方差风险溢价与波动率偏斜：到底是谁在收钱，收的是什么钱

这笔溢价是一项服务的费用，不是市场的错误

把这个经验事实说得窄一点

在 S&P 500 指数期权的长样本中，期权价格所隐含的波动率，平均而言高于指数在对应窗口内其后实际实现的波动率。 这个缺口——方差风险溢价——是股票衍生品中最持久的量化规律之一，它跨越数十年、跨越不同指数族、跨越市场结构的重大变化，在样本外依然成立。

真正把人毁掉的是紧接着的那个框架。一位交易者看到这个缺口，得出结论说市场 错误定价 了波动率，于是推论说卖出被高估的波动率就是一次套利。这个推论在第一步就错了。 这个缺口不是市场对未来波动率判断错误的证据。它是市场参与者愿意为保护支付超过期望值的价格的证据——就像房主为火灾保险支付超过期望值的保费一样。

谁在买，以及他们为什么心甘情愿地多付

指数波动率的结构性买盘，绝大部分来自那些受托责任决定了尾部亏损远比期权权利金昂贵的机构。 正是这个需求侧创造了溢价，而理解它就能明白为什么这笔溢价不会被套利掉。

没人愿意面对的推论：供给侧的资本约束

如果这笔溢价是承担崩盘风险的补偿，那么溢价的大小就应该随当下可用的崩盘承受能力而变化——事实也确实如此。 真正既愿意又有能力做空凸性的资金池是有限的，因为这项风险无上限、占用资本、而且一旦出错就会遭到剧烈惩罚。当这个池子变大（就像 2016–2017 年做空波动率 ETP 与散户卖权利金规模扩张时那样），溢价就会被压缩。当这个池子在一次冲击中被抹掉时，溢价就会暴涨。

Bekaert 与 Fed：把 VRP 分解为风险与风险厌恶

为什么单看一个 VRP 数字远远不够

Geert Bekaert 及其在 Federal Reserve Board 的同事所做的研究，回答了一个对任何考虑收割这笔溢价的人都极其重要的问题：一个宽阔的方差风险溢价，究竟是在告诉你预期未来波动率很高，还是在告诉你投资者异常恐惧？ 这是两种不同的世界状态，它们要求的交易方向正好相反。

这个框架把期权隐含方差（也就是 VIX 平方那个度量）与预期物理方差之间的缺口，分解成两个概念上相互独立的驱动因素：

为什么这件事比任何入场信号都重要

市面上流通的散户做空波动率系统，几乎全都建立在单个数字的水平或分位数之上——要么是 VIX，要么是 VIX 减去已实现波动率。 Fed 的研究框架告诉你，这个数字是两样东西的合成，而这两样东西的走法不同、预测含义也不同。一个看不见这个分解的系统，会因为表面溢价看起来诱人，而愉快地在不确定性上升的体制里卖出方差——而这恰恰就是产生灾难性亏损的那种局面。

Goldman 的股票衍生品框架：这笔溢价本身也有期限结构

卖方的股票衍生品研究——其中 Goldman Sachs 的股票衍生品团队尤为突出——长期以来都不把方差溢价看作一个数字，而是看作一个曲面：它随到期期限、随行权价、随标的而变化。 落到实处，它的策略含义是：

• 短期方差所带的溢价，按比例通常大于长期方差，因为近端的保护才是对冲者最急需的——而短期同时也是 gamma 风险最猛烈的地方，所以那更高的溢价是在为一项真实的危险付你钱，不是白送。
• 溢价集中在指数方差上，而不是个股方差上。 指数期权承载的是对冲需求；个股期权往往承载的是事件与投机需求，行为方式不同。隐含相关性就是两者之间的楔子，它本身是一笔独立的交易，有它自己的失效模式。
• 溢价在下行一侧的翼部最肥 ——这就是下一节要讲的偏斜故事，而它之所以在那里最肥，背后的原因你应该认真对待，而不是当成机会。

度量 VRP：IV² − RV² 与估计量的陷阱

定义

标准的 30 天方差风险溢价，定义为在匹配的时间跨度上，期权隐含方差与已实现方差之差：

VRP_t = IV²(t, 30d) − RV²(t, 30d)

其中：

  IV(t, 30d)  = 模型无关的 30 天隐含波动率
              ≈ VIX_t / 100   （VIX 就是按模型无关的方式，
                               在 S&P 500 上构建的 30 天隐含波动率）

