企业官网建设流程全解析

简介：这是一份面向股票与期权交易者、量化分析爱好者及数据科学学习者的股票期权分析项目资源包。资源围绕“挑选股票与期权”设计，覆盖摘要分析、推荐系统、决策预测等模块，并结合历史波动率预测未来30天乃至一年价格，同时基于Wyckoff方法给出牛熊市的算法化观点，内容还融入数据科学、博弈论及即将实现的机器学习，整体偏重预测性分析与辅助决策。压缩包为zip格式，容量325.82MB，文件总数为0，上游未提供文件明细，不过从项目背景看，主体包含网站源文件、Excel原型及分析脚本等材料。目前已有162人浏览学习，适合希望将Excel原型转化为Web化股票分析工具、需要参考期权筛选与价格预测思路的中高级学习者。通过该项目，读者能获得完整站点结构、Excel模型参考、推荐引擎构思及机器学习需求标注，便于快速理解并复现一套可扩展的期权分析框架。

1. 股票期权分析到底在分析什么：别把选股和选期权当成两道题

股票期权分析不是把股票的 K 线和期权的行情放在同一个页面里看，而是要把“选股票”和“选期权”串成一个完整决策链路：先选出值得跟踪的股票，再判断它未来一段时间的价格区间，最后在期权链里挑出风险收益比合适的合约。很多人直接跳过第一步，一上来就挑期权，结果标的本身没有趋势，隐含波动率还贵得离谱，买进去只能耗时间价值。下面这套方案会按选股、选期权、预测、计算器、避坑的顺序展开，新手能按步骤复现，熟手可以重点看参数边界和容易翻车的细节。期权分析这件事，最难的从来不是公式，而是每一步都留下可验证的中间结果。

2. 股票挑选：用多因子打分把“想买的股票”变成可计算的对象

2.1 先想清楚：你是要买股票，还是要拿它做期权标的

常见做法是直接套用价值投资那一套选股逻辑：低市盈率、高股息、稳定增长。但如果是为期权挑选标的，权重应该明显不同。期权交易赚的是价格波动和时间衰减之间的差额，标的完全不上不下，再便宜的期权也难做；反过来，波动率长期偏高的股票，即使估值贵一些，只要期权隐含波动率处于合理分位，仍然值得进入观察池。

我一般会把股票池分成两层。第一层是“基本面不踩雷”，亏损、被立案调查、长期停牌的一票否决；第二层才是打分排序。对于期权标的，流动性指标（成交额、换手率）和历史波动率（20日、60日）的权重我会给到 60% 以上，估值只占 20% 左右。

这里有个血泪经验：不要拿日成交额只有几千万元的股票做期权，哪怕它期权链存在，买卖价差常常能把理论上的盈利吃光。这个坑后面单独展开，但选股阶段就应该用成交额下限把它挡在门外。

所以这一小节的核心是：在写任何打分脚本之前，先定义一个“是否适合做期权标的”的筛选函数。它的输出不是排名，而是布尔值，pass 或者 fail。函数里至少要有成交额下限、停牌天数上限、净利润同比下限三个条件。

2.2 数据准备：行情、财务、波动率最少要拿哪几样

要支撑后面的打分和计算器，最少需要四类数据：日线行情、财务指标、波动率数据、交易日历。日线行情里必须包含前复权收盘价、成交额、换手率；财务指标只需要最新一期报告里的净利润同比、市盈率、市净率；波动率数据可以直接用历史收益率滚动计算，不需要额外接口；交易日历决定期权剩余到期日怎么算，后面避坑章会细说。

字段清单可以用下面的表：

这里要提醒一句：前复权收盘价和原始收盘价在除权除息后差别很大，计算历史波动率时混用会导致收益率序列出现假跳变。我一般统一用前复权价计算收益率，期权计算器里再单独用现价。

数据来源不需要依赖某个特定平台，常见的行情数据源都能给出这些字段。关键是拉数之后先做三件事：按日期去重、按代码分组做缺失值检查、把停牌日的涨跌幅置为 0 或者直接剔除。停牌日的处理会影响波动率，如果选择置为 0，那么停牌时间越长，波动率被稀释得越厉害；如果选择剔除，则要保证剩余交易日的连续性。两种方式各有适用场景，但在同一个股票池里必须保持口径一致。

