陈思远 · 权证

• 基于Python搭建自动化数据管道，每日抓取并清洗300+只权证实盘行情与隐含波动率，构建波动率曲面，将数据处理耗时从2小时缩短至45分钟，支撑团队早盘策略制定。

• 基于隐含-历史波动率价差开发波动率交易信号，回测年化超额收益8.2%、夏普比率1.5，为交易员提供3档可执行策略，季度建议命中率约12%。

• 设计期权定价校验工具，对比Black-Scholes报价与市场成交价，识别偏差超过2%的权证并推送预警，月度覆盖200+只，帮助定价团队降低模型校准误差18%。

• 构建Excel自动报盘系统，整合Put/Call比率、波动率期限结构等5项情绪指标，每日9:00前自动生成Market Sentiment Dashboard，减少手工操作耗时70%，助力风控快速定位异常。

• 针对某机构权证投资组合（共127只权证），使用Matlab实现Black-Scholes模型的自动化希腊值计算（Delta、Gamma、Vega、Theta、Rho），将单次全量计算耗时从2.5小时缩短至0.8小时，效率提升68%。

• 在2022年7月市场急跌期间，通过希腊值敏感性分析识别出Gamma负敞口集中的12只权证，建议调整头寸后组合日最大损失减少2400美元（降幅19%）。

• 搭建基于希腊值的动态Delta对冲回测框架（Matlab），覆盖6个月历史数据，将对冲频率从每日一次优化为波动触发，使对冲成本降低14.3%（节省约1.2万美元）。

• 每周输出权证希腊值风险评估报告，包含Vega凸性预警，成功提前3天提示某行业ETF权证的隐含波动率错位，帮助团队规避潜在亏损约4.8万美元。

• 对历史定价误差进行回测分析，发现Black-Scholes模型在深度价外权证上的平均偏差为3.2%，据此提出调整波动率曲面参数，将整体定价偏差降至1.1%以内。

在全国金融模拟交易竞赛中获得的团队三等奖