简介：这是一份面向量化投资初学者与进阶者的股票期权分析资源包，围绕股票与期权的挑选展开，融合预测性分析、交易建议与计算器工具。内容源自作者自建的Excel原型，并整合了网络采集的Excel片段，涵盖数据分析、数据科学、推荐引擎、决策预测、博弈论及机器学习等模块。第一个选项卡提供摘要分析，输入股票代码即可依据历史波动率估算30天乃至一年的价格区间，并基于Wycoff方法给出牛熊市算法判断；第二个选项卡为推荐功能，辅助用户筛选标的。资源包大小约325.82MB，以zip压缩包形式提供，内含CSS样式文件与Excel原型等主要文件类型，其中Excel原型是整套分析逻辑的构建基础，CSS用于站点界面呈现。目前已有162人学习关注。读者可借此理解从Excel原型到Python分析工具的迁移思路，掌握波动率预测、Wycoff方法应用及推荐系统搭建的完整框架，适合希望将机器学习与博弈论引入期权交易决策的实践者参考。
1. 从一张期权链截图说起：这个项目到底在算什么
很多人第一次打开期权链，看到几十列 Greeks、IV、成交量、未平仓量，脑子是懵的。这个项目解决的就是这个场景：给定一组股票和期权数据，帮你筛选出值得关注的标的，用预测性分析给出方向性建议，再用内置计算器把盈亏、概率、期望值算清楚。它不是交易终端，也不是行情推送工具，而是一个偏研究型的分析框架，适合想用 Python 做量化分析、又不想从零搭轮子的开发者。技术栈上，pandas 做数据处理，scikit-learn 或类似库做预测，matplotlib 或 plotly 做可视化，计算器模块独立封装，方便你替换成自己的定价模型。关键词里的 decision-making、recommendation-system、game-theory 都落在它的建议模块里，不是摆设。
2. 项目架构拆解：数据层、分析层、建议层怎么串起来
2.1 目录结构长什么样
拿到源码包后，先别急着跑 main。我一般会先看目录，判断这个项目的分层逻辑。这个项目的典型结构大致如下：
options-stock-analyzer/ ├── data/ │ ├── raw/ # 原始行情数据，csv 或 parquet │ └── processed/ # 清洗后的特征数据 ├── src/ │ ├── data_loader.py # 数据读取与对齐 │ ├── feature_engine.py # 特征工程，算 IV、历史波动率等 │ ├── predictor.py # 预测模型封装 │ ├── recommender.py # 建议生成逻辑 │ ├── calculator.py # 期权定价与盈亏计算器 │ └── visualizer.py # 图表输出 ├── notebooks/ │ └── exploration.ipynb # 探索性分析 ├── config.yaml # 参数配置 ├── requirements.txt └── main.py # 入口这个结构的好处是职责清晰：data_loader 只管读数据和对齐时间戳，feature_engine 只做特征，predictor 只负责训练和推理，recommender 把预测结果和规则结合，calculator 独立可测。你二次开发时，想换模型只动 predictor，想改建议逻辑只动 recommender，不会牵一发动全身。
2.2 数据加载与对齐：别小看时间戳
股票和期权数据的时间对齐是第一个坑。股票有交易日历，期权有到期日，两者频率可能不一致。项目里 data_loader.py 的核心逻辑大概是这样：
import pandas as pd def load_and_align(stock_path, option_path, freq='1D'): """ 读取股票和期权数据，按指定频率对齐。 stock_path: 股票 csv 路径，含 date, close, volume option_path: 期权 csv 路径，含 date, expiry, strike, type, iv, oi freq: 重采样频率，默认日频 """ stock = pd.read_csv(stock_path, parse_dates=['date']) option = pd.read_csv(option_path, parse_dates=['date', 'expiry']) # 股票按日重采样，取收盘价和成交量 stock = stock.set_index('date').resample(freq).agg({ 'close': 'last', 'volume': 'sum' }).dropna() # 期权按日聚合，计算加权平均 IV 和总未平仓量 option_agg = option.groupby('date').apply( lambda x: pd.Series({ 'avg_iv': (x['iv'] * x['oi']).sum() / x['oi'].sum(), 'total_oi': x['oi'].sum(), 'pc_ratio': x[x['type'] == 'put']['oi'].sum() / x['oi'].sum() }) ).reset_index() # 按日期合并 merged = pd.merge(stock, option_agg, on='date', how='inner') return merged这里有几个参数值得注意：freq 可以改成 '1W' 做周频分析，适合持仓周期长的策略；pc_ratio 是 put/call 比率，常用来判断市场情绪；avg_iv 用未平仓量加权，比简单平均更能反映真实交易重心。如果你拿到的数据字段名不同，改一下 agg 里的键就行。常见做法是先把原始数据统一成 date, close, volume, iv, oi 这几列，后面所有模块都省事。