  IV²(t,30d)  = 隐含方差（年化，单位为小数的平方）

  RV(t, 30d)  = 30 天窗口内的已实现波动率

  RV²(t,30d)  = 已实现方差（年化，单位为小数的平方）


由每日对数收益率构建的已实现方差（r_i = ln(P_i / P_{i-1})）：

              252     n
  RV²  =     ----- ·  Σ   r_i²
               n     i=1

  （收盘对收盘估计量；对应 30 个自然日的窗口，n ≈ 21 个交易日）


重要——有两个完全不同的量共用 "VRP" 这个名字：

  事后 VRP（度量／研究用）：
      VRP_expost(t) = IV²(t) − RV²(t → t+30d)
      用的是 t 之后才实现的波动率。研究这笔溢价时，这是正确的做法。
      不能用作交易信号：它需要未来的信息。

  事前 VRP（可交易的信号）：
      VRP_exante(t) = IV²(t) − E_t[RV²(t → t+30d)]
      需要对未来已实现方差做出预测。
      回望型的 RV 只是这个预测的一个粗糙代理，
      而且在体制转折处，它的偏差非常严重。

那些会悄悄改变你答案的估计量选择

"已实现波动率"不是一个数字——它是一族彼此不一致的估计量，有时差异还很大，而分歧最大的时候恰恰是市场承压的时候。

对 VRP 取平均的分布问题

方差风险溢价的均值是正的。中位数更正。但这两个统计量都没有描述你交易它时的真实体验，因为这个分布有严重的负偏斜和一条长长的左尾。 一个在绝大多数月份收取小额溢价、在极少数月份承受相当于好几个月量级亏损的策略，它的均值确实是正的，而实际体验却由尾部主导。只报均值而不报尾部不是分析——那正是卖做空波动率产品时惯用的那一招修辞。

波动率偏斜：第二层溢价，也是第二个陷阱

25-delta 偏斜度量的是什么

股票指数的隐含波动率在不同行权价上并不是平的：价外看跌期权的隐含波动率，长期高于等距的价外看涨期权。 机构对这种不对称的标准概括方式，是把 25-delta 看跌期权的隐含波动率与 25-delta 看涨期权作比较：

Skew_25d = IV(25-delta put) − IV(25-delta call)

归一化后（可跨波动率体制、跨标的比较）：

  Skew_norm = [ IV(25Δ put) − IV(25Δ call) ] / IV(50-delta ／ ATM)

相关的机构度量：

  风险逆转（外汇市场的约定，同一个量）：
      RR_25 = IV(25Δ call) − IV(25Δ put)      （符号与上式相反）

  蝶式／微笑曲率：
      BF_25 = [ IV(25Δ put) + IV(25Δ call) ] / 2  −  IV(ATM)

  解读：
      Skew_25d 高于 0  →  看跌翼相对看涨翼偏贵（股票指数的常态）
      Skew_25d 上升    →  对下行保护的需求正在加剧
      Skew_25d 被压缩  →  相对它自身的历史，下行保护很便宜——
                          这是一个买入保护的信号，
                          而不是卖出保护的信号

股票指数存在正的偏斜是常态、是永久状态——不是异象。 它反映的是与创造方差溢价相同的那份保险需求，只不过集中在崩盘时真正能赔付的那些行权价上，再加上一个经验事实：指数收益本身就是负偏的，而且指数下跌时波动率会上升。一条平坦的股票指数偏斜曲线才是异象。

看跌翼长期偏贵的结构性原因

做市商在结构上对整个对冲群体做空下行看跌期权，并且必须动态对冲这份敞口。 指数下跌时，这些看跌期权的 delta 会变大，做市商必须卖出更多标的才能保持对冲——这又把指数进一步压低，抬高波动率，进而抬高看跌期权的价值。这个反馈回路意味着，对卖方而言下行翼所带的风险形态，确实比一个对称模型所暗示的更糟；看跌翼上那部分额外的隐含波动率，是对这种不对称的补偿，而不是定价错误。

在结构上站得住脚的偏斜交易

如果一个非机构参与者真要交易偏斜，那些站得住脚的版本都有一个共同性质： 远端尾部是被持有的，不是被卖出的。

• 远翼为多头的看跌比率结构： 表达的观点是"近平值的偏斜相对远翼偏贵"，同时保留对灾难行权价的持有。亏损有上限。
• 跨期偏斜： 交易的是短期与长期偏斜之间的差，而不是偏斜的绝对水平——这是一种 beta 更低、崩盘集中度更小的表达方式，不过它自带期限结构风险。
• 明确界定风险的价差结构： 任何在入场时最大亏损就是一个已知数字的结构——这个数字在开仓之前就算好了，而且仓位大小要确保这个最大亏损是能扛得住的。

