0DTE 期权微观结构与 gamma 钉住效应

0DTE 的崛起：已占 SPX 成交量的一半以上

从月度到期走向每日到期

在 2022 年之前，标普 500 指数期权（SPX）最快也只是每周到期一次。 CBOE 推出每日到期合约后，每一个交易日第一次都拥有了自己的当日到期（0DTE，即零天到期）期权链。结果它并没有成为一个小众产品——它成了 SPX 交易的主流形态。

根据 CBOE Global Markets Research 的数据， 0DTE 合约如今经常占到标普 500 期权总成交量的 50% 以上，在单个交易日内即是如此；而在 FOMC 议息日、CPI 数据日和季度指数再平衡前后，这一比例还会明显更高。J.P. Morgan 的量化与衍生品策略团队已多次发出警告：这种成交量迁移在结构上改变了日内波动率的运行方式。

谁在交易 0DTE，以及为什么这件事重要

0DTE 的订单流由三类差异极大的参与者混合而成 ——正是他们合在一起留下的足迹，制造了本文要讲的 gamma 动态：

为什么 2022 年之前不可能出现这种情况

周度和月度期权的 gamma 敏感度衰减得很慢。 除非标的出现大幅波动，否则一份月度期权的 delta 每天几乎不动。而一份 0DTE 期权的 delta，可能在指数只走了平常的 0.5% 的一个下午里，就从 0.10 蹿到 0.90——因为已经没有时间价值来缓冲这个变化了。正是这种被压缩的 gamma，使得做市商的对冲流相对于期权本身的权利金而言，比以往任何一种期权格局都大得多。

做市商对冲入门：market-maker 为什么不做方向

核心机制

卖出期权的 market-maker（做市商）并不想押注市场方向——他们要赚的是买卖价差，以及隐含波动率溢价。 为了保持方向中性，他们会不断买入或卖出标的（或期货），以抵消期权账本上的 delta。这就是 delta 对冲，而且完全是机械式的——不论做市商自己怎么看后市，这个动作都会发生。

两种对冲状态

做市商的对冲究竟是抑制还是放大波动率，完全取决于他们在净额上是持有多头 gamma 还是空头 gamma：

净 gamma 敞口（GEX）：正值与负值两种状态

GEX 的定义

净 gamma 敞口（GEX） 是对整个做市商群体总体 gamma 头寸的全市场估算，由挂牌期权链的未平仓量和希腊字母推算而来。在机构的 0DTE 研究中，它是被引用最多的代理指标，用来预判某个交易日会被钉住还是会剧烈波动。

GEX_t = Σ (OI_call_k * Gamma_call_k - OI_put_k * Gamma_put_k) * ContractMultiplier * Spot^2 * 0.01

其中：
  OI_call_k, OI_put_k = 行权价 k 上的未平仓量
  Gamma_call_k, Gamma_put_k = 行权价 k 上的 Black-Scholes gamma
  ContractMultiplier = 100（SPX 标准合约乘数）
  Spot = 当前指数点位

标准约定（CBOE 和多数第三方 GEX 面板都采用）假设做市商是净卖出看跌期权、净买入看涨期权，因为他们要向公众卖出合约，这也是典型的散户与机构订单流形态——不过在机构大量卖出看跌期权赚取收益的日子里（0DTE 的 iron condor 策略中很常见），这个假设就不成立了。这正是 GEX 只是一个方向性估计、而非确定结论的原因。

零 gamma 翻转位

由于 GEX 是逐个行权价计算的，而做市商的 gamma 敞口会随着现货穿过各个行权价而变化，因此存在一个特定的指数点位——"零 gamma 位"或"翻转点"——总体 GEX 会在那里由正转负。 CBOE Research 和多家卖方团队每天都会发布对这一点位的估算。当现货交易在翻转点上方时，市场往往表现为被钉住的低波动状态；跌到下方，同一个市场却可能变成单边趋势的高波动状态—— 同一个指数、同一天，价格落在翻转位的哪一边，行为在结构上就完全不同。

下午 3:30 钉住与冲刺的机制

为什么最后 30 到 90 分钟不一样

在交易日的最后一小时里，0DTE 期权已经没有任何时间价值——权利金里剩下的每一分钱都是纯粹的内在价值敏感度。 这正是 gamma 最极端的时刻，也正是当天早些时候建立的大额 0DTE 头寸最接近以价内或价外到期的时刻。临近收盘还在对冲大账本的做市商，必须随着 gamma 冲顶而下出越来越大、越来越快的期货单。

"钉住"

当做市商带着净多头 gamma 走向收盘时，他们的对冲会自然地把指数推向未平仓量最大的那个行权价 ——价格涨到该位之上就卖，跌到该位之下就买。这制造出一种被称为"钉住"的磁铁效应：指数会被吸向某个成交密集的行权价，并常常收在它附近（这个价位往往是 50 点或 100 点整数关口的 SPX 点位）。

"冲刺"

