期权put和call

简介:

今天和朋友谈到了FB的期权操作问题,保证一个固定收益或者得到一个以低价买入FB的机会。

首先说下基本概念:
call:是指买权
put :是指卖权
但是这两种期权又分别对应了long和short的两种操作,即买入和卖出两种操作,对应的是不同的投资策略:

期权put和call

四种操作方式适合的情形是不同的:

1、买入call是获得了一种权利,可以用固定价格购买股票;所以需要支付这种权利的价格;

2、卖出call是承担一种义务,需要以固定价格给对方规定数量的股票;所以你可以为这种义务收取服务费;

3、买入put也是为了获取权利,就是可以以固定价格卖股票,也要为这种权利支付费用;

4、卖出put也是承担义务,到时候要以规定价格把别人的股票买过来;所以可以收取服务费。

这里买入call和卖出put的很相似,到时候你都是得到股票;不同的是你买入call是你的选择权,可以买可以不买;但卖出put是义务,到时候你必须买。所以,根据看涨或看跌的不同情况就需要选择不同的操作策略了。

期权put和call
买入期权需要支付的是期权费用,收益率是在该期权费用上计算。比如以1元买入6月期30元的某股票,如果到时候他涨了32元,你的收益是100%;所以是在看涨的时候买入call。

期权put和call
卖出call是义务,可以或的固定的权利金;为的是获取固定收益。比如你现在持有了A股票,以2元的价格卖了6月期30元的call,到期后你就要以30元的价格卖出股票。如果到时候股票价格高于30元,你将不能获得高出部分的收益;如果是低于30元,别人可以选择不买;那你也就继续拿着该股票吧。那2元的权利金就算是你这段时间的收益了。

期权put和call
买入put也是你获得权力。你以以28元的价格持有了A股票,然后怕他6个月后跌到28元以下。现在又有30元的put在交易;这时候你可以以1元的价格买个put权;6个月后你至少可以以30元的价格卖出该股票,即使股价下的也至少可以保证1元的收益;当然,如果超过了30元,你也可以不卖该股票,而享受股价上涨带来的收益。你的成本是28+1元。

期权put和call

这就是这次讨论Facebook的例子。我们认为FB的价值高于腾讯是没问题的。如果是20元的价格就是和腾讯市值差不多,那在这个价格之下我就愿意买。但我不知道到时候6个月后他是不是会跌到20元以下,那我也可以从这个判断中获利。这就是卖put。

现在FB 6月期的put是2元,我可以交18元的保证金卖出FB的put;如果到时候FB跌不到20元,别人就不会将FB 的股票卖给我,那我只是收取2元的收益,以18元的成本计算,年化收益率也可以超过20%;如果到时候跌到20元以下了,那我就要以20元的价格买入FB的股票,减去2元的卖put的收益,我的成本其实是18元,我拿着挺放心的;就继续持有等股价涨吧。

这次就简单了解基本概念,其实后面还有关于期权的知识;留存链接有机会再看。

http://wenku.baidu.com/view/fceadfec102de2bd960588e5.html

本文转自博客园知识天地的博客,原文链接:期权put和call 如需转载请自行联系原博主。

相关文章
|
3月前
|
Linux 虚拟化 iOS开发
VMware ESXi 8.0U3h macOS Unlocker & OEM BIOS 2.7 Realtek 网卡集成驱动版
ESXi 8.0U3h Realtek 网卡(RTL8111 / RTL8125 / RTL8126 / RTL8127)定制版
315 0
|
SQL JSON 大数据
ElasticSearch的简单介绍与使用【进阶检索】 实时搜索 | 分布式搜索 | 全文搜索 | 大数据处理 | 搜索过滤 | 搜索排序
这篇文章是Elasticsearch的进阶使用指南,涵盖了Search API的两种检索方式、Query DSL的基本语法和多种查询示例,包括全文检索、短语匹配、多字段匹配、复合查询、结果过滤、聚合操作以及Mapping的概念和操作,还讨论了Elasticsearch 7.x和8.x版本中type概念的变更和数据迁移的方法。
ElasticSearch的简单介绍与使用【进阶检索】 实时搜索 | 分布式搜索 | 全文搜索 | 大数据处理 | 搜索过滤 | 搜索排序
|
12月前
|
自然语言处理 监控 Linux
Linux 内核源码分析---proc 文件系统
`proc`文件系统是Linux内核中一个灵活而强大的工具,提供了一个与内核数据结构交互的接口。通过本文的分析,我们深入探讨了 `proc`文件系统的实现原理,包括其初始化、文件的创建与操作、动态内容生成等方面。通过对这些内容的理解,开发者可以更好地利用 `proc`文件系统来监控和调试内核,同时也为系统管理提供了便利的工具。
629 16
|
传感器 人工智能
X-Dyna:一张图片就能实现动画化!字节联合斯坦福推出动画生成框架
X-Dyna 是由字节跳动联合斯坦福等高校推出的动画生成框架,基于扩散模型实现单张图像动画化,支持面部表情和身体动作控制,生成高质量动态细节。
429 6
X-Dyna:一张图片就能实现动画化!字节联合斯坦福推出动画生成框架
|
机器学习/深度学习 算法 人机交互
智能语音识别技术的最新进展与未来趋势####
【10月更文挑战第21天】 在当今这个信息爆炸的时代,人机交互方式正经历着前所未有的变革。本文深入探讨了智能语音识别技术的前沿动态,从深度学习模型的创新应用到跨语言、跨领域的适应性增强,揭示了该领域如何不断突破技术壁垒,提升用户体验的真实案例与数据支撑。通过对比分析当前主流算法的性能差异,本文旨在为研究者和开发者提供一幅清晰的技术演进蓝图,同时展望了多模态融合、情感识别等新兴方向的广阔前景。 ####
1376 7
|
传感器 监控 安全
物联网(IoT):定义、影响与未来
物联网(IoT):定义、影响与未来
2268 3
|
机器学习/深度学习 PyTorch 算法框架/工具
自定义 DataLoader 设计:满足特定需求的实现方案
【8月更文第29天】在深度学习中,数据加载和预处理是训练模型前的重要步骤。PyTorch 提供了 `DataLoader` 类来帮助用户高效地从数据集中加载数据。然而,在某些情况下,标准的 `DataLoader` 无法满足特定的需求,例如处理非结构化数据、进行复杂的预处理操作或是支持特定的数据格式等。这时就需要我们根据自己的需求来自定义 DataLoader。
394 1
|
人工智能 自然语言处理 自动驾驶
Prompt入门到进阶
本文介绍了如何有效利用AI工具,特别是ChatGPT,通过优化提问技巧来获得更高质量的答案。首先阐述了AI工具在各行业的广泛应用,并强调了良好提问的重要性。接着,文章详细解释了提问的基本原则——CLAR原则(明确、合乎逻辑、准确、相关),以及更高级的LACES模型(增加限定条件、分配角色、提供背景、给出示例、拆分任务)。通过案例演示,展示了如何运用这些原则和模型撰写书籍的不同章节。最后,文章总结了设计高效提示的关键要素,并鼓励读者通过实践来提升与AI交互的能力,从而在工作和生活中获得更高的效率和创新。
342 1
|
编解码 缓存 开发工具
Pico Neo 3教程☀️ 三、SDK 的进阶功能
Pico Neo 3教程☀️ 三、SDK 的进阶功能
|
机器学习/深度学习 数据可视化 数据挖掘
机器学习降维技术全面对比评析
机器学习降维技术全面对比评析

热门文章

最新文章