期权的策略对比）

---

让我们来详细分析和计算您提到的美股 3 号组合在不同市场情况下的潜在收益变化。这个组合完全投资于 TQQQ ，总值为$100,000 ，同时您考虑购买 QQQ 的看跌期权来对冲风险。

### 初始设定
- **TQQQ 持仓金额**：$100,000
- **TQQQ 单价**：$53.71
- **TQQQ 持股数**：$100,000 / $53.71 ≈ 1862 股
- **QQQ 看跌期权**：行权价$379.78 ，价格$0.91/股，到期日 2024 年 5 月 17 日
- **期权合约每份覆盖**：100 股 QQQ
- **期权合约购买数量**：需覆盖相当于 TQQQ 持仓的份额，由于 TQQQ 是 QQQ 的三倍杠杆，考虑覆盖相当于$100,000 三倍，即$300,000 的市值。假设 QQQ 价格与纳斯达克 100 指数相近，大约为$400 ，则需要的 QQQ 股数约为$300,000 / $400 = 750 股。因此需要购买大约 8 份期权合约（ 750 / 100 ）。

### 成本计算
- **期权总成本**：8 份 x $0.91 x 100 股 = $728

### 纳斯达克涨跌 10%情况分析
我们先假设 QQQ 价格大约为$400 ，以简化计算。以下为市场涨跌 10%的影响：

#### 1. 纳斯达克上涨 10%
- **QQQ 新价格**：$400 * 1.10 = $440
- **TQQQ 新价格**：因为是三倍杠杆，TQQQ 大约涨 30%。
- **新的 TQQQ 价值**：$100,000 * 1.30 = $130,000
- **期权到期无值**，损失$728 。

#### 2. 纳斯达克下跌 10%
- **QQQ 新价格**：$400 * 0.90 = $360
- **TQQQ 新价格**：因为是三倍杠杆，TQQQ 大约跌 30%。
- **新的 TQQQ 价值**：$100,000 * 0.70 = $70,000
- **期权内在价值**：行权价$379.78 ，QQQ 价格$360 ，每股内在价值$379.78 - $360 = $19.78 。
- **期权总价值**：$19.78 * 100 股 * 8 份 = $15,824
- **净收益**：$15,824 - $728 = $15,096

#### 3. 没有大的涨跌
- **TQQQ 价值**：基本保持$100,000
- **期权损失**：$728 （时间价值的逐渐流失）

### 总结
- **纳斯达克上涨 10%**：
- **无期权策略**：$130,000 （净增$30,000 ）
- **有期权策略**：$130,000 - $728 = $129,272 （净增$29,272 ）
- **纳斯达克下跌 10%**：
- **无期权策略**：$70,000 （净损$30,000 ）
- **有期权策略**：$70,000 + $15,096 = $85,096 （净损$14,904 ）
- **市场平稳**：
- **无期权策略**：$100,000 （无变化）
- **有期权策略**：$100,000 - $728 = $99,272 （净损$728 ）

通过这种详细的分析，我们可以看到在不

同市场环境下，使用看跌期权来对冲风险确实可以减少损失，尤其在市场下行时。然而，在市场上行或稳定时，期权的成本会略微减少总体的投资收益。这种策略提供了一种权衡，旨在保护极端市场下跌带来的风险，但需付出一定的代价。

---

想请教下做过期权的大佬，这种测算在真实市场中有啥没有考虑到的？因为看起来加入期权后，这种组合既有保底又又很强的进攻性，看起来非常完美，但是总感觉没那么简单🤔

@lefer 填写首页的问卷调查就能获得试用资格，还有对于这个工具是不适合我的问题，我整理了大约 20 多个 FAQ 的问题到这两个页面，关注的朋友可以阅读下：

- https://www.myinvestpilot.com/strategy
- https://www.myinvestpilot.com/portfolios