对散户参与者来说站不住脚的是：裸卖看跌、风险未界定的宽跨式，以及任何最大亏损不是一个你已经写下来的有限数字的结构。 不是因为它们从来不管用——它们大多数时候都管用，问题正在这里——而是因为它们的失效模式没有上限，且不可挽回。

VIX 期限结构闸门：升水与贴水

曲线形状编码了什么信息

VIX 期货曲线通常处于升水——远月合约价格高于近月——这反映的是与创造方差溢价相同的那份保险需求，只不过沿着到期期限铺开。 承压时曲线会倒挂成贴水：近月价格高于远月，因为眼下的已实现波动率很高，并被预期会向下均值回复。

闸门在哪里失效——直说

期限结构闸门是一个滞后过滤器，而它过滤的变量可以在单个交易日内完成重新定价；它救不了你，尤其是面对那类最快、破坏力最大的事件。 它已被记录在案的失效模式：

• 冲击到来前的最后一刻，闸门都是开着的。 2018 年 2 月和 2020 年 2 月底，行情启动前曲线都处在舒适的升水状态。这个闸门不预测，它只是反应。
• 按闸门信号出场，意味着你是在最糟糕的流动性里出场。 等到贴水被确认时，隐含波动率早已完成重新定价，而其他所有系统化卖方在同一时刻收到了同一个信号。你的出场是一次拥挤的出场。
• 来回打脸会产生真实成本。 一个反复关闭又反复打开的闸门，会在震荡市里产生反复的往返交易成本和反复被确认的亏损，长期下来是一项相当可观的拖累。
• 闸门对仓位大小只字未提。 一个过了闸门但仓位过大的头寸，照样会终结你的账户。仓位大小起的作用比任何过滤器都大，而 《在压路机前捡便士》那本书深入讲了仓位纪律。

Python 实现：VRP、偏斜、闸门与压力模拟器

完整实现： 一套已实现方差估计量、一个拒绝悄悄犯下前视偏差的事后／事前 VRP 计算器、一个 25-delta 偏斜计算器、一个 VIX 期限结构闸门，以及最重要的——一个做空波动率压力模拟器，它会在头寸开出去 之前 就把亏损定出价来。

完整 Python 代码

"""
方差风险溢价、偏斜与做空波动率压力工具箱
=======================================================
面向散户改造的方差风险溢价度量框架、25-delta 偏斜计算、
VIX 期限结构闸门，以及——最关键的——一个做空波动率
压力模拟器。

设计原则：这套工具箱的目的是让下行变得可见，而不是
优化上行。这里最重要的类是压力模拟器，不是信号生成器。

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

import numpy as np
import pandas as pd


# ---------------------------------------------------------------
# 1. 已实现方差估计量
# ---------------------------------------------------------------

class RealizedVariance:
    """
    基于每日 OHLC 数据的几种已实现方差估计量。

    这些估计量彼此并不一致，而且在承压时分歧最大。
    选定一个，把阈值校准到它上面，并且绝不要在研究和
    实盘之间混用不同的估计量。
    """

    TRADING_DAYS = 252

    def close_to_close(self, close, window=21):
        """
        经典估计量：每日对数收益率的年化方差。
        它看不见日内振幅——一个盘中波动 4% 却平收的交易日，
        会被记成平静的一天。这是在讨好波动率卖方。
        """
        log_ret = np.log(close / close.shift(1))
        return (log_ret ** 2).rolling(window).sum() * (self.TRADING_DAYS / window)

    def parkinson(self, high, low, window=21):
        """
        最高–最低振幅估计量。它捕捉得到日内的走动，却看不见
        隔夜跳空——所以在跳空主导的体制里，它会低估方差
        （而那恰恰就是伤害卖方的那种体制）。
        """
        hl = np.log(high / low) ** 2
        scaled = hl / (4.0 * np.log(2.0))
        return scaled.rolling(window).mean() * self.TRADING_DAYS

    def garman_klass(self, open_, high, low, close, window=21):
        """
        OHLC 估计量：统计效率高于上面两者。在没有日内数据的
        情况下，它通常是日频数据里最好的选择。
        """
        hl = 0.5 * (np.log(high / low) ** 2)
        co = (2.0 * np.log(2.0) - 1.0) * (np.log(close / open_) ** 2)
        return (hl - co).rolling(window).mean() * self.TRADING_DAYS

