10、均值-方差优化在期权组合中的应用

聊到期权组合，很多人第一反应是「策略多、收益高」。但说实话，我见过太多人把期权组合做成了「赌大小」。你想想看，买几个虚值Call，再卖几个Put，方向对了赚翻，方向错了爆仓——这哪叫组合管理？这叫押注。

真正专业的做法，是用数学工具来平衡收益和风险。均值-方差优化，就是干这个的。它最早是Harry Markowitz在1952年提出的，用在股票组合上。但期权这东西，收益是非线性的，波动率是动态的，直接把股票那套搬过来用，会出问题。

我个人习惯，在做期权组合优化时，会把均值-方差框架做三处改造：收益用期权定价模型算期望、风险用希腊字母拆解、协方差矩阵用隐含波动率曲面校准。下面我一步步说清楚。

10.1 均值-方差优化的核心逻辑

先回顾一下基础。均值-方差优化的目标很简单：在给定风险水平下，最大化预期收益；或者在给定收益目标下，最小化风险。

数学上，它求解的是：

最大化：μᵀw - λ · wᵀΣw

其中：
μ = 各资产的预期收益向量
w = 各资产的权重向量
Σ = 资产收益率的协方差矩阵
λ = 风险厌恶系数

嗯，这里要注意：λ越大，说明你越厌恶风险，组合会偏向低波动资产。我在项目中遇到过，有些交易员把λ设成0.5，结果组合里全是深度实值期权，波动是小了，但收益也几乎没了。这其实是个坑。

10.2 期权组合的特殊性

股票组合的收益近似正态分布，协方差矩阵相对稳定。但期权组合不一样：

• 收益非线性：期权的Delta、Gamma会随标的价格变化，收益不是线性的
• 波动率敏感：Vega暴露让你在波动率变化时承受额外风险
• 时间衰减：Theta每天都在吃掉期权的时间价值

所以，直接把股票组合的均值-方差框架套用到期权上，结果会非常离谱。我曾经试过用历史收益率直接算期权组合的协方差矩阵，回测出来夏普比率高达3.0，但实盘一跑就崩了——因为历史数据里没有包含波动率突变的场景。

10.3 改造后的均值-方差框架

我个人习惯用以下三步来改造：

10.3.1 收益预测：用期权定价模型反推

期权的预期收益，不能简单用历史均值。我一般用Black-Scholes模型或者局部波动率模型，结合当前隐含波动率曲面，计算每个期权在持有期内的期望收益。

# 伪代码示例：计算单个期权的预期收益
def expected_option_return(option, S, T, r, sigma_surface):
    # 用当前隐含波动率计算理论价格
    current_price = black_scholes(option, S, T, r, sigma_surface)
    
    # 模拟标的价格路径，计算持有期结束时的期望价格
    expected_future_price = monte_carlo_simulation(option, S, T, r, sigma_surface)
    
    # 预期收益 = (期望价格 - 当前价格) / 当前价格
    return (expected_future_price - current_price) / current_price

这里有个细节：sigma_surface要用当前市场的隐含波动率曲面，而不是历史波动率。因为期权定价看的是市场对未来波动率的预期，不是过去。

10.3.2 风险度量：用希腊字母构建协方差矩阵

与其用价格收益率，不如用希腊字母暴露来度量风险。我通常构建一个因子暴露矩阵：

期权	Delta暴露	Gamma暴露	Vega暴露	Theta暴露
Call 1	0.65	0.02	0.15	-0.03
Put 2	-0.40	0.01	0.12	-0.02
Call 3	0.80	0.03	0.18	-0.04

然后，用这些因子暴露乘以因子收益率的协方差矩阵，得到期权组合的风险矩阵。这样做的好处是：你可以单独控制每个风险因子的暴露。比如你想做Delta中性，就把Delta暴露设成0。

10.3.3 优化求解：带约束的二次规划

有了预期收益向量μ和风险矩阵Σ，剩下的就是求解二次规划问题。但期权组合通常有额外约束：

• 保证金约束：期权交易需要保证金，不能无限加杠杆
• 希腊字母约束：比如Delta中性、Gamma中性
• 持仓限制：单个期权持仓不能超过总资金的20%

from scipy.optimize import minimize

def optimize_option_portfolio(mu, Sigma, max_leverage=2.0):
    n = len(mu)
    
    # 目标函数：最大化收益 - 风险惩罚
    def objective(w):
        return -(mu @ w - 0.5 * w @ Sigma @ w)
    
    # 约束条件
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # 满仓
        {'type': 'ineq', 'fun': lambda w: max_leverage - np.sum(np.abs(w))}  # 杠杆限制
    ]
    
    # 边界：每个期权权重在-1到1之间
    bounds = [(-1, 1) for _ in range(n)]
    
    result = minimize(objective, x0=np.ones(n)/n, 
                      bounds=bounds, constraints=constraints)
    return result.x

10.4 实战案例：构建一个Delta中性的波动率套利组合

说个我实际做过的案例。当时市场隐含波动率偏高，我想构建一个做空波动率、Delta中性的组合。

步骤是这样的：

1. 选期权：选择近月平值Call和Put各5个，共10个期权
2. 算收益：用当前隐含波动率曲面，计算每个期权在持有期内的期望收益（假设波动率回归均值）
3. 建风险矩阵：用Delta、Gamma、Vega、Theta四个因子构建协方差矩阵
4. 加约束：Delta暴露=0，Vega暴露<0（做空波动率），保证金不超过总资金
5. 求解：用二次规划求出最优权重

结果出来，组合的权重分布很有意思：卖Call和卖Put各占40%，再买一些远月的期权来对冲Gamma风险。这个组合在波动率下降时赚了钱，而且Delta始终保持在0附近。

10.5 知识体系总览

下面这张图，我把本章的核心逻辑画出来了。你看一眼就能明白整个框架：

这张图把整个流程串起来了：输入是期权定价模型、希腊字母暴露、隐含波动率曲面；中间是带约束的二次规划求解；输出是最优权重；最后还要做回测验证。每一步都不能少。

10.6 常见问题与避坑

最后，我总结几个实战中容易踩的坑：

• 协方差矩阵不稳定：期权市场的波动率结构变化很快，建议用滚动窗口（比如60天）重新估计协方差矩阵
• 忽略交易成本：期权买卖价差大，频繁调仓会吃掉收益。我一般会在优化中加入一个「调仓成本惩罚项」
• 过度依赖历史数据：期权组合的尾部风险远大于正态分布假设。建议用蒙特卡洛模拟做压力测试

好了，均值-方差优化在期权组合中的应用，说白了就是用数学工具帮你做决策，而不是凭感觉。但记住，工具只是工具，市场永远比模型复杂。保持敬畏，持续验证，才是长期盈利的关键。

---

公众号:蓝海资料掘金营，微信deep3321