6、波动率偏斜：偏斜的定义与度量、偏斜的交易策略、偏斜的量化建模

波动率偏斜，这词听着挺唬人。说白了，就是同一个标的、不同行权价的期权，隐含波动率不一样。我刚开始做期权交易那会儿，总觉得这现象很奇怪——明明是一个股票，怎么换个行权价，波动率就变了？后来踩过几次坑才明白，这背后藏着市场对尾部风险的定价。

嗯，咱们今天就把这个事儿彻底聊透。

6.1 偏斜的定义与度量

先给个准确定义：波动率偏斜（Volatility Skew），指的是隐含波动率随行权价变化的曲线形态。你想想看，如果市场完全有效、没有黑天鹅，那所有行权价的隐含波动率应该一样，对吧？但现实不是这样。

我习惯把偏斜分成两种常见形态：

  • 正向偏斜（Forward Skew）：行权价越高，隐含波动率越大。常见于商品市场，比如原油、黄金。
  • 反向偏斜（Reverse Skew）：行权价越低，隐含波动率越大。这是股票市场的常态，尤其是美股。

为什么会这样？说白了，股票市场里大家更怕暴跌。你想想看，一个股票从100跌到50，跌幅50%；但从100涨到150，涨幅才50%。下跌的杀伤力更大，所以虚值看跌期权更贵，隐含波动率更高。

度量偏斜，我常用的指标有三个：

指标 定义 我的用法
25-delta 偏斜 25-delta 看跌期权与看涨期权的隐含波动率之差 最常用，反映尾部风险溢价
偏斜斜率 隐含波动率对行权价的一阶导数 判断偏斜变化方向
偏斜曲率 隐含波动率对行权价的二阶导数 捕捉偏斜的凸性特征

举个例子。假设某股票当前价格100元，ATM隐含波动率20%。25-delta看跌的隐含波动率是24%，25-delta看涨是18%。那25-delta偏斜就是24% - 18% = 6%。这个6%就是市场对左尾风险的定价。

核心观点：偏斜不是噪声，是信息。它告诉你市场在担心什么。

6.2 偏斜的交易策略

知道了偏斜怎么度量，接下来就是怎么用它赚钱。我做过不少偏斜交易，踩过坑也赚过钱。这里分享几个我常用的策略。

6.2.1 风险逆转（Risk Reversal）

这是最经典的偏斜交易策略。做法很简单：卖出虚值看跌期权，买入虚值看涨期权。如果偏斜过大（即虚值看跌太贵），这个组合可以赚偏斜回归的钱。

我曾经在2020年3月市场暴跌后做过一笔风险逆转。当时标普500的25-delta偏斜飙到了15%以上，历史均值才5%左右。我卖出了虚值看跌，买入了虚值看涨。结果一个月后偏斜回归到8%，这笔交易赚了不少。

避坑指南：我曾经犯过一个错误——在市场恐慌时做风险逆转，结果偏斜继续扩大，亏得很惨。后来我学乖了：偏斜交易一定要设止损，因为偏斜可以持续偏离很久。

6.2.2 偏斜套利（Skew Arbitrage）

这个策略更精细。它利用不同行权价之间的隐含波动率差异。比如，我发现25-delta看跌的隐含波动率比15-delta看跌低了2%。这明显不合理——更虚值的期权应该更贵才对。于是我做多25-delta看跌，做空15-delta看跌，赚这个价差回归的钱。

嗯，这里要注意：偏斜套利需要精确的Delta对冲，不然方向性风险会吃掉你的利润。

6.2.3 偏斜与期限结构结合

我个人觉得，这是最有意思的策略。把偏斜和期限结构结合起来看，能发现很多机会。比如，短期偏斜很大但长期偏斜正常，说明市场短期恐慌但长期理性。这时候可以卖出短期虚值看跌，买入长期虚值看跌，赚期限结构回归的钱。