2.3 打分模型：趋势、波动、流动性、估值四个维度的实现脚本

打分模型我倾向用百分位打分，而不是用原始数值。因为股票之间的成交额、市盈率量纲差异太大，直接用原始值加权会被极端值控制。百分位打分的思路是：对每个因子在股票池内做排序，取该股票的名次百分比，然后加权求和。这样即使某只股票成交额是另一只的 100 倍，它对分数的贡献也不会失控。

下面是一个最小可运行的 Python 脚本，输入是整理好的 DataFrame，输出是打分排序结果。注意它只做演示，实际操作中还要加行业中性化，否则同一个行业的多只股票会同时霸榜，导致期权候选池行业集中度过高。

import pandas as pd import numpy as np def score_stocks(df, trend_w=0.2, vol_w=0.3, liq_w=0.2, value_w=0.1): # df 必须包含: code, close_adj, amount, turnover_rate, pe_ttm grouped = [] for code, g in df.groupby('code'): g = g.sort_values('date') ret = g['close_adj'].pct_change().dropna() # 趋势因子：收盘价在 60 日均线之上记 1，偏离度作为强度 ma60 = g['close_adj'].rolling(60).mean().iloc[-1] price = g['close_adj'].iloc[-1] trend = 1 if price > ma60 else 0 trend_dev = (price / ma60 - 1) if ma60 > 0 else 0 # 历史波动率：20 日年化 hist_vol = ret.tail(20).std() * np.sqrt(252) if len(ret) >= 20 else np.nan # 流动性：最近 20 日平均成交额的对数 liq = np.log1p(g['amount'].tail(20).mean()) # 估值：市盈率倒数（盈利收益率），越大越便宜 ep = 1.0 / g['pe_ttm'].iloc[-1] if g['pe_ttm'].iloc[-1] > 0 else 0 grouped.append({ 'code': code, 'trend': trend + min(trend_dev, 0.2), # 偏差超过 20% 封顶 'vol': hist_vol, 'liq': liq, 'ep': ep, 'turnover': g['turnover_rate'].tail(20).mean(), }) f = pd.DataFrame(grouped) # 每个因子做百分位标准化，缺少数值会生成 NaN，要先填充 for col in ['trend', 'vol', 'liq', 'ep']: f[col + '_pct'] = f[col].rank(pct=True) # 综合分：波动率适中给高分，太低和太高都扣分 f['vol_score'] = 1 - np.abs(f['vol_pct'] - 0.5) * 2 f['total'] = (f['trend_pct'] * trend_w + f['vol_score'] * vol_w + f['liq_pct'] * liq_w + f['ep_pct'] * value_w) return f.sort_values('total', ascending=False) # 假设 df 已包含近一年日线，调用方式： # result = score_stocks(df) # result.head(20)

逻辑说明：这个脚本把选股拆成四个可解释的因子，其中波动率因子用了“适中加分”的策略，因为期权交易需要波动，但波动过高往往伴随事件风险或流动性陷阱。trend 因子用 60 日均线位置作为方向过滤，避免在明确的下跌趋势里做多期权。

参数说明：trend_w、vol_w、liq_w、value_w 四个权重在示例里加起来是 0.8，如果想加行业中性化，可以把剩余权重分配给行业偏差惩罚项。实际操作中我会把基本面筛查放在打分之前，而不是作为权重项，比如净利润同比为负直接剔除。vol_score 用的“离 0.5 越近越高”是一种对稳健性的妥协，如果你只做买方，可以把权重再往高波动倾斜，甚至在打分前加一个波动率下限。

这个脚本跑完，会得到一个包含 code、total 的排序表。建议取前 20 只进入期权候选池，而不是只取前 3 只，因为后续期权筛选还会根据隐含波动率和价差再淘汰一批。记住打分只是排序工具，不是买入信号。

熟手可以注意一个边界：百分位打分对股票池构成非常敏感。如果池子里突然加入 50 只低波动银行股，原来高波动股票的分位会被整体压低。想消除这个影响，可以改用 z-score 标准化，或者按行业分组打分再合并。没有绝对正确的权重，关键是每次调整权重后都用历史数据做一次回看，确认打分排名的换手率没有高到无法执行。