    def intraday(self, intraday_prices, bars_per_day, window_days=21):
        """
        由日内（例如 5 分钟）K 线计算的已实现方差。学术界的
        VRP 研究实际使用的就是这个量。在高频下需要处理
        微观结构噪声。

        intraday_prices: 以日内时间戳为索引的 Series。
        """
        log_ret = np.log(intraday_prices / intraday_prices.shift(1))
        daily_rv = (log_ret ** 2).groupby(
            intraday_prices.index.normalize()
        ).sum()
        return daily_rv.rolling(window_days).mean() * self.TRADING_DAYS


# ---------------------------------------------------------------
# 2. 方差风险溢价
# ---------------------------------------------------------------

class VarianceRiskPremium:
    """
    VRP_t = IV^2(t, 30d) - RV^2(t, 30d)

    这个类在事后（研究用）溢价和事前（可交易）溢价之间
    划了一条硬边界，因为把两者混为一谈，是散户做 VRP 时
    最常见的那个致命错误。
    """

    def __init__(self, horizon_days=21):
        self.horizon = horizon_days

    def implied_variance(self, vix_series):
        """
        VIX 以波动率点数报出；这里把它换算成小数形式的方差。
        """
        return (vix_series / 100.0) ** 2

    def ex_post(self, vix_series, close_series):
        """
        仅供研究——按构造方式就带有前视偏差。

        它拿今天的隐含方差，去和随后那段期限内真正实现的
        方差作比较。研究这笔溢价时这样做是对的，拿它来交易
        则是无效的：在 t 时点，你并不知道未来的已实现方差。
        """
        iv2 = self.implied_variance(vix_series)
        log_ret = np.log(close_series / close_series.shift(1))
        # 前视窗口：shift(-horizon) 把未来的信息拉了回来
        fwd_rv2 = ((log_ret ** 2)
                   .rolling(self.horizon).sum()
                   .shift(-self.horizon)) * (252.0 / self.horizon)
        out = pd.DataFrame({'iv2': iv2, 'fwd_rv2': fwd_rv2})
        out['vrp_expost'] = out['iv2'] - out['fwd_rv2']
        out.attrs['WARNING'] = 'LOOK-AHEAD: research use only, never a signal'
        return out

    def ex_ante(self, vix_series, close_series, forecaster=None):
        """
        可交易。用一个真正的未来已实现方差预测，替换掉那个
        （无法得知的）已实现值。

        如果没有传入预测器，就退回到回望型的已实现方差——
        那是一个很弱的代理，而且恰恰在体制转折处、也就是
        最要紧的时候有偏。这个退路刻意做得比较嘈杂，免得
        你把它误当成事后序列。
        """
        iv2 = self.implied_variance(vix_series)
        if forecaster is None:
            forecast_rv2 = self._trailing_rv2(close_series)
        else:
            forecast_rv2 = forecaster(close_series)

        out = pd.DataFrame({'iv2': iv2, 'forecast_rv2': forecast_rv2})
        out['vrp_exante'] = out['iv2'] - out['forecast_rv2']
        # 相对自身历史取百分位排名；用 expanding 是为了避免
        # 在归一化这一步本身引入前视偏差。
        out['vrp_pctile'] = (out['vrp_exante']
                             .expanding(min_periods=252)
                             .apply(lambda x: (x.iloc[-1] > x).mean(), raw=False))
        return out

    def _trailing_rv2(self, close_series):
        log_ret = np.log(close_series / close_series.shift(1))
        return ((log_ret ** 2).rolling(self.horizon).sum()
                * (252.0 / self.horizon))


class EwmaVarianceForecast:
    """
    一个比回望 RV 稍微不那么天真的前向方差预测：指数加权的
    估计量，对体制变化的反应更快。就绝对水平而言它仍然是个
    糟糕的预测——而这就是散户参与者手上诚实的最好水平，
    也是 VRP 实盘结果达不到回测的原因。
    """

    def __init__(self, lam=0.94):
        self.lam = lam

    def __call__(self, close_series):
        log_ret = np.log(close_series / close_series.shift(1)).fillna(0.0)
        var = log_ret.ewm(alpha=(1 - self.lam), adjust=False).var()
        return var * 252.0


# ---------------------------------------------------------------
# 3. 波动率偏斜
# ---------------------------------------------------------------

class VolatilitySkew:
    """
    根据一份带有每份合约隐含波动率与 delta 的期权链快照，
    计算 25-delta 看跌与 25-delta 看涨之间的偏斜。