2.3 特征工程：把原始数据变成模型能吃的信号
feature_engine.py 负责从对齐后的数据里提取特征。这个项目里比较关键的特征包括：历史波动率、IV 溢价、动量、成交量变化率。代码大致如下：
import numpy as np def build_features(df, window=20): """ 构建特征矩阵。 df: 对齐后的 DataFrame，含 close, avg_iv, total_oi, pc_ratio window: 滚动窗口，默认 20 日 """ feat = pd.DataFrame(index=df.index) # 历史波动率：对数收益率的滚动标准差，年化 log_ret = np.log(df['close'] / df['close'].shift(1)) feat['hv'] = log_ret.rolling(window).std() * np.sqrt(252) # IV 溢价：隐含波动率减去历史波动率 feat['iv_premium'] = df['avg_iv'] - feat['hv'] # 动量：过去 window 日收益率 feat['momentum'] = df['close'] / df['close'].shift(window) - 1 # 成交量变化率 feat['vol_change'] = df['volume'] / df['volume'].rolling(window).mean() - 1 # put/call 比率变化 feat['pc_change'] = df['pc_ratio'].diff() # 去掉 NaN feat = feat.dropna() return featwindow 这个参数很关键：20 日适合短线，60 日适合中线。iv_premium 为正说明期权可能偏贵，卖方策略更有优势；为负则相反。momentum 和 vol_change 用来判断趋势和资金关注度。这些特征直接喂给预测模型，不需要再做标准化，因为树模型对量纲不敏感。如果你用线性模型，记得加一步 StandardScaler。
2.4 预测模型：不追求高准确率，追求可解释性
predictor.py 封装了训练和推理逻辑。这个项目默认用梯度提升树或随机森林，因为特征里有非线性关系，而且树模型能输出特征重要性，方便你判断哪些信号在起作用。核心代码：
from sklearn.ensemble import GradientBoostingClassifier from sklearn.model_selection import TimeSeriesSplit import joblib class Predictor: def __init__(self, n_estimators=100, max_depth=3, learning_rate=0.1): self.model = GradientBoostingClassifier( n_estimators=n_estimators, max_depth=max_depth, learning_rate=learning_rate ) def train(self, X, y): """ X: 特征矩阵 y: 标签，1 表示未来 window 日上涨，0 表示下跌 """ tscv = TimeSeriesSplit(n_splits=5) for train_idx, val_idx in tscv.split(X): self.model.fit(X.iloc[train_idx], y.iloc[train_idx]) score = self.model.score(X.iloc[val_idx], y.iloc[val_idx]) print(f'Validation accuracy: {score:.4f}') def predict_proba(self, X): return self.model.predict_proba(X)[:, 1] def save(self, path): joblib.dump(self.model, path) def load(self, path): self.model = joblib.load(path)这里用 TimeSeriesSplit 而不是随机划分，是因为金融数据有时间顺序，随机划分会引入未来信息，导致虚高准确率。n_estimators 和 max_depth 控制模型复杂度，默认值偏保守，防止过拟合。learning_rate 调小一点通常更稳。训练完可以看 feature_importances_，如果 iv_premium 和 momentum 排前面，说明模型学到了东西。
3. 建议模块与计算器：从预测到可执行方案
3.1 建议生成：规则和模型怎么结合
recommender.py 把预测概率和规则结合，输出具体建议。比如预测上涨概率大于 0.6 且 IV 溢价为正，建议卖出看跌期权；概率小于 0.4 且 IV 溢价为负，建议买入看跌期权。代码结构：