3. 期权挑选：从 IV 分位到希腊字母，先用规则筛再用计算器验

3.1 为什么选期权不能只看股价和到期日

很多新手看期权链时，只盯着行权价和权利金，觉得便宜就是好。这是最大的误区。期权价格由标的价格、行权价、剩余到期时间、无风险利率、隐含波动率共同决定，其中隐含波动率（IV）是唯一直接反映市场情绪的变量。同一个行权价，IV 高意味着权利金贵，但贵不代表不能买，关键看它处于历史什么位置。

我常用的筛选逻辑是“先看 IV 分位，再看 Delta，最后看价差”。IV 分位解决贵不贵的问题，Delta 解决方向和敏感度的问题，买卖价差解决能不能进出场的问题。三个条件都满足，才把这份合约放进观察列表。

希腊字母不一定每个都要算一遍，实际交易里 Delta、Theta、Gamma 最常用。Delta 在 0.3 到 0.6 之间的期权，既保留一定跟随标的价格运动的弹性，又不会像深度实值期权那样权利金贵到没有杠杆意义；Theta 用来衡量每天时间价值损耗，短线持仓必须知道每天要亏多少时间价值。Gamma 则影响 Delta 的变化速度，买入方喜欢 Gamma，卖出方怕 Gamma，但这在筛选阶段不是首要条件。

3.2 期权链数据清洗与关键字段

期权链数据比股票日线更容易藏问题。通常一个标的会挂出不同行权价、不同到期日、不同合约类型的多行记录。最关键字段包括：合约代码、行权价、到期日、call/put、买价、卖价、最新价、成交量、持仓量、隐含波动率。

拿到原始数据后，我一般先做四步清洗：

• 删除买卖价任一为 0 的合约，这类通常是做市商还没正常报价。
• 删除剩余到期日小于 3 天的合约，避免临近到期 Gamma 异常放大。
• 计算价差比例 =（卖价 - 买价）/ 卖价，超过 5% 的先标记，超过 10% 的剔除。
• 用合约代码解析出到期日，不能相信行情展示的字符串格式，有的接口会混入“当月/下月”这种文本字段。

下面是一个清洗示例：

import pandas as pd def clean_option_chain(chain, min_days=3, max_spread_pct=0.10): # chain 必需字段: strike, expiry, cp_flag, bid, ask, volume, open_interest, iv chain = chain.copy() # 计算剩余到期日，注意 expiry 要先转成日期类型 chain['expiry'] = pd.to_datetime(chain['expiry']) chain['days_to_expiry'] = (chain['expiry'] - pd.Timestamp.today().normalize()).dt.days # 过滤无效报价 chain = chain[(chain['bid'] > 0) & (chain['ask'] > 0)] # 过滤临近到期 chain = chain[chain['days_to_expiry'] >= min_days] # 价差比例 chain['spread_pct'] = (chain['ask'] - chain['bid']) / chain['ask'] chain = chain[chain['spread_pct'] <= max_spread_pct] # 持仓量、成交量至少有一个大于 0，避免完全没人气的合约 chain = chain[(chain['open_interest'] > 0) | (chain['volume'] > 0)] return chain.sort_values(['strike', 'days_to_expiry'])

逻辑说明：clean_option_chain 的输出是后续所有筛选的基础。价差比例是期权交易里最容易被忽略的隐性成本，买价和卖价之间的 gap 在你成交瞬间就是亏损，所以把它作为硬过滤条件比后置提醒有效得多。

参数说明：min_days 默认 3 天，如果你做周度策略可以调到 7；max_spread_pct 默认 10%，但实盘建议调到 5% 以内。对于价格很低的深度虚值期权，bid 可能只有 0.01，这种合约的 spread_pct 即使不大，绝对滑点也很吓人，建议额外加一个最小权利金过滤，比如权利金小于 0.05 的合约直接剔除。

3.3 用 IV 分位 + Delta 筛出候选合约

清洗完之后，下一步是给每个合约算 IV 分位。分位的计算方式：对该标的所有同一到期日档期的历史 IV 序列，取当前值在过去一年中的排名百分比。没有历史 IV 数据库时，可以用一个近似方法：用当前 IV 与过去 20 日已实现波动率对比，比值大于 1.2 视为偏贵，小于 0.8 视为偏便宜。

