第20章 波动率套利：统计套利在波动率曲面上的应用、配对交易

波动率套利，说白了就是利用期权定价中的“错误”来赚钱。很多人一听套利就觉得是稳赚不赔的买卖，其实不然。我做了这么多年，真正意义上的无风险套利机会少得可怜，更多时候我们做的是统计套利——赌的是波动率会回归到某个合理范围。

这一章，我们就聊聊怎么在波动率曲面上做统计套利，以及配对交易的具体玩法。

波动率曲面的“异常”信号

先问一个问题：你见过完美的波动率曲面吗？反正我没见过。真实市场里，曲面总是坑坑洼洼的。有些行权价的隐含波动率明显偏高，有些又偏低。这些偏差，就是我们的机会。

我个人习惯把波动率曲面想象成一张橡皮膜。正常情况下它应该是平滑的，但如果有人在某个点用力扯了一下，就会出现一个“鼓包”。这个鼓包迟早会消下去——要么被市场修复，要么被套利者抹平。

统计套利的具体步骤

嗯，这里要注意，统计套利不是瞎蒙。我一般按下面几步来走：

1. 构建基准曲面——用SVI或SSVI模型拟合出“理论”波动率曲面
2. 计算残差——每个行权价、每个到期日的实际IV减去理论IV
3. 标准化残差——除以历史标准差，得到z-score
4. 设定阈值——|z-score| > 2 时视为交易信号
5. 执行配对交易——做多被低估的期权，做空被高估的期权

我曾经在2019年做过一次统计套利，当时某科技股的虚值看涨期权IV比模型值高了30%。我果断做空那个期权，同时用Delta对冲掉方向风险。结果一周后IV回归，赚了差不多15%的波动率溢价。

配对交易：波动率曲面的“多空组合”

配对交易在波动率曲面上的应用，其实和股票配对交易思路一样——找到两个相关性高的品种，做多一个、做空另一个，赌它们的价差回归。

但在期权市场，我们配对的是波动率，不是价格。具体来说：

• 同标的、不同期限：比如做多1个月ATM期权，做空3个月ATM期权。赌期限结构回归。
• 同标的、不同行权价：比如做多虚值看跌，做空平值看跌。赌偏斜形态回归。
• 不同标的、同特征：比如做多银行股波动率，做空科技股波动率。赌板块间波动率关系回归。

你想想看，为什么这些配对能赚钱？因为市场情绪会传染，但也会消散。当恐慌来临时，所有期限的IV一起飙升，但短期IV涨得更多。等恐慌消退，短期IV跌得也更猛。这就是期限结构套利的逻辑基础。

实战案例：期限结构套利

我记得有一次，标普500指数因为某个突发事件，近月IV一下子从15%飙到35%，但远月IV只从18%涨到22%。这明显不合理——突发事件的影响不可能持续那么久。

我当时做了这样一个组合：

头寸	合约	方向	权重
做空	近月ATM期权	赌IV下跌	1份
做多	远月ATM期权	赌IV上涨（或至少不跌那么多）	Vega中性配比

关键是要做到Vega中性——也就是整体组合对波动率变化的净敞口为零。这样我们赚的就是期限结构回归的钱，而不是赌波动率涨跌。

代码示例：波动率曲面残差计算

下面是一个简单的Python代码，用来计算波动率曲面的残差并识别套利机会。代码不复杂，但很实用。

import numpy as np
import pandas as pd
from scipy.optimize import curve_fit

# SVI模型参数化
def svi_model(k, a, b, rho, m, sigma):
    return a + b * (rho * (k - m) + np.sqrt((k - m)**2 + sigma**2))

# 假设我们有一组市场IV数据
# strikes: 行权价对数偏离值
# iv: 隐含波动率
strikes = np.array([-0.1, -0.05, 0, 0.05, 0.1])
iv = np.array([0.25, 0.22, 0.20, 0.21, 0.24])

# 拟合SVI模型
popt, _ = curve_fit(svi_model, strikes, iv, 
                    p0=[0.1, 0.1, -0.5, 0, 0.1])

# 计算理论IV
iv_fitted = svi_model(strikes, *popt)

# 计算残差
residuals = iv - iv_fitted

# 标准化残差（假设历史标准差已知）
hist_std = 0.015  # 历史残差标准差
z_scores = residuals / hist_std

# 识别套利信号
for i, z in enumerate(z_scores):
    if abs(z) > 2:
        print(f"行权价 {strikes[i]:.2f}: z-score = {z:.2f}, 信号级别")
    elif abs(z) > 1.5:
        print(f"行权价 {strikes[i]:.2f}: z-score = {z:.2f}, 关注级别")

波动率套利的风险控制

做统计套利，最怕的就是“统计规律失效”。说白了，就是市场结构变了，历史规律不再适用。比如2020年3月那波，所有波动率模型都失效了，因为市场进入了前所未有的极端状态。

我的风控原则很简单：

• 单笔最大亏损控制在组合净值的2%以内
• 持仓周期不超过2周——统计套利赚的是回归的钱，拖久了容易出问题
• 每天重新计算z-score——如果信号消失，立即平仓，不要恋战

我曾经有一次没及时止损，结果z-score从2.5涨到了4.0，亏了差不多5%。从那以后，我给自己定了个规矩：信号消失就撤，哪怕后面又回归了也不后悔。

本章核心逻辑图

下面这张SVG图，把波动率统计套利的完整流程画出来了。从数据输入到信号执行，一目了然。

这张图把整个流程串起来了。你从左上角开始看，一步步往下走。核心就是那个菱形判断框——|z| > 2？是就干，不是就等。简单粗暴，但有效。

好了，波动率统计套利的内容就这些。记住一句话：套利不是捡钱，是赚概率的钱。做好风控，严格执行信号，长期下来一定能赚钱。