离散度交易（dispersion trading）：从波动率差异中获利

什么是离散度交易？

定义： 离散度交易利用的是 指数波动率 （例如 SPX、NDX）与 指数成分股的平均波动率 （AAPL、MSFT、GOOGL 这样的个股）之间的落差。

核心洞见

指数波动率取决于两件事：

1. 成分股波动率： 每只股票波动多大
2. 相关性： 这些股票同向运动的程度

数学关系：

关键洞见： 当相关性（ρ）很高时（股票同涨同跌），指数波动率 ≈ 成分股平均波动率。当相关性很低时（股票各走各的），指数波动率低于成分股波动率。

交易怎么做：

• 当相关性很高时： 指数波动率相对成分股偏"贵" → 卖出指数波动率，买入成分股波动率
• 当相关性很低时： 指数波动率相对成分股偏"便宜" → 买入指数波动率，卖出成分股波动率

谁在用这个策略？

背后的数学：为什么指数波动率 ≠ 成分股波动率之和

简单示例：两只股票构成的指数

设想一个由两只股票等权构成的指数（各占 50%）：

• 股票 A 波动率：30%
• 股票 B 波动率：30%

情形 1：完全相关（ρ = 1.0）

• 指数波动率 = 30%（与成分股相同）
• 没有离散度机会

情形 2：零相关（ρ = 0）

• 指数波动率 = √(0.5² × 30² + 0.5² × 30²) = 21.2%
• Dispersion = 30% - 21.2% = 8.8%
• 交易： 买入指数跨式（21% 的便宜波动率），卖出 A 和 B 的跨式（30% 的昂贵波动率）

情形 3：负相关（ρ = -0.5）

• 指数波动率 = 18.4%
• Dispersion = 30% - 18.4% = 11.6% （差距更大）

离散度为什么存在

策略机制：做多指数，做空成分股

经典的离散度交易

建仓设定： SPX 报 4,000 点，30 天隐含波动率为 20%

第 1 步：买入指数跨式

• 买入 1 张 SPX 4000 认购期权，价格 80 美元（隐含波动率 20%）
• 买入 1 张 SPX 4000 认沽期权，价格 80 美元（隐含波动率 20%）
• 总成本： 16,000 美元（80 × 2 × 100 美元合约乘数）
• 敞口： 做多波动率，做多 gamma，做空 theta

第 2 步：卖出成分股跨式（按 delta 加权）

SPX 有 500 只股票，但前 10 大就占了指数 30% 以上。在权重最大的成分股上卖出跨式：

第 3 步：对冲 delta

• 这些跨式带有净 delta（并非完全平值）
• 通过买卖 SPY 或 /ES 期货把仓位调回 delta 中性
• 目标： 让盈亏由波动率驱动，而不是由方向驱动

第 4 步：每日再对冲

• SPX 一动，delta 就变（gamma 风险）
• 每天调整对冲，保持 delta 中性
• 成本： 交易成本（每次再对冲 0.01-0.05%）

盈利情形

亏损情形

案例研究：Citadel 在 2020 年 3 月的离散度交易

背景

据报道，2020 年 3 月，Citadel 旗下的 Wellington 与 Tactical Trading 基金通过波动率策略盈利超过 30 亿美元 ，其中离散度交易是关键组成部分。

背景设定（2020 年 3 月初）

这笔交易

3 月初（恐慌之前）： 买入远月 SPX 跨式（便宜），卖出近月成分股跨式（贵）

仓位（假设名义本金 1000 万美元）：

• 做多 100 张 SPX 3000 跨式（6 月到期），每张 300 美元 = 支出 300 万美元
• 做空 500 张成分股跨式（4 月到期），分布在 AAPL、MSFT、AMZN、GOOGL 等，平均每张 25 美元 = 收入 125 万美元
• 净支出： $1.75M

