第27章 压力测试与情景分析：极端市场下的曲面变化

说实话，做期权交易最怕什么？

不是方向看错，也不是波动率算错。最怕的是——黑天鹅突然飞出来，你手里的曲面模型瞬间变成废纸。

我2015年股灾那会儿就吃过这个亏。当时用的还是标准的SVI参数化，结果市场一崩，曲面直接扭曲到没法看。从那以后，我养成了一个习惯：每次建仓前，先做一轮压力测试。

为什么压力测试如此重要？

你想想看，我们平时用的波动率曲面，都是基于历史数据或者市场报价拟合出来的。但历史数据里，极端行情出现的频率极低。低到什么程度？可能你回测三年，都遇不到一次像样的崩盘。

但问题是，期权是尾部风险暴露最大的衍生品。特别是卖期权的人，平时收权利金收得爽，一旦市场剧变，可能一天亏掉三个月的利润。

我个人习惯把压力测试分成两类：

• 历史情景重现：比如2008年雷曼倒闭、2020年新冠熔断、2015年A股暴跌
• 假设情景构造：比如VIX瞬间飙升20个点、标普500单日跌10%

曲面在极端行情下的典型变化

我总结了几种常见的曲面变形模式，你在实战中一定会遇到：

市场状态	曲面特征	隐含意义
恐慌性下跌	虚值put的IV飙升，skew急剧左倾	市场在疯狂对冲下行风险
流动性枯竭	曲面出现锯齿状，买卖价差拉大	做市商不敢报价，模型失效
波动率集群	整个曲面向上平移，且短期端更陡	市场预期波动将持续
尾部风险释放	远端skew也变陡，长期波动率上升	市场认为风险不会很快消退

嗯，这里要注意：不是所有极端行情都长一个样。2020年3月那次，曲面是整体上移+左偏；但2018年2月的Volmageddon，却是短期端爆拉，远端几乎没动。

如何构建压力测试框架？

我自己的做法是这样的，分享给你参考：

1. 确定压力因子：标的价格、波动率水平、利率、期限结构斜率
2. 设定冲击幅度：比如标的价格-10%、波动率+50%、skew偏移30%
3. 重新定价组合：用新的曲面参数计算所有头寸的损益
4. 评估风险指标：希腊值变化、最大回撤、保证金占用

代码实现：压力测试引擎

下面是我写的一个简化版压力测试函数。它接受当前的曲面参数，然后施加一组冲击，输出新的曲面和组合损益。

import numpy as np
from scipy.interpolate import griddata

def stress_test_surface(base_surface, shocks):
    """
    base_surface: dict, 包含 strike, expiry, iv 等字段
    shocks: dict, 包含 'spot_change', 'vol_shift', 'skew_tilt' 等
    """
    # 1. 复制基础曲面
    stressed = base_surface.copy()
    
    # 2. 施加标的价格冲击
    if 'spot_change' in shocks:
        stressed['spot'] *= (1 + shocks['spot_change'])
    
    # 3. 施加波动率水平冲击
    if 'vol_shift' in shocks:
        stressed['iv'] += shocks['vol_shift']
    
    # 4. 施加skew偏移（虚值put的IV额外增加）
    if 'skew_tilt' in shocks:
        moneyness = stressed['strike'] / stressed['spot']
        # 虚值put: moneyness < 0.9
        mask = moneyness < 0.9
        stressed['iv'][mask] += shocks['skew_tilt'] * (0.9 - moneyness[mask])
    
    # 5. 重新插值生成新曲面
    points = np.column_stack([stressed['strike'], stressed['expiry']])
    grid_strike = np.linspace(stressed['strike'].min(), stressed['strike'].max(), 50)
    grid_expiry = np.linspace(stressed['expiry'].min(), stressed['expiry'].max(), 20)
    grid_x, grid_y = np.meshgrid(grid_strike, grid_expiry)
    
    new_surface = griddata(points, stressed['iv'], (grid_x, grid_y), method='cubic')
    
    return new_surface, stressed

情景分析的实战应用

光有压力测试还不够，你得会解读结果。我个人习惯把情景分析分成三个层次：

• 第一层：单一情景——比如"如果明天VIX翻倍，我的组合亏多少？"
• 第二层：路径依赖情景——比如"如果市场先跌10%，然后反弹5%，再跌15%"，这种路径对期权组合的影响和一次性暴跌完全不同
• 第三层：相关性突变情景——比如"如果所有资产的相关性都变成1"，这对多资产期权组合是毁灭性的

我记得有一次做跨式组合的压力测试。单看一次性暴跌，亏损在可接受范围内。但换成路径依赖情景——先跌后涨再跌——结果亏损翻了三倍。为什么？因为路径中的反弹让之前的对冲全部失效了。

可视化：压力测试下的曲面变形

下面这张SVG图展示了正常曲面和压力情景下的曲面对比。你可以直观看到skew如何左倾、曲面如何上移。

压力测试的局限性

说了这么多，我得泼盆冷水。压力测试不是万能的。

第一，你永远无法测试所有情景。市场总能用你没想到的方式搞死你。2020年负油价事件，之前有几个人做过原油期货跌到负数的压力测试？

第二，压力测试假设市场结构不变。但极端行情下，做市商可能直接撤单，流动性瞬间消失。你的模型假设能成交，但实际根本平不了仓。

第三，相关性会突变。平时不相关的资产，在危机中可能变成高度相关。你的分散化策略瞬间失效。

实战中的避坑指南

最后，分享几个我踩过的坑：

• 别只看希腊值——压力测试要看实际损益，不是看Delta、Gamma这些线性近似。极端行情下，高阶项的影响非常大。
• 注意时间衰减——压力测试通常假设瞬间冲击。但实际市场变化可能需要几天甚至几周。你的Theta会帮你，也会害你。
• 别忘了保证金——有些组合在压力测试下损益不大，但保证金要求暴涨。你可能被迫平仓，死在黎明前。

嗯，关于压力测试和情景分析，今天就聊到这儿。记住一句话：市场永远比你想象的更极端。做好最坏的打算，才能活得更久。