Delta 可以直接从行情接口拿，也可以自己用 Black-Scholes 求导。下面给出一个筛选脚本，输入是干净期权链，输出是符合 IV 分位和 Delta 条件的候选合约。

def pick_options(clean_chain, iv_low=0.3, iv_high=0.7, delta_min=0.3, delta_max=0.6): # clean_chain 里需要有 iv_rank（0~1）和 delta 字段 cond = ( (clean_chain['iv_rank'] >= iv_low) & (clean_chain['iv_rank'] <= iv_high) & (clean_chain['delta'].abs() >= delta_min) & (clean_chain['delta'].abs() <= delta_max) & (clean_chain['cp_flag'].isin(['C', 'P'])) ) candidates = clean_chain[cond].copy() # 同标的同到期日下，优先选价差小的 candidates = candidates.sort_values(['spread_pct', 'days_to_expiry']) return candidates

逻辑说明：iv_rank 是当前 IV 在过去一年中的百分位，取值 0.3 到 0.7 表示“不贵也不便宜”；Delta 过滤把候选合约限制在轻度虚值到轻度实值区间。排序用 spread_pct 而不是成交量，因为成交量只是活跃度，价差才是实际交易成本。

参数说明：如果你预期标的有大行情，可以把 iv_high 提高到 0.8，容忍更贵的 IV；如果只想做卖方赚时间价值，则要求 iv_rank 大于 0.7，因为高 IV 大概率回归均值。注意 put 的 Delta 是负值，筛选时使用 abs(delta)，否则 put 全部被过滤掉。

还需要补充一个细节：不同到期日的 Delta 不可直接横比，同一天到期、不同行权价的 Delta 才有比较意义。所以实际操作中我会先固定一个目标到期日，比如 30 到 45 天，再在该到期日下的不同行权价之间按 Delta 筛选。为什么不选到期时间太长的期权？因为 Theta 损耗虽慢，但资金占用时间长，胜率未必高；太短的期权又受 Gamma 影响剧烈。30 到 45 天是权利金、时间损耗和灵活性之间相对平衡的区间。

3.4 用 Black-Scholes 计算器验证理论价：市价与理论价的背离怎么看

筛选出来的合约，价格到底合不合理，需要一个基准。Black-Scholes 是最常用的参考，虽然它有简化假设，但作为“市价隐含了什么 IV”的换算工具仍然可靠。这里实现一个最小计算器：

import math from scipy.stats import norm def bs_price(spot, strike, days, r, sigma, option_type='C'): # 注意：这里 days 按自然日传入，所以除以 365；如果改用交易日，请除以 252 t = days / 365.0 if t <= 0: return max(0, spot - strike) if option_type == 'C' else max(0, strike - spot) d1 = (math.log(spot / strike) + (r + 0.5 * sigma ** 2) * t) / (sigma * math.sqrt(t)) d2 = d1 - sigma * math.sqrt(t) if option_type == 'C': price = spot * norm.cdf(d1) - strike * math.exp(-r * t) * norm.cdf(d2) else: price = strike * math.exp(-r * t) * norm.cdf(-d2) - spot * norm.cdf(-d1) return price # 示例：现价 4.5，行权价 4.6，剩余 45 个自然日，无风险利率 0.02，历史波动率 0.25 price_c = bs_price(4.5, 4.6, 45, 0.02, 0.25, 'C') print(f"Call 理论价: {price_c:.4f}")

逻辑说明：bs_price 把到期时间换算成年化 t，d1、d2 是标准正态累积函数的输入。这个公式没有考虑股息率，如果标的是分红较高的品种，需要在 spot 上做前瞻调整，否则 call 的理论价会偏高。

参数说明：r 用无风险利率，我一般取一年期国债到期收益率或货币基金年化；sigma 用 20 日历史波动率，但更稳妥的是用同一标的近月平值期权的 IV 作为 sigma 输入，这样算出来的是“理论价”和“市价”之间的偏差。

拿到理论价之后，对比市价：如果市价显著高于理论价，说明市场在定价一个更高的波动率；如果市价低于理论价，要么是流动性差导致的折价，要么是有人在做波动率空头。不要直接说“低估就买”，至少要结合 IV 分位一起判断。计算器不是水晶球，它只是把价格拆解成可比较的参数。

