量化投资分析平台迅投 QMT（四）获取标的期权的代码

量化投资分析平台迅投 QMT

[迅投 QMT](https://www.xuntou.net/?user_code=7NYs7O)
- 我目前在使用
- 有了底层标的如何获取期权的交易代码呢？
- 上代码
- - - 历史帖子

迅投 QMT

我目前在使用

两个月前（2024年4月）迅投和CQF有一个互动的活动，进行了平台的一个网上路演，刚好我也去听了，感觉还是挺不错的。后来与“客服麻瓜”进行了对QMT的深入了解和使用，最后决定买了他们的服务。注册就可以进行试用，但是是有期限的。如果只是单方面的研究的话，还是建议用稍微便宜些的平台，我主要是需要期权的实时数据进行分析和交易。

有了底层标的如何获取期权的交易代码呢？

我们知道期权交易是有时效性的，目前A股开放的可交易期权都是欧式期权，也就是说只有到了交割日才能行权。这样对于我们交易者来讲还是比较友好的，计算起来更方便些。目前A股的期权的时效是当月、隔月、季度、半年，四个周期。按照今天2024年6月5日来看，沪深300ETF的期权的交割月是6月、7月、9月、和12月。如果到了7月，就是7月、8月、10月、和次年1月。说实话，的确挺烦人的，烧脑的逻辑。那我今天呢就给大家展示一下我实现的方式。

上代码

首先我们先把日期锁定为本月到次年上月，按照2024年6月距离，就是到2025年的5月；然后按照月份进行获取期权数据；最终把底层标的的期权交易代码全部获取出来。

def obtain_annual_opt_tickers(ticker_: str):current_month = str(dt.now().strftime('%Y%m%d'))   # 当月one_year_later = dt.now() + relativedelta(years=1)   # 次年上月计算one_year_later = str(one_year_later.strftime('%Y%m%d'))   # 次年上月转string格式#通过pandas的date_range()函数获取未来12个月所有的日期，频率为"M"month月份dates = pd.date_range(start=current_month, end=one_year_later, freq='M')# Convert the dates to the required format (YYYYMM)expiration_months = [date.strftime('%Y%m') for date in dates]   # 将获取到的12个月打包列表并设置格式为yyyymmoption_tickers = []for month in expiration_months:option_tickers.append(xtdata.get_option_list(ticker_, month, isavailavle=True)   # 这里ticker_参数为标的资产，举例'510050.SH')# Flatten the list 因为这里我们会收到套娃的列表，需要处理，扁平处理flattened_option_tickers = [item for sublist in option_tickers for item in sublist]return flattened_option_tickersobtain_annual_opt_tickers('510050.SH')[-5:]'>>> ['10007156.SHO', '10007229.SHO', '10007230.SHO', '10007245.SHO', '10007246.SHO']'
'>>> 这样我们就获取到目前底层标的资产所有的期权交易代码的ticker了'

拿到所有期权交易代码ticker后我们来进行遍历，把所有的标的资产期权信息做成一个dataframe，为后续做准备。

@cache
def option_details(ticker_: str):flat_opt_tickers_list = obtain_annual_opt_tickers(ticker_)df_opt_details_ = pd.DataFrame()for tick_ in flat_opt_tickers_list:xtdata.download_history_data(tick_, period='1d')opt_detail_ = pd.DataFrame([xtdata.get_option_detail_data(tick_)])df_opt_details_ = pd.concat([df_opt_details_, opt_detail_], axis=0)   # 纵向拼接time.sleep(1/25)df_opt_details_ = df_opt_details_.reset_index(drop=True)   # 重置引索，避免后面出问题# add exchange ID to the instrument ID for latter usenew_instID = df_opt_details_['InstrumentID'] + '.' + df_opt_details_.ExchangeID.unique()[0]df_opt_details_['InstrumentID'] = new_instID   # 重新定义'InstrumentID'# retain only useful columnsdf_opt_details_ = df_opt_details_[['InstrumentID', 'InstrumentName', 'OpenDate', 'CreateDate', 'ExpireDate', 'PreClose', 'UpStopPrice', 'DownStopPrice', 'LongMarginRatio', 'ShortMarginRatio', 'VolumeMultiple', 'MaxMarketOrderVolume', 'MinMarketOrderVolume', 'MaxLimitOrderVolume', 'MinLimitOrderVolume', 'OptUnit', 'MarginUnit', 'OptExercisePrice', 'OptUndlRiskFreeRate', 'OptUndlHistoryRate', 'optType']].reset_index(drop=True)# construct a new column for days to expiry for volatility use# 重新定义交割日格式，为了计算剩余交割天数使用df_opt_details_['ExpireDate'] = pd.to_datetime(df_opt_details_['ExpireDate'], format='%Y%m%d')# 增加新列，到期交割日天数，后面会使用到，很重要的数据，BSM模型也会用到df_opt_details_['days_to_expiry'] = (df_opt_details_['ExpireDate'] - dt.now()).dt.daysreturn df_opt_details_option_details('510050.SH')
'>>> 我就不截完整图了，太大了，意思一下，大家知道是什么就好。'