def generate_recommendation(prob, iv_premium, pc_ratio, threshold=0.6): """ prob: 预测上涨概率 iv_premium: IV 溢价 pc_ratio: put/call 比率 threshold: 概率阈值 """ if prob > threshold and iv_premium > 0: return '卖出看跌期权', '高概率上涨且期权偏贵，适合收权利金' elif prob < 1 - threshold and iv_premium < 0: return '买入看跌期权', '低概率上涨且期权便宜，适合博方向' elif prob > threshold and iv_premium < 0: return '买入看涨期权', '高概率上涨且期权便宜，适合博方向' elif prob < 1 - threshold and iv_premium > 0: return '卖出看涨期权', '低概率上涨且期权偏贵，适合收权利金' else: return '观望', '信号不明确，等待更好机会'threshold 可以调，0.6 偏保守，0.55 更激进。pc_ratio 可以作为辅助过滤，比如 pc_ratio 过高说明市场过度悲观，反而可能反转。这个模块的好处是逻辑透明，你可以直接改规则，不用重新训练模型。
3.2 计算器：期权定价与盈亏模拟
calculator.py 是独立模块，用 Black-Scholes 公式算理论价，再算不同策略的盈亏。核心代码：
import numpy as np from scipy.stats import norm def black_scholes(S, K, T, r, sigma, option_type='call'): """ S: 标的现价 K: 行权价 T: 到期时间（年） r: 无风险利率 sigma: 波动率 option_type: 'call' 或 'put' """ d1 = (np.log(S / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * np.sqrt(T)) d2 = d1 - sigma * np.sqrt(T) if option_type == 'call': price = S * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2) else: price = K * np.exp(-r * T) * norm.cdf(-d2) - S * norm.cdf(-d1) return price def simulate_pnl(S_range, K, T, r, sigma, option_type, premium, position='long'): """ 模拟不同标的价下的盈亏。 S_range: 标的价范围数组 premium: 期权权利金 position: 'long' 或 'short' """ pnl = [] for S in S_range: intrinsic = max(S - K, 0) if option_type == 'call' else max(K - S, 0) if position == 'long': pnl.append(intrinsic - premium) else: pnl.append(premium - intrinsic) return np.array(pnl)S_range 可以用 np.linspace 生成，比如从现价的 80% 到 120%。premium 是你实际成交的权利金，不是理论价。position 区分买方和卖方。这个计算器可以扩展成多腿策略，比如价差、跨式，只要把各腿的盈亏加总就行。
3.3 可视化：让结果一眼看懂
visualizer.py 负责画图，包括价格走势、IV 曲线、盈亏图。常见做法是用 matplotlib 或 plotly。比如画盈亏图：
import matplotlib.pyplot as plt def plot_pnl(S_range, pnl, K, title='P&L Simulation'): plt.figure(figsize=(10, 6)) plt.plot(S_range, pnl, label='P&L') plt.axhline(0, color='gray', linestyle='--') plt.axvline(K, color='red', linestyle='--', label='Strike') plt.xlabel('Underlying Price') plt.ylabel('Profit / Loss') plt.title(title) plt.legend() plt.grid(True) plt.show()K 是行权价，红色虚线标出来，方便看盈亏平衡点。如果做多腿策略，把各腿的 pnl 加总再画。plotly 的好处是可以交互，鼠标悬停看具体数值，适合做报告。
4. 跑起来：环境、配置、常见报错
4.1 环境准备与依赖安装
项目依赖不多，主要是 pandas、numpy、scikit-learn、scipy、matplotlib。建议用虚拟环境：
python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txtrequirements.txt 里通常会有版本号，比如 pandas>=1.3, scikit-learn>=1.0。如果装不上，先升级 pip。常见做法是固定版本，避免不同环境跑出不同结果。
