22. 波动率曲面日历套利：不同到期日合约的价差

日历套利，说白了就是利用同一标的、不同到期日的期权合约之间的价差来赚钱。很多人一听到「日历」两个字，就以为是简单的近月卖、远月买，或者反过来。嗯，实际做起来远没那么简单。

我个人习惯把日历套利分成两类：一种是纯波动率视角的，另一种是曲面结构视角的。今天咱们重点聊后者——如何利用波动率曲面的形态变化来做日历价差。

什么是日历套利？

先快速过一下基础。日历套利，也叫时间价差套利，就是同时买入和卖出同一行权价、不同到期日的期权。

• 买入日历套利：买远月、卖近月。赌的是远月波动率上升，或者近月波动率下降。
• 卖出日历套利：卖远月、买近月。赌的是远月波动率下降，或者近月波动率上升。

但这里有个坑——很多人以为日历套利就是纯赚时间价值衰减。其实不是。真正驱动日历价差变动的，是波动率曲面的期限结构变化。

波动率曲面的期限结构

我们平时看到的波动率曲面，横轴是行权价，纵轴是到期时间。沿着到期时间方向切一刀，就得到一条曲线——这叫「期限结构」。

正常情况下，远月波动率比近月高，因为不确定性更大。但市场情绪变化时，这个结构会扭曲。比如：

• 近月有重大事件（财报、议息），近月IV会飙升，导致期限结构倒挂
• 远月出现系统性风险预期，远月IV会跳升，期限结构变陡

我曾在2020年3月遇到过这种情况。当时美股波动率曲面完全扭曲，近月IV冲到80%以上，远月反而只有40%多。这种极端结构下，日历套利的机会就来了。

日历价差的定价逻辑

日历价差的理论价格，取决于两个合约的隐含波动率之差。用公式表示：

日历价差 = 远月期权价格 - 近月期权价格

理论上，如果两个合约的IV相同，日历价差 ≈ 时间价值差
实际上，两个合约的IV往往不同，价差 = 时间价值差 + 波动率差的影响

所以，做日历套利时，你真正在赌的是：两个到期日的波动率之差会怎么变化。

曲面形态与日历套利策略

不同的曲面形态，对应不同的日历套利策略。我总结了几种典型场景：

曲面形态	期限结构特征	推荐策略	逻辑
正常向上倾斜	远月IV > 近月IV	卖出日历套利	赌期限结构变平，远月IV相对下降
倒挂（近高远低）	近月IV > 远月IV	买入日历套利	赌期限结构恢复正常，远月IV相对上升
平坦	近月IV ≈ 远月IV	观望或小仓位	没有明显的曲面结构机会
凸起（中间高）	中间到期IV最高	蝶式日历组合	赌中间到期IV回归

你看，不同形态下，策略方向完全不同。如果不管曲面结构，闭着眼睛做日历套利，很容易亏钱。

一个实战案例

讲个我自己的经历。去年某次美联储议息会议前，标普500期权的期限结构出现了明显的倒挂。近月（议息当周）IV高达35%，远月（一个月后）只有22%。

我当时判断：议息结果出来后，近月IV会大幅回落，远月IV变化不大。所以做了买入日历套利——买入远月平值call，卖出近月平值call。

结果呢？议息结果符合预期，近月IV从35%跌到18%，远月IV只跌了2个点。这个头寸赚了将近3倍的收益。

如何用曲面数据做日历套利？

实际操作中，我一般按以下步骤来：

1. 获取曲面数据：至少需要近月和远月两个到期日的完整波动率曲面
2. 计算期限结构斜率：用远月IV减去近月IV，得到每个行权价上的斜率
3. 识别异常点：找到斜率明显偏离历史均值的行权价区间
4. 构建头寸：在异常点附近选择行权价，做日历套利
5. 动态调整：随着时间推移，近月变成当周，波动率行为会变化，需要重新评估

这里有个小技巧：我习惯用「波动率差的分位数」来判断是否该出手。如果当前波动率差处于历史90%分位数以上，说明结构极度扭曲，反转概率大。

代码示例：计算日历价差

下面是一个简单的Python示例，计算不同到期日的日历价差：

import numpy as np
from scipy.stats import norm

def black_scholes_price(S, K, T, r, sigma, option_type='call'):
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    
    if option_type == 'call':
        price = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
    else:
        price = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
    return price

def calendar_spread(S, K, T_near, T_far, r, sigma_near, sigma_far):
    """计算日历价差"""
    price_near = black_scholes_price(S, K, T_near, r, sigma_near)
    price_far = black_scholes_price(S, K, T_far, r, sigma_far)
    return price_far - price_near

# 示例：标普500平值日历价差
S = 4500
K = 4500
T_near = 7/365   # 近月7天到期
T_far = 37/365   # 远月37天到期
r = 0.05
sigma_near = 0.35  # 近月IV 35%
sigma_far = 0.22   # 远月IV 22%

spread = calendar_spread(S, K, T_near, T_far, r, sigma_near, sigma_far)
print(f"日历价差: {spread:.2f}")

这个代码很简单，但实际交易中，你需要考虑更多因素——比如股息、利率曲线、以及两个合约的流动性差异。

曲面结构图：日历套利的核心逻辑

下面这张图展示了波动率曲面的期限结构，以及日历套利的切入点：

这张图清晰地展示了：当期限结构倒挂时（红线），我们做买入日历套利，赌它回归正常；当期限结构正常向上时（蓝虚线），我们做卖出日历套利，赌它保持稳定或变平。

避坑指南

最后，分享几个我踩过的坑：

• 别忽略流动性：远月合约流动性往往很差，买卖价差可能吃掉你所有利润。我建议只做近月和次近月，最多做到第三个月。
• 注意行权价选择：平值附近的日历价差对波动率变化最敏感，但gamma风险也最大。虚值合约的日历价差更稳定，但收益也小。
• 别死扛：日历套利看起来是「有限风险」，但如果你做反了方向，亏损可能超过你的预期。我曾经有一次没及时止损，亏了本金的15%。
• 关注事件风险：近月如果有财报、议息、非农等事件，IV会提前飙升。事件落地后IV会暴跌，这是做日历套利的好时机，但也要小心事件结果超预期。

嗯，关于波动率曲面日历套利，今天就聊到这儿。核心就一句话：别只看价格，要看曲面结构。理解了期限结构的形态和变化规律，你才能真正用好日历套利这个工具。