后来发生了什么

1. 相关性崩塌： 科技股（AMZN、NFLX、ZM）大涨，旅游和石油股（AAL、XOM）崩盘 → ρ 从 0.80 跌到 0.50
2. 指数波动率上冲更快： 机构恐慌性买入 SPX 认沽期权 → VIX 冲到 82%，SPX 跨式价值翻倍
3. 已实现离散度爆发： 个股已实现波动率超过 100%，而 SPX 已实现波动率"只有"70-80%

离场（3 月下旬）

3 月 23 日（底部）：

• SPX 跨式涨到 600 美元（原为 300 美元）→ 盈利 +3000 万美元
• 成分股跨式涨到 40 美元（原为 25 美元）→ 亏损 -750 万美元
• 净盈亏： 以 175 万美元的风险敞口赚到 +2250 万美元 = +1,286% 回报

日历离散度：利用波动率期限结构

什么是日历离散度？

不是在指数与成分股之间做交易，而是交易 近月与远月之间的离散度:

• 近月离散度： 通常较低（短期相关性高）
• 远月离散度： 通常较高（长期相关性较低，不确定性更大）

交易： 卖出近月离散度（收取 theta），买入远月离散度（作为尾部对冲）

日历离散度什么时候有效

Python 实现

计算 SPX 离散度

import yfinance as yf
import pandas as pd
import numpy as np

def calculate_dispersion(index_ticker='SPY', components=None, days=30):
    """
    计算隐含波动率离散度
    """
    if components is None:
        # SPX 前 10 大成分股（简化处理）
        components = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'NVDA',
                      'META', 'TSLA', 'BRK-B', 'UNH', 'JNJ']

    # 获取指数隐含波动率（此处用历史波动率代替，也可从期权链抓取隐含波动率）
    index_data = yf.Ticker(index_ticker).history(period=f'{days*2}d')
    index_returns = index_data['Close'].pct_change()
    index_vol = index_returns.std() * np.sqrt(252) * 100  # 年化百分比

    # 获取成分股隐含波动率
    component_vols = []
    weights = []

    for ticker in components:
        try:
            data = yf.Ticker(ticker).history(period=f'{days*2}d')
            returns = data['Close'].pct_change()
            vol = returns.std() * np.sqrt(252) * 100
            component_vols.append(vol)

            # 等权重（简化处理；实际计算使用市值加权）
            weights.append(1 / len(components))
        except:
            print(f"Error fetching {ticker}")
            continue

    # 成分股加权平均波动率
    avg_component_vol = np.average(component_vols, weights=weights)

    # 离散度
    dispersion = avg_component_vol - index_vol

    # 隐含相关性（简化处理）
    # σ_index² = Σw²σ² + ΣΣww'ρσσ'
    # 等权重情况下： ρ ≈ (σ_index² - σ_avg²/n) / (σ_avg²(1-1/n))
    n = len(components)
    implied_corr = (index_vol**2 - avg_component_vol**2 / n) / (avg_component_vol**2 * (1 - 1/n))

    return {
        'index_vol': index_vol,
        'avg_component_vol': avg_component_vol,
        'dispersion': dispersion,
        'implied_correlation': implied_corr,
        'component_vols': dict(zip(components, component_vols))
    }

# 运行扫描器
result = calculate_dispersion()
print(f"Index Vol: {result['index_vol']:.2f}%")
print(f"Avg Component Vol: {result['avg_component_vol']:.2f}%")
print(f"Dispersion: {result['dispersion']:.2f}% pts")
print(f"Implied Correlation: {result['implied_correlation']:.2f}")

if result['dispersion'] > 5:
    print("\n🚨 HIGH DISPERSION - Consider LONG dispersion trade")
elif result['dispersion'] < 2:
    print("\n✅ LOW DISPERSION - Consider SHORT dispersion trade")
else:
    print("\n➡️ NORMAL DISPERSION - No clear signal")

回测框架

import yfinance as yf
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def backtest_dispersion_strategy(start_date='2015-01-01', capital=100000):
    """
    简单的离散度回测：
    - 离散度高于 6% 时做多离散度
    - 离散度低于 3% 时做空离散度
    """
    spy = yf.download('SPY', start=start_date)['Adj Close']