当做市商带着净空头 gamma 走向收盘时，情况正好相反——对冲流会去追行情，而不是逆着做， 于是在最后 30 到 60 分钟里出现一段有方向的"冲刺"，它与消息面毫无关系，完全来自机械式的再平衡。J.P. Morgan 的研究特别指出，尾盘冲刺是负 GEX 交易日反复出现的特征。

Python 实现：实时现货 gamma 失衡

完整实现： 期权链数据接入、Black-Scholes gamma 计算、按行权价汇总 GEX、零 gamma 翻转点识别。

完整 Python 代码

"""
0DTE 现货 gamma 失衡计算器
面向散户改造的 GEX 估算，数据来自公开的期权链

Author: Plan My Retire
Date: March 2026
"""

import numpy as np
import pandas as pd
from scipy.stats import norm
from datetime import datetime

class SpotGammaImbalance:
    """
    根据公开的 SPX/SPY 期权链快照，估算做市商总体的
    净 gamma 敞口（GEX）。

    约定：假设做市商净卖出看跌期权 / 净买入看涨期权
    （标准的散户订单流假设，参见 CBOE 的 GEX 方法论说明）。
    """

    def __init__(self, spot_price, risk_free_rate=0.045):
        self.spot = spot_price
        self.r = risk_free_rate

    def bs_gamma(self, strike, time_to_expiry, iv):
        """
        给定行权价上的 Black-Scholes gamma。
        time_to_expiry 以年为单位（0DTE 用的是一个交易日的比例）。
        """
        if time_to_expiry <= 0 or iv <= 0:
            return 0.0
        d1 = (np.log(self.spot / strike) +
              (self.r + 0.5 * iv ** 2) * time_to_expiry) / (iv * np.sqrt(time_to_expiry))
        gamma = norm.pdf(d1) / (self.spot * iv * np.sqrt(time_to_expiry))
        return gamma

    def strike_gex(self, strike, call_oi, put_oi, iv, time_to_expiry,
                   contract_multiplier=100):
        """
        单个行权价所贡献的美元 gamma 敞口。
        正值 = 做市商在该行权价上持多头 gamma（来自卖出的看跌期权）。
        负值 = 做市商在该行权价上持空头 gamma（来自卖出的看涨期权，
        该假设在此有意省略，见下方说明）。
        """
        gamma = self.bs_gamma(strike, time_to_expiry, iv)

        # 做市商约定：卖出看跌带来多头 gamma，卖出看涨带来空头 gamma
        call_component = -call_oi * gamma
        put_component = +put_oi * gamma

        dollar_gex = (call_component + put_component) * contract_multiplier * (self.spot ** 2) * 0.01
        return dollar_gex

    def compute_gex_profile(self, chain_df, expiry_datetime, iv_col='iv'):
        """
        chain_df columns required: ['strike', 'call_oi', 'put_oi', iv_col]
        返回一个 DataFrame，含逐个行权价的 GEX 与累计 GEX。
        """
        now = datetime.now()
        seconds_to_expiry = max((expiry_datetime - now).total_seconds(), 1)
        time_to_expiry = seconds_to_expiry / (365 * 24 * 3600)

        results = []
        for _, row in chain_df.iterrows():
            gex = self.strike_gex(
                strike=row['strike'],
                call_oi=row['call_oi'],
                put_oi=row['put_oi'],
                iv=row[iv_col],
                time_to_expiry=time_to_expiry
            )
            results.append({'strike': row['strike'], 'gex': gex})

        profile = pd.DataFrame(results).sort_values('strike').reset_index(drop=True)
        profile['cumulative_gex'] = profile['gex'].cumsum()
        return profile

    def find_zero_gamma_flip(self, profile):
        """
        定位累计 GEX 穿越零轴处最近的那个行权价。
        它近似于分隔钉住状态（上方）与趋势状态（下方）的
        翻转点。
        """
        signs = np.sign(profile['cumulative_gex'])
        flip_idx = np.where(np.diff(signs) != 0)[0]

        if len(flip_idx) == 0:
            return None

        idx = flip_idx[0]
        strike_lo = profile.iloc[idx]['strike']
        strike_hi = profile.iloc[idx + 1]['strike']
        return (strike_lo + strike_hi) / 2

    def classify_regime(self, total_gex, threshold=1e9):
        """
        面向交易面板的简单三档分类。
        threshold 需要按具体标的的典型 GEX 量级来校准
        （SPX 的美元 GEX 远大于 SPY）。
        """
        if total_gex > threshold:
            return "POSITIVE_GEX_PINNING_LIKELY"
        elif total_gex < -threshold:
            return "NEGATIVE_GEX_TRENDING_LIKELY"
        else:
            return "NEUTRAL_TRANSITION_ZONE"