4. 预测性分析：不猜涨跌，估计价格区间和胜率，再给建议

4.1 预测性分析在期权里到底预测什么

很多人一听到预测性分析就想找个模型告诉他“下周涨还是跌”，这在期权里不是最好的切入点。期权的收益是非线性的，真正影响一张 call 能否盈利的，不是方向单点，而是到期时标的价格落在哪个区间。所以我会把预测目标拆成两个：标的价格的分布区间，以及在这个区间内某个行权价的盈利概率。

这样做的好处是，即使方向判断错了，只要区间判断还在合理范围，期权组合的亏损也可控。预测性分析本质上是在给“建议”加概率边界，而不是拍脑袋给一个目标价。

常见做法有两种：一种是用历史收益率的均值和标准差做参数化模拟，另一种是直接用期权市场隐含的波动率做风险中性模拟。前者适合判断“当前价格是否偏离历史常态”，后者适合判断“市场定价是否已经透支预期”。我个人推荐两个都看，但在给建议时以历史分布为主、隐含波动率为辅。

4.2 用蒙特卡洛模拟估计到期价格区间和概率

蒙特卡洛的假设是：标的价格服从几何布朗运动，日收益率均值 mu 和波动率 sigma 可以用历史数据估计。做法是生成 N 条随机路径，计算到期价格，再统计这些价格的分位数和超过行权价的概率。脚本如下：

import numpy as np def simulate_price(spot, days, mu, sigma, n_sims=10000, seed=42): np.random.seed(seed) # days 传交易日数，由交易日历计算得出 dt = 1 / 252.0 # 每步收益率的漂移项和随机项 drift = (mu - 0.5 * sigma ** 2) * dt vol = sigma * np.sqrt(dt) # 生成 n_sims 条路径的日收益率，并累乘到到期 returns = np.random.normal(drift, vol, size=(n_sims, days)) price_paths = spot * np.exp(np.cumsum(returns, axis=1)) # 只需要到期日价格 final_prices = price_paths[:, -1] return final_prices def price_distribution(spot, days, mu, sigma, strikes): finals = simulate_price(spot, days, mu, sigma) percentiles = np.percentile(finals, [5, 25, 50, 75, 95]) prob_above = {strike: float(np.mean(finals > strike)) for strike in strikes} return percentiles, prob_above # 示例：现价 4.5，剩余 45 个交易日，mu 用过去 60 日年化收益，sigma 用 20 日年化波动率 percentiles, prob_above = price_distribution(4.5, 45, 0.05, 0.25, [4.2, 4.5, 4.8]) print(percentiles) print(prob_above)

逻辑说明：drift 是年化收益率的对数形式，vol 是每步波动率。用 cumsum 累加日收益率再取 exp，得到价格路径。最终 prices 是到期日价格的经验分布。percentiles 输出 5% 到 95% 的分位区间，表示价格落在该区间的概率约为 90%。prob_above 表示每个行权价被突破的概率。

参数说明：mu 和 sigma 的估计窗口很关键。mu 用 60 日年化收益率容易出现极端值，我会先做截尾处理，把超过 3 倍标准差的收益率替换掉；sigma 用 20 日还是 60 日取决于你持有的期权剩余期限，原则是估计窗口和剩余期限尽量匹配。剩余 45 个交易日的期权，用 30 到 60 日窗口都合理，太短会过度响应最近行情。

注意这个模型没有考虑波动率微笑和跳跃风险，所以它适合普通流动性好的标的，不适合财报公布前或重大事件前使用。财报前用蒙特卡洛会低估尾部风险，这是实盘里最常见的预测翻车场景，后面避坑章会再讲。

4.3 把预测结果转成仓位建议：胜率、盈亏比与单笔仓位

有了到期价格分布之后，“建议”就不再是口号，而可以换算成三个数字：胜率、盈亏比、建议仓位。

胜率用 prob_above 或 prob_below，取决于你买 call 还是 put。盈亏比则需要结合期权权利金：如果买一张行权价 4.8 的 call，当前市价 0.2，预测到期价格分布的 50% 分位是 4.9，那么盈利时平均能赚 0.5（4.9-4.8-0.2 取均值），亏损时最大亏 0.2，盈亏比约 2.5。这里不要用理论上的最大收益去算，用模拟分布里的条件均值更实际。