    # 计算 30 天滚动离散度
    results = []

    for i in range(60, len(spy), 5):  # 每 5 天检查一次
        end_date = spy.index[i]
        start_calc = spy.index[i-60]

        # 计算离散度
        disp = calculate_dispersion(days=30)

        # 信号
        if disp['dispersion'] > 6:
            signal = 'LONG'  # 买入指数跨式，卖出成分股跨式
            expected_return = 0.03  # 离散度收敛时平均回报 3%
        elif disp['dispersion'] < 3:
            signal = 'SHORT'  # 卖出指数跨式，买入成分股跨式
            expected_return = 0.02  # 来自 theta 的平均回报 2%
        else:
            signal = 'NEUTRAL'
            expected_return = 0

        results.append({
            'date': end_date,
            'dispersion': disp['dispersion'],
            'signal': signal,
            'return': expected_return
        })

    df = pd.DataFrame(results)
    df['cumulative_return'] = (1 + df['return']).cumprod()
    df['portfolio_value'] = capital * df['cumulative_return']

    # 绩效指标
    total_return = df['cumulative_return'].iloc[-1] - 1
    years = (df['date'].iloc[-1] - df['date'].iloc[0]).days / 365.25
    cagr = (1 + total_return) ** (1 / years) - 1
    sharpe = df['return'].mean() / df['return'].std() * np.sqrt(252/5)

    print(f"Total Return: {total_return*100:.2f}%")
    print(f"CAGR: {cagr*100:.2f}%")
    print(f"Sharpe Ratio: {sharpe:.2f}")
    print(f"Final Portfolio Value: ${df['portfolio_value'].iloc[-1]:,.0f}")

    return df

# 运行回测
backtest_df = backtest_dispersion_strategy()

历史回测（2010-2023）

策略表现

逐年拆解

风险管理与对冲

1. 仓位规模

2. 止损

3. delta 对冲纪律

至关重要： 离散度是波动率交易，不是方向性交易。必须保持 delta 中性：

• 对冲频率： 每天一次（若每 10 万美元组合的 delta 敞口超过 1 万美元）
• 对冲工具： SPY 股票、/ES 期货或指数期权
• 成本： 每次再对冲 0.01-0.05%（交易成本加滑点）

4. vega 风险管理

离散度交易同时持有多头和空头 vega，因此需要监控 vega 风险：

# 示例仓位
index_straddle_vega = 50  # 隐含波动率每变动 1%，价值变动 50 美元
component_straddles_vega = -45  # 卖出成分股产生的 vega 空头

net_vega = index_straddle_vega + component_straddles_vega  # +$5

# 若 VIX 上升 5%，盈亏影响 = net_vega * 5 = +25 美元
# 若 VIX 下跌 5%，盈亏影响 = -25 美元

print(f"Net Vega Exposure: ${net_vega}")
print("Risk: Small vega exposure is OK, but >$500 per contract = too much risk")

需要避开的常见错误

适合散户的落地方式

推荐券商

最后的想法

离散度交易是 Citadel、Jane Street 和 Susquehanna 这些顶级期权交易台持续创造 alpha 的方式。这个策略利用的是指数波动率与成分股波动率之间的数学关系，在相关性失效时获利。

核心优势：

• 市场中性： 做了 delta 对冲，没有方向性敞口
• 危机对冲： 市场恐慌时，做多离散度可赚 +30-40%
• 稳定收益： 平静市场中，做空离散度可收取 theta
• 低相关性： 回报与股票和债券不相关

现实的预期：

• 动态策略的年化复合增长率： 12-18%
• 夏普比率： 1.0-1.3
• 最大回撤： -15% 至 -25%
• Win Rate: 60-65%

下一步：

1. 用 Python 离散度计算器跑一遍当前市场
2. 关注 CBOE DSPX 指数，建立历史参照
3. 模拟盘交易 3 个月（ThinkorSwim 或 TastyTrade）
4. 若夏普高于 0.8，从 2-5% 的配置起步
5. 逐步加仓（最多占组合的 10-15%）