第二十五章：高级话题：多资产波动率曲面套利、跨市场套利

聊完了单资产的波动率曲面，咱们得把格局打开。

说实话，真正的套利机会，往往不在一个市场里。你盯着一个标的的曲面看，顶多抓点局部定价偏差。但如果你把视野拉到多个资产、多个市场，你会发现——嗯，这里面的门道深了去了。

25.1 多资产波动率曲面：相关性才是核心

多资产波动率曲面，不是简单地把几个单资产曲面拼在一起。它真正的灵魂是相关性结构。

我个人的习惯是，先看两个资产各自的隐含波动率曲面，然后重点分析它们的隐含相关性。比如标普500和纳斯达克100，它们的历史相关性大概在0.85左右。但期权市场隐含的相关性，有时候会跑到0.9以上，有时候又跌到0.7以下。

我在2022年就遇到过这么一次。当时美股科技股暴跌，纳斯达克100的波动率飙到40%以上，但标普500的波动率才25%。两个曲面的形状完全扭曲了。我算了一下隐含相关性，居然高达0.95——这明显不合理。历史相关性才0.82左右。

我当时做了什么？我卖出了一组跨资产价差期权，赌相关性回归。说白了，就是同时卖出标普500的看跌期权和纳斯达克100的看涨期权，利用它们之间的相关性偏差赚钱。结果呢？两周后相关性回落到0.85，这笔交易赚了大概15%的收益。

25.2 跨市场套利：同一标的，不同市场

跨市场套利，说白了就是同一个标的，在不同交易所或者不同产品形式上的波动率曲面存在价差。

举个例子：

• 标普500的ETF期权（SPY）
• 标普500的指数期权（SPX）
• 标普500的期货期权（ES）

这三个市场，理论上波动率曲面应该高度一致。但实际中，因为流动性、交易时间、参与者结构的不同，经常会出现偏差。

你想想看，这种套利风险极低。因为两个标的本质上追踪同一个指数，只是产品形式不同。只要价差回归，你就赚钱。我曾经连续三个月，每个月靠这个策略稳定赚0.5%的收益。虽然不多，但胜在稳定。

25.3 跨品种套利：相关性套利的进阶玩法

跨品种套利，玩的是不同资产之间的波动率关系。比如：

• 黄金和白银
• 原油和天然气
• 欧元和英镑

这些资产之间，通常有较强的经济关联性。但期权市场有时候会定价错误。

我记得有一次，黄金和白银的隐含相关性突然飙升到0.9以上。原因是市场恐慌，大家都在买黄金避险，顺便把白银也带起来了。但白银的基本面其实很差——工业需求在下降。我当时判断，这个高相关性不可持续。

我怎么做？我卖出了黄金和白银的价差期权组合。具体来说，就是同时卖出黄金的看涨期权和白银的看跌期权。这样，如果相关性回归，两个期权都会赚钱。结果呢？一周后白银暴跌，黄金微跌，相关性直接掉到0.75。这笔交易赚了20%以上。

25.4 多资产波动率曲面的建模方法

要系统性地做多资产套利，你得有个模型。我个人推荐使用协方差矩阵分解法。

基本思路是这样的：

1. 先对每个资产单独建模，得到各自的波动率曲面
2. 然后估计资产之间的协方差矩阵
3. 最后用主成分分析（PCA）提取主要风险因子

代码实现大概长这样：

import numpy as np
from sklearn.decomposition import PCA

# 假设我们有3个资产的波动率曲面数据
# 每个曲面是20x20的网格，展平后是400维
surfaces = np.array([surface1, surface2, surface3])  # shape: (3, 400)

# 计算协方差矩阵
cov_matrix = np.cov(surfaces)

# PCA分解
pca = PCA(n_components=2)
pca.fit(surfaces)

# 提取主成分
components = pca.components_  # shape: (2, 400)
explained_variance = pca.explained_variance_ratio_

print(f"前两个主成分解释了 {explained_variance.sum():.2%} 的方差")

嗯，这里要注意。PCA的结果能告诉你，哪些波动率变动是共性的，哪些是个性的。共性的部分，你可以用跨资产对冲来消除。个性的部分，才是真正的套利机会。

25.5 实战中的避坑指南

做多资产套利，我踩过的坑不少。分享几个：

• 流动性陷阱：有些市场的期权流动性很差，你看到的报价可能根本成交不了。我曾经在某个小交易所看到黄金和白银的价差很大，结果一挂单，直接被吃掉了——原来那是做市商的陷阱。
• 时间不同步：不同市场的交易时间不一样。比如SPY和SPX，SPY交易到下午4点，SPX交易到下午4:15。这15分钟的差异，可能导致价差看起来很大，其实是时间错位造成的。
• 汇率风险：如果你做的是跨市场套利，比如美股和港股，别忘了汇率波动。我曾经因为忽略汇率，一笔本来赚钱的交易，最后反而亏了。

25.6 知识体系结构图