第二十八节：曲面在组合优化中的应用：基于曲面的最优对冲比率计算

做Gamma交易的朋友，迟早会碰到一个灵魂拷问：我到底该对冲多少？

教科书上说Delta对冲，那就买点现货把Delta归零呗。但现实哪有这么简单。你想想看，一个期权组合里可能有十几个不同行权价、不同到期日的头寸，每个头寸的Delta、Gamma、Vega都在变。简单粗暴地按总Delta对冲，结果往往是——对冲完发现曲面变了，你又亏了。

我个人习惯的做法，是把曲面当成一个动态权重矩阵来用。说白了，就是让曲面告诉你：每个行权价上的风险暴露，应该用多少比例的现货来对冲，才是最划算的。

为什么不能简单加总Delta？

先看一个我踩过的坑。几年前我做跨式套利，同时持有ATM Call和ATM Put，总Delta接近0。按教科书，我不用对冲。结果第二天曲面斜率变了，Call的Delta涨了0.15，Put的Delta跌了0.12，总Delta变成了0.03。看似不大，但仓位大啊，一个波动就亏了几十万。

问题出在哪？不同行权价的Delta对曲面参数的敏感度不一样。简单加总Delta，等于假设所有头寸的Delta变化是同步的。但曲面告诉你，它们不是。

基于曲面的对冲比率计算框架

我一般分三步走：

1. 提取曲面特征：从当前曲面中提取ATM波动率、偏斜斜率、曲率、期限结构斜率等关键参数。
2. 计算各头寸的敏感度矩阵：对每个期权头寸，计算其对上述曲面参数的偏导数。
3. 求解最优对冲比率：在最小化组合价值对曲面参数变化敏感度的目标下，求解现货对冲头寸。

嗯，这里要注意：第三步其实是个优化问题。目标函数可以写成：

minimize:  Var[ Π(S, σ_ATM, skew, curvat, ...) ]
subject to: 对冲成本 ≤ 预算上限

其中Π是组合价值，S是标的价格，σ_ATM、skew、curvat是曲面参数。我们想找一组现货头寸，让组合对曲面参数的变化最不敏感。

一个简化示例

假设组合里只有两个头寸：一个ATM Call（行权价100，到期30天），一个OTM Put（行权价95，到期30天）。曲面参数我们简化成两个：ATM波动率σ₀和偏斜斜率s。

每个头寸的Delta可以写成：

Δ_call = Δ_BS(S, K=100, σ₀, s)  
Δ_put  = Δ_BS(S, K=95,  σ₀, s)

注意，这里的Δ_BS不是标准Black-Scholes Delta，而是嵌入了曲面参数的修正Delta。我习惯用随机波动率模型下的近似公式，但为了演示，这里用数值差分。

组合的总Delta对曲面参数的敏感度是：

∂Δ_total/∂σ₀ = ∂Δ_call/∂σ₀ + ∂Δ_put/∂σ₀  
∂Δ_total/∂s   = ∂Δ_call/∂s   + ∂Δ_put/∂s

如果这两个敏感度很大，说明曲面稍微动一下，你的Delta就偏了。最优对冲比率就是要让这两个敏感度尽可能接近0。

代码实现片段

下面是我常用的Python实现框架。注意，这里用了数值差分，实际生产环境我会用解析梯度，速度更快。

import numpy as np
from scipy.optimize import minimize

def optimal_hedge_ratio(positions, S, sigma_atm, skew, curvat):
    """
    positions: list of (K, T, option_type, quantity)
    S: 标的价格
    sigma_atm, skew, curvat: 曲面参数
    """
    def portfolio_delta(h):
        # h是现货头寸
        total_delta = h
        for K, T, opt_type, qty in positions:
            delta = calc_delta_with_skew(S, K, T, sigma_atm, skew, curvat, opt_type)
            total_delta += delta * qty
        return total_delta
    
    def objective(h):
        # 目标：让组合Delta对曲面参数的敏感度最小
        eps = 1e-4
        d_delta_dsigma = (portfolio_delta(h, sigma_atm+eps) - portfolio_delta(h, sigma_atm-eps)) / (2*eps)
        d_delta_dskew = (portfolio_delta(h, skew+eps) - portfolio_delta(h, skew-eps)) / (2*eps)
        return d_delta_dsigma**2 + d_delta_dskew**2
    
    result = minimize(objective, x0=0.0, method='BFGS')
    return result.x[0]

曲面特征与对冲比率的映射关系

为了让你更直观地理解，我整理了一张表。这是基于历史数据回测得到的经验规律：

曲面特征	对冲比率调整方向	调整幅度参考
ATM波动率上升	增加对冲比率	+0.05 ~ +0.15
偏斜斜率变陡	减少对冲比率	-0.08 ~ -0.12
曲率增大	增加对冲比率	+0.03 ~ +0.10
期限结构变陡	减少对冲比率	-0.05 ~ -0.08

你看，这些调整方向并不是直觉上能直接猜出来的。比如偏斜变陡，按理说尾部风险变大，应该多对冲才对。但实际回测发现，偏斜变陡时，OTM期权的Gamma会快速衰减，导致组合的净Gamma下降，反而需要减少对冲。

曲面结构图：最优对冲比率的决策流程

下面这张图是我自己画的，展示了从曲面数据到最优对冲比率的完整流程。你可以把它当作一个决策地图。

这个流程看起来简单，但每一步都有坑。比如特征提取阶段，我建议用主成分分析（PCA）降维，把十几个曲面参数压缩到3-4个主成分。为什么？因为参数太多，优化问题会变得病态，解出来的对冲比率不稳定。我试过用全部参数，结果回测时对冲比率一天变好几次，交易成本高得吓人。

实战中的注意事项

• 不要过度优化：曲面参数本身有噪声，过度拟合会导致对冲比率频繁变动。我一般用滚动窗口估计，窗口长度至少是曲面参数自相关长度的3倍。
• 考虑交易成本：最优对冲比率理论上可以精确到小数点后四位，但实际交易中，每次调整都有成本。我建议设置一个死区——只有当最优比率与当前比率之差超过某个阈值（比如0.02）时，才执行对冲。
• 定期校准：曲面参数会随时间变化，我习惯每天开盘前重新计算一次最优对冲比率。如果市场波动剧烈，盘中也会加算一次。

好了，这一节的内容就到这里。记住，曲面不是摆设，它是你决策的罗盘。用好了，你的Gamma交易会稳很多。

---

公众号:蓝海资料掘金营，微信deep3321