你想想看，这种策略本质上是在赌恐慌情绪会消退。我做过几次，胜率还不错，但需要耐心。

6.3 偏斜的量化建模

交易策略讲完了，咱们来点硬核的——怎么用数学模型描述偏斜。说实话，这部分我花了不少时间才搞明白。

6.3.1 多项式拟合

最简单的办法，用多项式拟合隐含波动率曲线。我一般用二次多项式：

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 假设我们有行权价和对应的隐含波动率
strikes = np.array([90, 95, 100, 105, 110])
iv = np.array([0.25, 0.22, 0.20, 0.19, 0.18])

# 构造二次多项式特征
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(strikes.reshape(-1, 1))

# 拟合模型
model = LinearRegression()
model.fit(X_poly, iv)

# 预测
strikes_new = np.linspace(85, 115, 100)
X_new = poly.transform(strikes_new.reshape(-1, 1))
iv_pred = model.predict(X_new)

# 偏斜斜率 = 一阶导数
# 偏斜曲率 = 二阶导数
# 系数在 model.coef_ 中
print(f"偏斜斜率（线性项）: {model.coef_[1]:.4f}")
print(f"偏斜曲率（二次项）: {model.coef_[2]:.4f}")

这个方法简单直观，但有个问题——多项式在边界处容易发散。我建议只用在ATM附近，别往太虚值的地方推。

6.3.2 SVI模型

如果多项式不够用，那就上SVI（Stochastic Volatility Inspired）模型。这是Gatheral在2004年提出的，专门用来拟合波动率偏斜。公式长这样：

def svi_model(k, a, b, rho, m, sigma):
    """
    k: 对数行权价 ln(K/S)
    a, b, rho, m, sigma: SVI参数
    """
    term = np.sqrt((k - m)**2 + sigma**2)
    return a + b * (rho * (k - m) + term)

五个参数各有含义：

  • a：整体波动率水平
  • b：偏斜的陡峭程度
  • rho：偏斜的方向（正负）
  • m：偏斜的偏移位置
  • sigma：偏斜的曲率

我在项目中用SVI拟合过上千个交易日的数据。说实话，这模型拟合效果很好，但参数优化有点麻烦。我一般用Levenberg-Marquardt算法来求解。

注意：SVI模型对初始值很敏感。我建议先用多项式拟合的结果作为初始值，再跑优化。不然很容易陷入局部最优。

6.3.3 偏斜的统计建模

除了拟合曲线，我们还可以对偏斜本身做统计建模。比如，用ARIMA模型预测偏斜的变化：

from statsmodels.tsa.arima.model import ARIMA

# 假设 skew_series 是每日25-delta偏斜的时间序列
model = ARIMA(skew_series, order=(2, 1, 1))
results = model.fit()

# 预测未来5天的偏斜
forecast = results.forecast(steps=5)
print(f"未来5天偏斜预测: {forecast}")

我个人习惯把偏斜建模分成两步：第一步用SVI拟合当日曲线，第二步对SVI参数做时间序列建模。这样既能捕捉截面特征，又能预测时间变化。

6.4 偏斜的实战应用

最后，聊聊偏斜在实际交易中怎么用。我总结了三句话：

  1. 偏斜是情绪指标：偏斜扩大，说明市场恐慌；偏斜收窄，说明市场平静。
  2. 偏斜是定价基准：做期权组合时，一定要考虑偏斜对希腊字母的影响。比如，Vega在偏斜大的地方更敏感。
  3. 偏斜是交易信号：当偏斜偏离历史均值超过两个标准差时，往往意味着交易机会。

嗯，偏斜这东西，说难不难，说简单也不简单。关键是要理解它背后的市场逻辑，而不是死记硬背公式。我刚开始做量化时，总想着用最复杂的模型去拟合偏斜，结果过拟合得一塌糊涂。后来才明白，简单模型+正确逻辑，远胜于复杂模型+错误假设。

希望今天的分享对你有帮助。偏斜的世界很深，咱们慢慢探索。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →