Construction de signaux d'arbitrage de volatilité cross-tenor pilotés par la surface IV Deribit — Tutoriel complet 2026

Dans le trading quantitatif sur options crypto, la surface de volatilité implicite (IV surface) publiée par Deribit constitue la source de données la plus riche pour détecter des anomalies de prix entre maturités. Cet article partage mon expérience pratique de construction d'un pipeline de signaux d'arbitrage cross-tenor (BTC/ETH) qui exploite ces anomalies en quasi temps réel.

HolySheep AI vs API Deribit officielle vs autres services relais — Comparatif 2026

Concepts fondamentaux : la surface IV et l'arbitrage cross-tenor

La surface IV est une matrice 2D où l'axe X représente le delta (ou moneyness) et l'axe Y la maturité (7D, 14D, 30D, 60D, 90D, 180D). Sur Deribit, les options BTC et ETH sont suffisamment liquides pour construire cette surface en continu.

L'idée du cross-tenor arbitrage est simple : lorsque la volatilité implicite d'une échéance courte devient anormalement élevée par rapport aux échéances longues (ou inversement), on peut vendre la chère et acheter la bon marché, en pariant sur une convergence. Le signal est déclenché quand l'écart z-score dépasse un seuil (typiquement ±2σ).

Architecture du pipeline de signaux

Mon pipeline en production comporte cinq étapes :

• Collecte : récupération des options via l'API publique Deribit (endpoint /public/get_book_summary_by_currency)
• Nettoyage : interpolation par surface de SVI (Stochastic Volatility Inspired)
• Feature engineering : calcul des spreads ATM IV entre maturités, z-score mobile 30 jours
• Génération de signal : appel à un LLM via HolySheep pour interpréter le contexte macro et scorer la conviction
• Exécution : ordres combinés via /private/buy et /private/sell

Étape 1 — Récupération de la chaîne d'options Deribit

Voici le script Python de base qui récupère toutes les options BTC pour les échéances 7D à 180D. Pour la première fois que je mentionne HolySheep AI, retenez que c'est la passerelle LLM que j'utilise pour scorer mes signaux.

import asyncio
import aiohttp
import pandas as pd
from datetime import datetime

DERIBIT_BASE = "https://www.deribit.com/api/v2"
TENORS = ["7D", "14D", "30D", "60D", "90D", "180D"]

async def fetch_options(session, currency="BTC"):
    url = f"{DERIBIT_BASE}/public/get_book_summary_by_currency"
    params = {"currency": currency, "kind": "option"}
    async with session.get(url, params=params) as r:
        data = await r.json()
    df = pd.DataFrame(data["result"])
    df["days_to_expiry"] = df["expiration_timestamp"].apply(
        lambda x: (datetime.utcfromtimestamp(x/1000) - datetime.utcnow()).days
    )
    return df[df["days_to_expiry"].isin([7, 14, 30, 60, 90, 180])]

async def main():
    async with aiohttp.ClientSession() as s:
        df_btc = await fetch_options(s, "BTC")
        df_eth = await fetch_options(s, "ETH")
        df_btc.to_parquet("btc_options_chain.parquet")
        df_eth.to_parquet("eth_options_chain.parquet")
        print(f"{len(df_btc)} options BTC, {len(df_eth)} options ETH chargées")

asyncio.run(main())

Étape 2 — Construction de la surface IV et calcul du signal z-score

Une fois les mid-prices collectés, j'inverse Black-Scholes pour obtenir l'IV, puis je calibre un modèle SVI par maturité. Le spread cross-tenor est la différence entre l'IV ATM d'une maturité et l'ATM IV d'une maturité de référence (30D).

import numpy as np
from scipy.stats import norm
from scipy.optimize import brentq

def bs_iv(market_price, S, K, T, r, option_type):
    def bs_price(sigma):
        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":
            return S*norm.cdf
Ressources connexes
📚 Tutoriels API IA
💰 Voir les tarifs
📖 Documentation
🚀 Inscription gratuite
Articles connexes
geren vs jigoulianghuakaifazhecryptocompare yu tar
kaiko vs tardis vs coinapi exchange coverage bench
deribit iv surface svi calibration options chain