@standchan 缅 A 还行啊，A 股 2 号年复合 16%的收益还行，毕竟无风险利率都干到 2 个点了

@winglight2016 策略优化很难避免拟合，只能降低，真正拟合的参数没有用，不然表现比现在的组合还要炸裂。

@reechangs 美股 4 号就是定投策略。自动化交易并不适合普通交易者，目前还没有这个规划。
@Inn0Vat10n 我还没试过你说的方式，不过目前这个产品并不是一个为专业投资者打造的工具，所以策略尽可能简单操作少。

@Livid 我用 coinapi 获取到的日内数据，你可以自己试试这个策略的回测看看最终效果

@Livid 搞到 15m 和 1h 的 BTC 日内数据了，2021 年到现在，大概几十 MB ，我测试了下你的策略效果都是负的。

https://imgur.com/a/dOfRibG

无论设置到 2021 年开始，还是 2022 年牛市开始，这种高频策略最终的收益都是亏损的。策略代码如下：

```python
class RsiStrategy(bt.Strategy):
params = (
('rsi_period', 14),
('rsi_overbought', 70),
('rsi_oversold', 30),
)

def __init__(self):
# 为两个不同的时间框架数据分别计算 RSI
self.rsi_15m = bt.indicators.RSI(self.datas[0].close, period=self.params.rsi_period)
self.rsi_1h = bt.indicators.RSI(self.datas[1].close, period=self.params.rsi_period)

def next(self):
# 获取当前时间戳
timestamp = self.datas[0].datetime.datetime(0)

# 买入条件：当 15 分钟和 1 小时的 RSI 都低于 30 时
if not self.position:
if self.rsi_15m[0] < self.params.rsi_oversold and self.rsi_1h[0] < self.params.rsi_oversold:
self.buy(data=self.datas[0]) # 使用 15 分钟数据源的价格买入
logging.info(f"{timestamp} BUY EXECUTED, Price: {self.datas[0].close[0]}, RSI 15m: {self.rsi_15m[0]}, RSI 1h: {self.rsi_1h[0]}")

# 卖出条件：当 15 分钟和 1 小时的 RSI 都高于 70 时
elif self.rsi_15m[0] > self.params.rsi_overbought and self.rsi_1h[0] > self.params.rsi_overbought:
self.close(data=self.datas[0]) # 使用 15 分钟数据源的价格卖出
logging.info(f"{timestamp} SELL EXECUTED, Price: {self.datas[0].close[0]}, RSI 15m: {self.rsi_15m[0]}, RSI 1h: {self.rsi_1h[0]}")
```

@Livid 是的，我在设计组合的时候，会建立分散的组合，也有单个标的如 A 股 2 号、美股 3 号、加密币 2 号这种全仓交易一个标的的组合，这样的组合进攻型足够高，但是回撤都不小，适合风险承受能力高的人，而回撤小的组合更适合风险承受小的人。

之所以要关注风险指标是因为，如果一个策略与交易者的承受能力不匹配，实际的交易则很难进行下去，最终会让交易结果变差，因为交易者可能中途会放弃这个策略。

@Livid 看了下，2022 年的行情里，策引加密币 2 号（ https://www.myinvestpilot.com/portfolios/myinvestpilot_cc_2 ）产生了 30%多的回撤，虽然空仓时段比较多，但是大的回撤还是很难避免。但是加密币 1 号： https://www.myinvestpilot.com/portfolios/myinvestpilot_cc_1 在 2022 年反而都是空仓状态，两个组合的差异在于资金策略，2 号时满仓交易 BTC ，1 号是限制单个标的不能超过 20%，关注的币也包括："BTC", "ETH", "XRP", "LTC", "BCH", "ADA", "BNB", "LINK", "XLM", "DOT" 都是一些主流币，这样反而能控制回撤，不过表现没有 2 号那么好，1 号的年复合收益是 20%多，2 号是 30%多，但是这只是在 BTC 处于牛市状态下，如果再回到熊市，1 号的表现可能会更好一些。

