指数期权指标分析未平仓量的市场信号

功能说明

本文实现的代码主要用于分析指数期权市场中未平仓量（Open Interest）的市场信号。通过获取期权交易数据，计算不同行权价和到期日的未平仓量，并结合标的资产价格、隐含波动率等指标，识别市场中的潜在趋势和反转信号。该功能可以帮助量化交易者理解市场参与者的情绪变化，为构建基于未平仓量的交易策略提供数据支持。需要注意的是，未平仓量数据可能存在延迟或误差，过度依赖单一指标可能导致错误的交易决策。

风险提示

1. 数据质量风险：期权交易数据可能因交易所记录错误、数据传输延迟等问题导致准确性下降，影响分析结果。
2. 模型局限性风险：未平仓量作为市场情绪指标，其有效性受市场环境、政策变化等多种因素影响，单一指标无法全面反映市场动态。
3. 交易执行风险：基于未平仓量信号生成的交易策略在实际执行过程中，可能因市场流动性不足、滑点过大等问题导致预期收益无法实现。

importpandasaspdimportnumpyasnpfromdatetimeimportdatetime,timedeltaimportyfinanceasyfimportrequestsimportjson# 模拟获取期权数据的函数，实际应用中需替换为真实数据源defget_option_data(symbol,expiry_date):""" 获取指定标的和到期日的期权数据 :param symbol: 标的证券代码，如'SPX' :param expiry_date: 到期日，格式'YYYY-MM-DD' :return: DataFrame，包含期权合约信息 """# 这里使用yfinance获取标的价格，实际期权数据需要从专业数据商获取underlying=yf.Ticker(symbol)spot_price=underlying.history(period='1d')['Close'].iloc[-1]# 模拟生成期权数据，实际应调用API获取真实数据strikes=np.linspace(spot_price*0.8,spot_price*1.2,20)data=[]forstrikeinstrikes:call_data={'strike':strike,'type':'call','expiry':expiry_date,'volume':np.random.randint(50,500),'open_interest':np.random.randint(100,2000),'implied_volatility':np.random.uniform(0.1,0.4)}put_data={'strike':strike,'type':'put','expiry':expiry_date,'volume':np.random.randint(30,400),'open_interest':np.random.randint(80,1800),'implied_volatility':np.random.uniform(0.1,0.4)}data.append(call_data)data.append(put_data)df=pd.DataFrame(data)df['expiry']=pd.to_datetime(df['expiry'])returndf,spot_price# 计算未平仓量分布特征defanalyze_open_interest_distribution(option_df,spot_price):""" 分析未平仓量在不同行权价的分布特征 :param option_df: 期权数据DataFrame :param spot_price: 标的当前价格 :return: 包含关键统计信息的字典 """# 按行权价分组计算Call和Put的未平仓量总和grouped=option_df.groupby('strike').agg({'open_interest':'sum'}).reset_index()# 合并Call和Put的未平仓量calls=option_df[option_df['type']=='call'].groupby('strike').agg({'open_interest':'sum'}).rename(columns={'open_interest':'call_oi'}).reset_index()puts=option_df[option_df['type']=='put'].groupby('strike').agg({'open_interest':'sum'}).rename(columns={'open_interest':'put_oi'}).reset_index()merged=pd.merge(calls,puts,on='strike',how='outer').fillna(0)merged['total_oi']=merged['call_oi']+merged['put_oi']# 找到最大未平仓量对应的行权价（最大持仓行权价）max_oi_row=merged.loc[merged['total_oi'].idxmax()]max_oi_strike=max_oi_row['strike']max_oi_call=merged[merged['strike']==max_oi_strike]['call_oi'].values[0]ifnotmerged[merged['strike']==max_oi_strike].emptyelse0max_oi_put=merged[merged['strike']==max_oi_strike]['put_oi'].values[0]ifnotmerged[merged['strike']==max_oi_strike].emptyelse0# 计算Call/Put未平仓量比率merged['cp_ratio']=merged['call_oi']/(merged['put_oi']+1e-6)# 避免除以零avg_cp_ratio=merged['cp_ratio'].mean()# 确定关键支撑/阻力位support_level=merged[merged['put_oi']>merged['put_oi'].quantile(0.9)]['strike'].min()ifnotmerged[merged['put_oi']>merged['put_oi'].quantile(0.9)].emptyelseNoneresistance_level=merged[merged['call_oi']>merged['call_oi'].quantile(0.9)]['strike'].max()ifnotmerged[merged['call_oi']>merged['call_oi'].quantile(0.9)].emptyelseNone# 计算未平仓量加权平均行权价weighted_avg_strike=np.average(merged['strike'],weights=merged['total_oi'])return{'max_oi_strike':max_oi_strike,'max_oi_call':max_oi_call,'max_oi_put':max_oi_put,'avg_cp_ratio':avg_cp_ratio,'support_level':support_level,'resistance_level':resistance_level,'weighted_avg_strike':weighted_avg_strike,'spot_price':spot_price,'oi_distribution':merged[['strike','call_oi','put_oi','total_oi']]}# 检测未平仓量异常变化defdetect_oi_anomalies(option_df,lookback_days=5):""" 检测未平仓量的异常变化 :param option_df: 包含历史未平仓量数据的DataFrame :param lookback_days: 回溯天数，用于计算均值和标准差 :return: 包含异常点的DataFrame """# 假设option_df包含日期列'date'，且已按日期排序option_df['date']=pd.to_datetime(option_df['date'])option_df=option_df.sort_values('date')# 计算每个行权价的历史未平仓量均值和标准差oi_stats=option_df.groupby('strike').rolling(lookback_days).agg(mean_oi=('open_interest','mean'),std_oi=('open_interest','std')).reset_index()# 计算Z-scoreoption_df=pd.merge(option_df,oi_stats,on=['strike','date'],how='left')option_df['z_score']=(option_df['open_interest']-option_df['mean_oi'])/(option_df['std_oi']+1e-6)# 筛选Z-score绝对值大于2的异常点anomalies=option_df[np.abs(option_df['z_score'])>2]returnanomalies[['date','strike','type','open_interest','z_score']]# 示例使用if__name__=="__main__":# 设置参数symbol="SPX"# 标普500指数expiry_date=(datetime.now()+timedelta(days=30)).strftime("%Y-%m-%d")# 获取期权数据option_df,spot_price=get_option_data(symbol,expiry_date)print(f"标的当前价格:{spot_price:.2f}")# 分析未平仓量分布oi_analysis=analyze_open_interest_distribution(option_df,spot_price)print("\n未平仓量分布分析结果:")print(f"最大未平仓量行权价:{oi_analysis['max_oi_strike']:.2f}")print(f"最大Call未平仓量:{oi_analysis['max_oi_call']:.0f}")print(f"最大Put未平仓量:{oi_analysis['max_oi_put']:.0f}")print(f"平均Call/Put比率:{oi_analysis['avg_cp_ratio']:.2f}")print(f"潜在支撑位:{oi_analysis['support_level']}")print(f"潜在阻力位:{oi_analysis['resistance_level']}")print(f"未平仓量加权平均行权价:{oi_analysis['weighted_avg_strike']:.2f}")# 显示部分未平仓量分布数据print("\n未平仓量分布表:")print(oi_analysis['oi_distribution'].head())# 检测未平仓量异常（需要历史数据，此处仅作示例）# 假设有历史数据，存储在historical_options.csv中# historical_df = pd.read_csv('historical_options.csv')# anomalies = detect_oi_anomalies(historical_df)# print("\n未平仓量异常点:")# print(anomalies.head())