单笔仓位可以参考凯利公式的一个保守版本：

f = win_rate - (1 - win_rate) / payoff_ratio position_pct = max(0, min(0.05, f * 0.5))

其中 payoff_ratio 用模拟分布里的条件盈利均值除以权利金，乘 0.5 是因为期权胜率估计误差大，拿半个凯利已经足够。凯利公式没有魔法，它只是防止你在胜率很高时下注过重。

建议的最终输出格式不是“买入”，而是一段描述：例如“标的当前价 4.5，45 天后落于 4.2-4.8 区间的概率约 90%，4.8 call 的胜率 35%，盈亏比 2.5，建议仓位不超过 2%。”这段描述里有概率、有价格边界、有仓位上限，别人拿到可以直接执行或否定，而不是争论方向。这也是预测性分析的价值所在：它不在预测本身，而在于把预测变成可证伪的建议。

5. 股票期权分析中常见的 5 个坑：现象、原因、解决

5.1 数据与计算层的三个坑

坑一：剩余到期日按自然日算，导致理论价和希腊字母全部偏移。

现象：用计算器算出的 call 理论价明显低于市价，Delta 也不对，怎么看怎么别扭。

原因：期权剩余期限在定价模型里必须用交易日或 365 天年化。很多人直接把到期日减当前日期得到 45 天，但模型里 t = days / 365，遇到节假日和周末，实际交易时间只有 30 天左右，导致时间价值被高估。

解决：统一用交易日历。如果没有交易日历，可以用一个简单修正：交易日 ≈ 自然日 × 5 / 7，再用这个值除以 252。或者更稳妥地，剩余交易日直接用 np.busday_count(today, expiry)。更规范的做法是在数据准备阶段就生成一个交易日掩码：把一年里的交易日列成表，剩余到期天数用交易日下标差，再用这个天数除以 252 输入模型。这个口径和 BS 公式里的年化约定一致。

坑二：高分红标的的股息率被忽略。

现象：某标的每年分红 3%，用标准 BS 算出来的 call 理论价长期高于市价，做买方总觉得买贵了。

原因：Black-Scholes 原始公式假设标的不分红。对高股息股票，call 持有者拿不到股息，定价时要扣除股息的现值。忽略股息，call 理论价偏高，put 理论价偏低，整个筛选逻辑都会偏。

解决：在 bs_price 里加上股息率参数 q，把 spot 替换成 spot * exp(-q * t)，也就是用标的前瞻价格。q 可以用最近一年的股息率估计，或者用期货价格反推隐含股息率。q 的取值不必很精确，只要方向对，理论价和市价的偏差就会大幅缩小。比如股息率 3%，剩余 90 天，q * t = 0.0075，对 2 元权利金影响约 0.015 元，看起来小，但在做多腿组合时误差会被杠杆放大。

坑三：历史波动率计算时把停牌日当成正常交易日。

现象：某股票长期停牌后复牌，波动率被算得极高，进入期权候选池，结果实盘发现那只是复牌当天的跳空，之后波动率迅速收敛。

原因：停牌日没有交易，收益率应该是缺失值或 0，但很多人把停牌日也放进 pct_change 序列，停牌前后的收盘价跳变被当作真实波动。

解决：先剔除停牌日再做收益率。如果行情接口没有停牌标记，可以用成交额为 0 或者成交量 0 识别停牌日，剔除后重新计算波动率。还有一种隐蔽情况：股票复牌当天没有涨跌幅限制，如果只用当日收益率，会把方差拉得非常大。我一般会额外设置一个收益率截尾阈值，超过 0.2 的收益率按 0.2 计算，虽然粗糙，但能避免单日跳空长期污染波动率估计。

5.2 策略与执行层的两个坑

坑四：只看当前 IV 的绝对值，不看 IV 分位。

现象：看到某个期权 IV 45%，觉得“高 IV 就是贵”，于是全部避开；或者看到 IV 25% 觉得便宜，直接重仓买方，结果方向对了期权还是亏钱。

原因：不同标的的 IV 常态区间完全不同。有些股票常年 IV 40%，40% 对它来说是正常水平；有些股票常年 18%，25% 已经算偏贵。当前 IV 必须放到自身历史分布里看才有意义。