@Livid SOL 看起来是个短线高频策略了，我刚看了下，这种策略难道要接入自动化交易来执行？

@laaaaaa 网格吃震荡我不觉得是什么好策略，因为震荡行情赚钱效果不如趋势行情，当一个策略在震荡里赚钱时就可能错过了大趋势，所以震荡只能作为一种辅助工具来使用。

@bmpidev2019 上面图一和图二反了，实际图一是 https://img.bmpi.dev/4e22192b-fbed-7e6a-ac3d-2540f725d2e8.png 图二是 https://img.bmpi.dev/03166bc5-9207-3b68-9ef8-a6d8a18730cd.png
图三是最终用优化后双均线的表现。

在这里想说的是周期对策略会有大的影响，盈亏同源，所以难点在于平衡取舍，尽可能选择分散的标的来规避过拟合以及让策略的容错能更高一些，这样就能横跨多种周期了。

@Livid TQQQ 的策略就是我一直提到的吊灯止损均线策略，这个策略在美股和加密币表现都不错，但是 A 股不行，A 股反而双均线策略非常好😂

我还对 A 股二号，其实类似与美股 2 号（ TQQQ ），都是单个标的全仓交易，都能规避大跌。但是针对 A 股的创业板组合，我还做过进一步的研究分析，这里可以分享下，以及设计策略的取舍经验：

---

尝试优化下 A 股 2 号，一开始我尝试用三重均线的策略来测试，如图 1 所示，看起来三重均线要比双均线好很多，完全规避了近几年的大跌，但当把组合模拟时间从 2018 年回退到 2013 年开始，这十年创业版刚好经历两个大的周期。三重均线的适应性出现了很大的问题，如图二所示，甚至都不如直接持有创业板指数，而且资金利用率很低，大部分都是空仓状态。而双均线的适应性如图三所示，比单独持有创业板要好很多，我尝试优化双均线的参数，得到了一个比 11/22 日更好的效果，目前这个参数是 12/24 ，所以我会把组合二的策略参数调整成这一组。但需要注意的是，就算双均线策略，在 2013 年到 2018 年表现的甚至不如直接持有创业板的收益好（进一步分析是因为在 2013 年组合是有一段时间空仓导致没能赶上创业板大爆发的阶段，这是因为数据不够导致的，如果数据能到 2010 年，那说不定能看到更好的表现，所以目前看到策略在 2013 年到 2018 年表现差可能是回测数据不够导致的），这说明很难找到一个在横跨十年时间都能完美处理止损的策略参数，我们能做的还是选择一些基础不错的主流指数，适当分散投资，这样能让组合的整体持仓表现更稳定一些，也能让长期投资跟更容易坚持下来。




@Livid 现在策引的多策略回测框架支持日线级别的股票、ETF （ A 股和美股都可以）与加密币的历史回测表现分析。刚才我做那个分析就是几分钟写策略（代码让 chatgpt 来写），然后配置一个组合，执行后就能产生那个走势图以及一个包含全部交易信号的 sqlite 数据库及组合表现（净值、benchmark 指数对比、交易记录、资金记录、持仓记录）的 sqlite 数据库，然后还能产生全部的回测日志供分析。

目前策引的组合都是我写策略然后发布的，还没有对会员开放自定义策略的功能，但是今年年底左右估计能开放给所有用户。如果会员有好的策略，我也可以帮忙创建相关的组合出来，包括策略的编写之类。

日内的数据理论上应该也行，因为底层回测引擎是 backtrader ，但是估计要做一些改动，目前还没有直接对日内数据做支持。

@Livid 我也很好奇，但我手头的 API 的日内数据，如果是 15 分钟级别只能提供最近两天的，日线可以提供到 2021 年前的，所以现在需要找到一个能有 BTC 日内历史数据的 API 接口才能回测。

@Livid 用上帝视角交易不要更简单😂但是真正的交易总是雾里看花，历史回测好歹能拨开点迷雾。有时间我用经验假设的策略最终回测效果都一般，真正效果好的反而是很简单的策略，太复杂的没有容错性，太简单的又很容易失效。