AlphaGBM Skills期权策略工作流实战：候选评分、资金要求与指派风险一次看懂（完整指南）-二趣网

AlphaGBM Skills期权策略工作流实战：候选评分、资金要求与指派风险一次看懂（完整指南）

【免费下载链接】skillsBring realtime market data and research workflows into Claude Code, Cursor & beyond — 29 open-source Skills for stocks, options and commodities.项目地址: https://gitcode.com/gh_mirrors/skills38/skills

AlphaGBM Skills 是一个开源的 AI 工作区市场研究工具集，其中期权策略工作流（Options Strategies）可以让 AI 助手一键比较期权候选方案，并清晰呈现候选评分、资金要求（现金要求）与指派风险。本文面向新手，带你完整看懂这个工作流的运行方式、结果结构和验证清单。

上图是 AlphaGBM Skills 的 AI 工作区演示界面：一条命令、一份结构化输出、证据优先的工作流。期权策略工作流遵循同样的输出范式，只是内容换成了期权候选与风险。

什么是期权策略工作流？

在 catalog/catalog.json 的目录定义中，alphagbm-options-research工作流被描述为：

查看期权候选与评分分项，说明现金要求、到期和指派风险（Compare option candidates and score components, with funding, expiry and assignment risks）。

它对应三个核心输出：

✅期权候选：按策略分组的候选列表（如卖看跌、卖看涨、买看涨、买看跌）
✅得分与报价时间：每个候选的评分与数据口径，保留原始日期
✅资金要求与风险：现金要求、到期盈亏边界与指派/缺口风险

工作流的完整说明见 skills/alphagbm-options-research/SKILL.md，配套的运行脚本在 skills/alphagbm-options-research/scripts/run.py，默认提示词定义在 skills/alphagbm-options-research/agents/openai.yaml。

快速上手：三步跑通期权策略比较

第 1 步：安装工作流包（安装免费，只需 Python 3.9+ 运行时）

npx skills add AlphaGBM/skills --skill alphagbm-options-research

第 2 步：配置 API Key

期权比较属于账户级研究，需要 API Key。按 docs/ACCESS.md 的规则：Key 配置在本地环境变量ALPHAGBM_API_KEY中，绝不写入对话、命令行参数或仓库。

第 3 步：运行期权策略比较

目录中的示例命令（见 catalog/catalog.json）：

options NVDA --strategy all --limit 3 --confirm-usage --workflow --lang en

关键点：

--confirm-usage表示你已明确批准消耗账户额度，工作流会在任何请求发出前检查确认，未确认则直接失败（测试用例 scripts/test_option_workflow.py 中test_confirmation_before_any_call就验证了这一点）。
--workflow --lang zh/en启用新版结构化格式，需要先通过免密钥的预检接口GET /api/v1/options/workflow-contract?ticker=...确认后端已部署；老版本服务器不会收到任何计费请求（fail closed 设计）。

看懂候选评分：Score 不是盈利概率

以演示数据 demo/strategies/options-strategy.json 为例，NVDA 的候选结构如下：

策略候选	评分	资金要求	收益特征	风险
定风险看涨价差	68	有限借方（limited debit）	上行封顶、下行受限	波动率重定价、事件缺口、流动性
看跌价差	61	价差宽度内定义（defined spread width）	倾向收权利金的下行敞口	指派条款、缺口风险、报价时点

新手最需要记住的三条评分纪律（来自 skills/alphagbm-options-research/references/access.md）：

🚫不同策略的分数不能互相比较排名，更不能解释为“盈利概率”；
🚫股票风险分、股票机会分、期权分、商品关注度是四种不同的分数，不能平均、不能换算尺度；
⚠️ 候选是研究证据，不是保证成交的报价，更不是交易指令。

同一契约版本下的原始输出样例见 demo/options-strategies.json，所有演示数据均为合成离线 fixture（notForTrading: true），仅用于理解输出结构，见 demo/README.md。

资金要求：缺数据就是“未知”，不是“为零”

结果中的capitalRequirement（资金要求）字段常见两种表述：

limited debit（有限借方）：净支出有上限，最坏损失即权利金净额；
defined spread width（价差宽度内定义）：资金占用取决于两腿价差宽度。

工作流会尽量从报价中提取参考资金、到期盈亏平衡点和下行边界；但如果报价数据不足（如演示数据中的missingData: ["live_bid_ask", "open_interest_confirmation"]），结果会标注status: "partial"并保留缺失标记。

💡 核心原则：缺失的现金要求或乘数代表“未知”，而不是“零”。乘数（multiplier）只是市场配置的假设，不是已验证的可交付数据；示例中的 $1/边手续费也是演示假设，不是券商报价。

指派风险与到期：执行前必查三件事

演示数据末尾的nextChecks是一份现成的验证清单：

确认买卖价差、未平仓量和报价时间戳—— 报价时点不确定时，不要把它当成实时报价；
对照所选到期日检查隐含波动率—— 波动率重定价是价差类策略的头号风险；
在执行前对收益结构做压力测试，重点盯指派结果。

指派风险的要点：

卖看跌（sell put）可能被指派，需持有正股能力或承担持仓后果；
卖裸看涨（uncovered short call）亏损理论上无上限，且工作流不会假设你已持有正股；
单腿候选列表不能推断出完整的组合策略，多腿执行需自行补齐条款核对。

这些安全边界在 docs/ACCESS.md 中也有对应约束：结果保留resultId、partial状态、missingData与riskFlags，不允许把失败请求静默替换为样例数据，也不做自动重试计费请求。

工具包	用途	入口文件
`alphagbm-options-score`	通过已发布接口查询期权评分	SKILL.md
`alphagbm-iv-rank`	隐含波动率排名快照	SKILL.md
`alphagbm-greeks`	希腊字母参考方法	SKILL.md
`alphagbm-pnl-simulator`	盈亏模拟参考方法	SKILL.md
`alphagbm-options-strategy`	策略构建参考包（仅方法说明，无实时接口）	SKILL.md

常见问题速查（FAQ）

Q：安装后就有额度了吗？安装免费，账户级研究共享网站同一账户额度，不会单独赠送 Skills 额度。
Q：超时了能自动重试吗？不能。股票/期权同步调用无自动重试，超时不代表失败或退款（详见 docs/ACCESS.md 的 Failure behavior 一节）。
Q：会替我下单或保存持仓吗？不会。工作流只返回研究结果，不执行交易、不变更持仓、不自动保存账户记录。
Q：结果能当投资建议吗？不能。所有输出保留来源、日期与缺失数据标记，研究不等于收益保证。

总结：一次看懂，三步落地

🎯候选评分：按策略分组展示，分数只做组内参考，绝不等于盈利概率；
💰资金要求：以报价口径为准，缺失即“未知”，partial 状态必须如实保留；
⚠️指派风险：执行前核对买卖价差、到期日隐含波动率与指派结果，裸卖看涨亏损无上限。

想动手验证？装上alphagbm-options-research，让 AI 帮你比较 NVDA 的期权方案，并让它解释报价口径、评分依据和主要风险——这正是这个工作流被设计出来的目的。

免责声明：本文为开源项目使用指南，所有内容仅供研究学习，不构成任何投资建议。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析