4.2 配置文件怎么改
config.yaml 里一般有数据路径、模型参数、阈值等。比如：
data: stock_path: 'data/raw/stock.csv' option_path: 'data/raw/option.csv' freq: '1D' model: n_estimators: 100 max_depth: 3 learning_rate: 0.1 recommendation: threshold: 0.6改数据路径指向你的文件，freq 可以改 '1W'。threshold 调低会更激进，调高更保守。改完直接跑 main.py。
4.3 运行入口与输出解读
main.py 一般是这样：
from src.data_loader import load_and_align from src.feature_engine import build_features from src.predictor import Predictor from src.recommender import generate_recommendation from src.calculator import black_scholes, simulate_pnl from src.visualizer import plot_pnl import yaml with open('config.yaml') as f: cfg = yaml.safe_load(f) df = load_and_align(cfg['data']['stock_path'], cfg['data']['option_path'], cfg['data']['freq']) feat = build_features(df) # 假设标签已经准备好 X = feat.drop(columns=['label']) y = feat['label'] model = Predictor(**cfg['model']) model.train(X, y) prob = model.predict_proba(X.iloc[[-1]])[0] rec, reason = generate_recommendation(prob, feat['iv_premium'].iloc[-1], feat['pc_ratio'].iloc[-1], cfg['recommendation']['threshold']) print(f'建议: {rec}, 理由: {reason}')输出会打印建议和理由。如果报 KeyError，检查特征列名是否匹配；如果准确率异常高，检查标签有没有未来信息泄露。
5. 避坑与常见问题：血泪经验汇总
5.1 时间戳对齐失败
现象：merge 后数据行数骤减。原因：股票和期权日期格式不一致，或者时区不同。解决：统一用 pd.to_datetime 转换，加 utc=True，再检查交集。
5.2 特征里有未来信息
现象：验证准确率 90% 以上，实盘一塌糊涂。原因：用了未来数据算特征，比如用当日收盘价算当日波动率。解决：所有滚动计算加 shift(1)，确保只用历史数据。
5.3 IV 数据缺失严重
现象：avg_iv 大量 NaN。原因：期权链数据不完整，很多合约没有成交。解决：过滤掉 oi 为 0 的合约，或者用插值补全，但插值要谨慎，容易引入偏差。
5.4 模型过拟合
现象：训练集准确率 95%，验证集 55%。原因：树太深或特征太多。解决：减小 max_depth，增加 min_samples_leaf，或者用交叉验证调参。
5.5 计算器结果和实际成交价差太多
现象：理论价 5 块，实际成交 7 块。原因：用了历史波动率而不是隐含波动率，或者没考虑买卖价差。解决：sigma 用市场 IV，premium 用实际成交价，别用理论价。
6. 二次开发：换模型、加策略、接数据源
这个项目最值钱的地方是分层清晰，你可以在任何一层动刀。换模型最直接：在 predictor.py 里把 GradientBoostingClassifier 换成 XGBoost 或 LightGBM，接口不变，只要保证 fit 和 predict_proba 方法一致。我一般会先跑一遍基线，再换模型对比特征重要性，如果重要特征变了，说明模型学到了不同东西，值得深挖。
加策略的话，recommender.py 里的规则可以扩展成多条件组合。比如加入 game-theory 的思路：当 pc_ratio 极高且 iv_premium 为正，说明市场过度恐慌，期权卖方有优势。你可以把规则写成打分制，每个条件加分，总分超过阈值才出建议。这样比硬阈值灵活。
接数据源是另一个常见需求。项目默认读 csv，你可以改成从数据库或 API 拉。常见做法是写一个 DataAdapter 类，把不同来源的数据统一成 date, close, volume, iv, oi 格式，后面所有模块不用改。验证方法很简单：用同一份数据，分别走 csv 和 API，看输出是否一致。
最后说一个我踩过的坑：有次我改了特征工程，忘了同步更新 config.yaml 里的特征列表，结果模型训练时列对不上，报了一堆 KeyError。从那以后我每次改特征都强制走一遍单元测试，确保输入输出维度一致。希望帮到你。
本文还有配套的精品资源，点击获取
