10. 日历套利识别：如何识别不同到期日之间的套利机会
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定价偏差来赚钱。我刚开始做期权交易那会儿，总觉得这玩意儿挺玄乎——同一个股票，不同月份的价格还能差出套利空间来？后来踩过几次坑才明白，市场有时候真的会「犯糊涂」。
10.1 日历套利的底层逻辑
先想一个问题：为什么不同到期日的期权价格会有差异？
核心原因就一个——时间价值衰减的速度不一样。近月合约的时间价值衰减快，远月合约衰减慢。正常情况下，这种差异会体现在价格上，形成一条平滑的期限结构曲线。
但市场有时候会抽风。比如某天突然出了个消息，近月合约被爆炒，远月合约还没反应过来。这时候，近月合约就贵了，远月合约相对便宜。你想想看，这不就是机会吗？
日历套利的本质：做多时间价值衰减慢的合约，做空时间价值衰减快的合约，赚取两者之间的时间价值差。
10.2 识别套利机会的三个关键指标
我在项目中遇到过不少假信号，后来总结出三个必须看的指标：
- 隐含波动率期限结构——不同到期日的IV是否出现异常扭曲
- 日历价差的理论值——实际价格与理论价格之间的偏离程度
- 持仓成本与资金占用——别光看收益，忘了算成本
10.3 实战：用Python扫描日历套利机会
嗯，这里直接上代码。我个人习惯用Python做实时扫描，逻辑其实不复杂：
import numpy as np
import pandas as pd
from scipy.stats import norm
def black_scholes_price(S, K, T, r, sigma, option_type='call'):
"""计算欧式期权理论价格"""
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 find_calendar_arbitrage(chain_data, S, r=0.03):
"""
扫描日历套利机会
chain_data: DataFrame, 包含到期日T, 行权价K, 市场价market_price, 类型type
"""
opportunities = []
for i in range(len(chain_data)):
for j in range(i+1, len(chain_data)):
opt1 = chain_data.iloc[i]
opt2 = chain_data.iloc[j]
# 只比较相同行权价、相同类型的合约
if opt1['K'] != opt2['K'] or opt1['type'] != opt2['type']:
continue
T1, T2 = opt1['T'], opt2['T']
if T1 >= T2: # 确保T1是近月
T1, T2 = T2, T1
opt1, opt2 = opt2, opt1
# 计算理论价差
sigma_avg = (opt1.get('iv', 0.2) + opt2.get('iv', 0.2)) / 2
theoretical_price1 = black_scholes_price(S, opt1['K'], T1, r, sigma_avg, opt1['type'])
theoretical_price2 = black_scholes_price(S, opt2['K'], T2, r, sigma_avg, opt2['type'])
theoretical_spread = theoretical_price2 - theoretical_price1
# 实际价差
actual_spread = opt2['market_price'] - opt1['market_price']
# 偏离度判断
deviation = (actual_spread - theoretical_spread) / theoretical_spread
if abs(deviation) > 0.05: # 偏离超过5%视为机会
opportunities.append({
'K': opt1['K'],
'type': opt1['type'],
'near_month': T1,
'far_month': T2,
'theo_spread': round(theoretical_spread, 4),
'actual_spread': round(actual_spread, 4),
'deviation_pct': round(deviation*100, 2),
'action': '做多价差' if actual_spread < theoretical_spread else '做空价差'
})
return pd.DataFrame(opportunities)
# 使用示例
# chain = pd.DataFrame({...}) # 加载期权链数据
# result = find_calendar_arbitrage(chain, S=100)
# print(result[result['deviation_pct'].abs() > 5])10.4 日历套利的核心逻辑图
下面这张图是我自己总结的，把整个识别流程串起来了：
10.5 避坑指南
我曾经吃过一次大亏，在这里必须提醒你：
⚠️ 日历套利最大的坑——流动性陷阱
远月合约的流动性通常很差，买卖价差可能吃掉你所有利润。我建议：
- 只做近月合约流动性好的品种
- 远月合约的买卖价差不能超过理论利润的30%
- 先用模拟盘跑两周，再上实盘
💡 我的个人习惯：
每天开盘前跑一遍扫描程序，重点关注偏离度超过8%的配对。如果同时出现3个以上机会，优先选近月合约剩余期限在7-14天的——这个区间的时间价值衰减最快，套利效率最高。
10.6 实战案例：某ETF的日历套利
拿我最近做的一个案例来说吧。某ETF当时价格100元，近月（15天到期）和远月（45天到期）的平值看涨期权出现了明显偏差：
| 合约 | 行权价 | 到期日 | 理论价 | 市场价 | 价差 |
|---|---|---|---|---|---|
| 近月Call | 100 | 15天 | 2.15 | 2.35 | +0.20（偏贵） |
| 远月Call | 100 | 45天 | 3.80 | 3.65 | -0.15（偏便宜） |
| 日历价差（远月-近月） | 1.65 | 1.30 | 偏离 -21.2% | ||
实际价差1.30，理论价差1.65，偏离了21%。这意味着什么？远月合约相对近月合约被低估了。操作上就是：买入远月Call，卖出近月Call，做多日历价差。
持有到近月到期，只要标的没出现剧烈波动，这个价差就会回归。那次我拿了12天，价差从1.30回到了1.55，净赚0.25个点，扣除手续费还有15%的收益。
10.7 什么时候该放弃？
不是所有偏离都值得做。我给自己定了三条红线：
- 偏离度小于5%——大概率是噪音，不够覆盖交易成本
- 远月合约的隐含波动率比近月高太多——可能有你不知道的利空消息
- 临近财报或重大事件——日历套利最怕事件风险，波动率会瞬间扭曲
说白了，日历套利赚的是「时间」的钱，不是「方向」的钱。一旦市场预期发生突变，时间价值规律就会被打破。嗯，这个分寸感，得靠实盘慢慢磨出来。
公众号:蓝海资料掘金营，微信deep3321