解决：在期权链数据里持久化保存历史 IV，每天计算 iv_rank。没有历史 IV 时，用当前 IV 与 20 日已实现波动率的比值做近似，比值超过 1.3 视为偏高，低于 0.7 视为偏低。IV 分位还有一个附加作用：判断卖方逻辑是否成立。IV 分位大于 0.8 时，卖方胜率历史统计往往更高，但要注意卖方赚的是概率，不是确定性。

坑五：把预测性分析的结果当成单点预测来下注。

现象：模拟结果显示 95% 置信区间是 4.2-5.0，实际到期价格跌到 3.8，于是觉得模型不靠谱，彻底放弃这套分析。

原因：蒙特卡洛模拟给的是分布，不是单点。5% 的尾部概率意味着每 20 次就有 1 次落在区间外。期权交易里，尾部事件虽然概率低，但亏损幅度大，只用区间中位数做决策相当于忽略风险。

解决：把预测结果用于仓位控制和行权价选择，而不是方向押注。比如模拟显示落在 4.2 以下的概率只有 5%，那就不该买行权价 5.0 的裸 call；但也不能因为概率低就满仓，单笔仓位仍然按半个凯利控制。另外，财报、议息、政策发布等事件前，把模拟的尾部概率手动调高，或者直接放弃该周交易。给建议时应该保留两个数字：预测区间和预测失败时的最大亏损。如果最大亏损超过你能承受的范围，即使胜率 80% 也不应该做。

如果同时踩了上面几个坑，通常第一个信号就是：理论价和市价偏离超过 30%，但你对不上原因。我的排查顺序是：先查剩余到期天数，再查股息率，然后查波动率口径，最后才怀疑模型本身。这条习惯看起来简单，但能省下大量复盘时间。很多“模型失效”的结论，最后都发现是输入口径错了，而不是公式错了。

6. 进阶用法：把整套股票期权分析变成一张周更决策清单

前面几章的脚本是零散的，真正能长期用的，是把选股、选期权、预测、计算器串成一张每周更新的决策清单。每周固定跑一遍，输出的表格直接作为下一周的操作依据，而不是临场翻行情。

我的习惯是：每周日晚上拉一次股票池数据，跑选股打分；周一开盘前拉期权链，跑清洗和 IV 分位筛选；再把候选合约的到期价格分布和仓位建议填入清单。清单字段就六列：股票代码、当前价、IV 分位、Delta、行权价、权利金、理论价、胜率、建议仓位。看起来多，实际上每行都是一个完整的决策理由。

自动化脚本不需要重新发明，把前面三个函数串起来就行：

import pandas as pd def weekly_report(stock_df, chain, spot, days, mu, sigma): scores = score_stocks(stock_df) top_codes = set(scores.head(20)['code']) clean = clean_option_chain(chain) candidates = pick_options(clean) rows = [] for _, row in candidates.iterrows(): if row['code'] not in top_codes: continue theo = bs_price(row['spot'], row['strike'], row['days_to_expiry'], 0.02, sigma) _, prob = price_distribution(row['spot'], days, mu, sigma, [row['strike']]) rows.append({'code': row['code'], 'strike': row['strike'], 'theo': theo, 'win_rate': prob[row['strike']]}) return pd.DataFrame(rows)

这段代码把选股、选期权、计算器、预测性分析全部串起来。weekly_report 的入参里 spot 是当前标的价格，days 是目标到期交易日数，mu 和 sigma 来自第 4 章的估计。输出只有一行一行的候选和胜率，不做任何自动交易决策。真正下单时，还要看当天价差是否恶化、事件日历上有没有财报。

最后说一个我自己的教训：以前我总想往模型里加更多因子，黑匣子越做越大，结果每次回测都漂亮，实盘却连续翻车。后来我把脚本砍到只剩上面这几个函数，每一条输出都能解释为什么，反而更容易坚持执行。期权分析没有银弹，但有纪律就有复利。希望帮到你。

本文还有配套的精品资源，点击获取