# 用法示例
if __name__ == "__main__":
    spot = 5850.0
    calculator = SpotGammaImbalance(spot_price=spot)

    # 期权链快照示例（生产环境中应从实时期权数据供应商拉取）
    chain = pd.DataFrame({
        'strike':  [5750, 5800, 5825, 5850, 5875, 5900, 5950],
        'call_oi': [1200, 3400, 5100, 8900, 4200, 2100, 900],
        'put_oi':  [2800, 6200, 7400, 5100, 2300, 1100, 500],
        'iv':      [0.14, 0.13, 0.125, 0.12, 0.125, 0.13, 0.145]
    })

    expiry = datetime.now().replace(hour=16, minute=0, second=0)
    profile = calculator.compute_gex_profile(chain, expiry)

    total_gex = profile['gex'].sum()
    flip_point = calculator.find_zero_gamma_flip(profile)
    regime = calculator.classify_regime(total_gex)

    print(f"Spot: {spot}")
    print(f"Total Dollar GEX: ${total_gex:,.0f}")
    print(f"Zero Gamma Flip Point: {flip_point}")
    print(f"Regime: {regime}")

散户可行的结构：iron butterfly 与 iron condor

散户没法在对冲上胜过做市商，但可以围绕做市商自己制造出的那些状态信号来布局。 收取 0DTE 权利金的两种标准结构是 iron butterfly（铁蝶式：更窄、权利金更高、偏向钉住状态）和 iron condor（铁鹰式：更宽、权利金更低、对中等幅度的行情更宽容）。

Iron butterfly（钉住状态）

Iron condor（容忍度更宽）

风险管理：delta 止损与尾部保护

为什么固定止损在 0DTE 上会失效

对一个 0DTE 头寸设置固定金额或固定百分比的止损，可能毫无用处 ——在时间价值归零之后，最后一小时由 gamma 驱动的行情里，价格可以在两个报价之间直接跳过止损位。机构的 0DTE 交易台改为监控 持仓结构的 delta 敞口 并在它突破阈值时立刻行动，而不是等着基于价格的止损被触发。

仓位控制：唯一真正保护你的杠杆

卖出权利金的 0DTE 策略，收益形态与买入期权正好互为镜像：频繁的小赢，偶尔的大亏。 无论入场信号的时点把握得多好，都不会改变这个形态。唯一持久的保护，是把每一笔交易的规模控制到：最大亏损（翼宽减去收到的权利金）只占账户资金中一个事先定好的小比例——机构的 0DTE 账本每个结构承担的风险通常远低于资金的 1%，原因恰恰在于，尾部事件是"什么时候发生"，而不是"会不会发生"。

示意性业绩

下面的数字是对一个以 GEX 为筛选条件、卖出权利金的 0DTE 方案的收益形态所做的假设性示意 ——它们不是业绩记录，也不承诺能取得类似结果。列出它们只是为了把风险与回报的形态说具体，而不是暗示这件事可以预测。

让 0DTE 卖方爆仓的常见错误

你的行动计划

第 1 阶段：研究状态，什么都别交易（2 到 4 周）

时间安排： 在投入任何资金之前，先养成查看 GEX 状态的习惯。

1. 每天跟踪一个公开的 GEX 面板 （有若干免费和付费的第三方面板会发布 SPX 零 gamma 翻转点估算）
2. 每天早上把你对状态的判断记录下来 （正值/负值/中性），并记下当天实际的走势表现
3. 把你的记录与实际的日内振幅做对比 以便在真正用它下单之前，对这个信号建立起经过校准的信心

第 2 阶段：小仓位、风险有限的结构（1 到 3 个月）

时间安排： 从你的券商允许的最小可交易规模开始。

1. 只在 GEX 明确为正的日子交易 ——凡是靠近翻转点或位于预定事件之前的日子，一律跳过
2. 先做 iron condor，再做 iron butterfly ——翼更宽、胜率更低，但在你校准阶段尾部亏损更小
3. 每个结构承担的风险低于资金的 1% ——没有例外，不管你对状态的判断看起来多有把握
4. 记录每笔交易实际走过的 delta 路径，而不只是进出场价格，以便优化你的 delta 止损阈值

第 3 阶段：系统化放大（6 个月以上）

时间安排： 只有在整整一个季度里都做到了有纪律的小仓位执行，且数字上确实显示出真实优势之后，才进入这一步。

1. 把 GEX 状态检查自动化 用上面的 Python 框架对接付费的实时数据源
2. 把 delta 止损规则写成明文 让离场不再是压力之下的临场判断
3. 为每周的相关联敞口设上限，而不只是单笔交易的敞口，然后才考虑加大规模

推荐阅读

• 机构研究：
  • CBOE Global Markets Research——关于 0DTE 成交量与 GEX 方法论的出版物
  • J.P. Morgan QDS（Kolanovic 与 Cheng）——关于 0DTE 市场结构与做市商持仓的研究简报
• 相关 PMR 文章：
  • 方差风险溢价与波动率偏斜套利（配套的做空波动率框架）
  • 订单流失衡、毒性与 market-maker 内部化（关于成交质量的配套文章）