第十九章：多资产期权组合的协方差曲面建模

说实话，做期权量化这几年，我踩过最大的坑就是——把多资产组合当成单资产来管。

你想想看，单资产期权组合，你盯着波动率曲面就够了。但一旦涉及多个标的，比如沪深300 + 中证500 + 创业板指，问题就来了：它们之间的相关性不是常数，而是会随着时间、市场状态、甚至行权价变化而变化。这就是我们今天要聊的——协方差曲面建模。

为什么需要协方差曲面？

先讲个我自己的经历。几年前我做了一个跨品种的期权套利策略，底层是50ETF和300ETF的价差。我一开始用的是历史相关系数，大概0.85左右。结果2020年3月那波暴跌，相关性直接跳到0.97，我的对冲头寸瞬间失效，亏了不少。

事后复盘我才意识到：相关性不是一条线，而是一个曲面。它跟波动率一样，有期限结构，有偏斜，甚至还有“相关性微笑”。

协方差曲面的数学表达

我们先从最基础的开始。对于两个资产 i 和 j，它们的协方差可以写成：

Σ_{ij}(t, K_i, K_j) = ρ_{ij}(t, K_i, K_j) × σ_i(t, K_i) × σ_j(t, K_j)

其中：

• t 是剩余期限
• K_i, K_j 是各自的行权价
• σ_i, σ_j 是各自的隐含波动率曲面
• ρ_{ij} 是隐含相关系数曲面

嗯，这里要注意：ρ_{ij} 不是常数，它本身也是一个曲面。我习惯把它叫做“隐含相关性曲面”，因为它跟隐含波动率一样，是从市场报价中反推出来的。

隐含相关性曲面的构建方法

我个人比较常用的方法有三种，各有优劣：

我在实际项目中，强烈推荐第三种。为什么？因为纯历史方法在极端行情下会失效，纯期权方法又受限于流动性。混合方法虽然麻烦，但效果最好。

实战：用Python构建协方差曲面

下面我给出一个简化版的实现思路。假设我们有两只股票（比如茅台和五粮液），我们要构建它们的协方差曲面。

import numpy as np
import pandas as pd
from scipy.interpolate import griddata

# 假设我们已经有了两个资产的波动率曲面
# sigma_surface_1, sigma_surface_2 是已经插值好的曲面
# 我们还需要构建相关性曲面

def build_correlation_surface(option_prices, strikes_1, strikes_2, maturities):
    """
    从价差期权价格反推隐含相关性曲面
    """
    # 1. 提取价差期权价格
    spread_prices = option_prices  # 假设已预处理
    
    # 2. 用Black-Scholes模型反推隐含相关性
    # 这里用简化公式：ρ ≈ (σ_spread² - σ₁² - σ₂²) / (2σ₁σ₂)
    # 注意：实际中要用更复杂的模型
    
    correlation_surface = np.zeros((len(maturities), len(strikes_1), len(strikes_2)))
    
    for t_idx, T in enumerate(maturities):
        for k1_idx, K1 in enumerate(strikes_1):
            for k2_idx, K2 in enumerate(strikes_2):
                sigma_1 = sigma_surface_1[t_idx, k1_idx]
                sigma_2 = sigma_surface_2[t_idx, k2_idx]
                sigma_spread = spread_vol[t_idx, k1_idx, k2_idx]
                
                # 反推相关性
                rho = (sigma_spread**2 - sigma_1**2 - sigma_2**2) / (2 * sigma_1 * sigma_2)
                rho = np.clip(rho, -0.999, 0.999)  # 防止越界
                correlation_surface[t_idx, k1_idx, k2_idx] = rho
    
    return correlation_surface

# 最终协方差曲面
cov_surface = correlation_surface * np.einsum('tij,tkj->tij', sigma_surface_1, sigma_surface_2)

协方差曲面的可视化

我习惯用热力图来展示相关性曲面。下面是一个SVG示意图，展示不同期限和行权价下的相关性变化：

从这张图你能看到几个规律：

• 期限越短，相关性越高——短期市场情绪驱动，大家同涨同跌
• 平值附近相关性最高——深度实值或虚值期权，相关性会下降
• 极端行权价相关性不对称——虚值看跌期权的相关性往往比虚值看涨更高（避险情绪）

协方差曲面在组合优化中的应用

有了协方差曲面，我们就可以做更精细的组合优化。我常用的一个场景是：

1. 波动率套利组合：利用协方差曲面识别相关性偏离的品种对
2. 风险预算分配：根据协方差曲面的期限结构，动态调整各期限的权重
3. 尾部风险对冲：重点关注协方差曲面在极端行权价处的变化

举个例子，如果你发现某两个资产的隐含相关性远低于历史相关性，那可能意味着市场在定价一个“相关性回归”的机会。这时候你可以做多价差期权，赌相关性回归均值。

实现中的注意事项

最后分享几个实战经验：

• 数据清洗是第一关：价差期权的报价经常有噪音，我一般会用中位数滤波先处理一遍
• 插值方法要选对：相关性曲面比波动率曲面更平滑，用三次样条就够了，别用太复杂的模型
• 正定性约束：构建出来的协方差矩阵必须正定，否则优化时会出问题。我习惯用“收缩估计”来保证正定性
• 计算效率：如果你有10个资产，协方差曲面就是10×10×T×K的维度，计算量很大。我一般用GPU加速或者降维处理

嗯，协方差曲面建模这块内容确实有点烧脑。但说白了，它就是让你从“看单个资产”升级到“看资产之间的关系”。做多资产期权组合，这才是真正的核心竞争力。