    期权链 DataFrame 上应有的列：
      ['strike', 'option_type', 'implied_vol', 'delta']
    其中 option_type 取值为 {'put', 'call'}，delta 带符号
    （看跌为负，看涨为正）。
    """

    def _nearest_delta_iv(self, chain, option_type, target_abs_delta):
        side = chain[chain['option_type'] == option_type].copy()
        if side.empty:
            return np.nan
        side['delta_gap'] = (side['delta'].abs() - target_abs_delta).abs()
        return side.sort_values('delta_gap').iloc[0]['implied_vol']

    def skew_25d(self, chain):
        """
        25-delta 看跌减去 25-delta 看涨的隐含波动率之差。
        对股票指数而言，取正值是常态。
        """
        put_iv = self._nearest_delta_iv(chain, 'put', 0.25)
        call_iv = self._nearest_delta_iv(chain, 'call', 0.25)
        return put_iv - call_iv

    def atm_iv(self, chain):
        put_iv = self._nearest_delta_iv(chain, 'put', 0.50)
        call_iv = self._nearest_delta_iv(chain, 'call', 0.50)
        return np.nanmean([put_iv, call_iv])

    def normalized_skew(self, chain):
        """
        用平值波动率对偏斜做缩放，使它可以跨体制比较。
        """
        atm = self.atm_iv(chain)
        if not atm or np.isnan(atm) or atm == 0:
            return np.nan
        return self.skew_25d(chain) / atm

    def butterfly_25d(self, chain):
        """
        微笑曲率：两翼隐含波动率的均值减去平值隐含波动率。
        """
        put_iv = self._nearest_delta_iv(chain, 'put', 0.25)
        call_iv = self._nearest_delta_iv(chain, 'call', 0.25)
        return np.nanmean([put_iv, call_iv]) - self.atm_iv(chain)

    def classify(self, normalized_skew_now, skew_history):
        """
        把当前偏斜放到它自身的历史里去理解。
        请注意这里的结论是不对称的：偏斜偏贵是按兵不动的理由，
        偏斜便宜是考虑买入保护的理由——而绝不是多卖一些的理由。
        """
        if skew_history is None or len(skew_history) < 250:
            return 'insufficient_history'
        pct = (normalized_skew_now > skew_history).mean()
        if pct > 0.85:
            return 'skew_rich__hedging_demand_intense__stand_down'
        if pct < 0.15:
            return 'skew_cheap__protection_on_sale__consider_buying'
        return 'skew_normal'


# ---------------------------------------------------------------
# 4. VIX 期限结构闸门
# ---------------------------------------------------------------

class TermStructureGate:
    """
    建立在 VIX 期货曲线上的体制闸门。

    这个闸门管理的是灾难性敞口出现的频率。
    它不管理严重程度。这句话请读两遍：历史上每一次决定性的
    做空波动率亏损，都发生在这样一个闸门开着的时候，
    因为那正是头寸存在的时候。
    """

    def __init__(self, contango_threshold=0.05, flat_band=0.02):
        # contango_threshold：判定为升水所需的 (M2/M1 - 1) 门槛
        self.contango_threshold = contango_threshold
        self.flat_band = flat_band

    def curve_state(self, spot_vix, m1, m2):
        if any(pd.isna(x) for x in (spot_vix, m1, m2)):
            return 'unknown'
        ratio = (m2 / m1) - 1.0
        if spot_vix > m1 and ratio < -self.flat_band:
            return 'deep_backwardation'
        if ratio < -self.flat_band:
            return 'backwardation'
        if abs(ratio) <= self.flat_band:
            return 'flat'
        if ratio >= self.contango_threshold:
            return 'steep_contango'
        return 'mild_contango'

    def gate_open(self, spot_vix, m1, m2, realized_vol_rising=False):
        """
        返回 (is_open, reason)。

        刻意保守：曲线走平这个状态就会关闭闸门。
        那些只判断升水与贴水的系统，会被卡在过渡区里，
        而体制转变正是从过渡区开始的。
        """
        state = self.curve_state(spot_vix, m1, m2)
        if state in ('unknown', 'flat', 'backwardation', 'deep_backwardation'):
            return False, f'gate_closed: curve_state={state}'
        if realized_vol_rising:
            return False, 'gate_closed: realized vol trending up (uncertainty rising)'
        return True, f'gate_open: curve_state={state}'


# ---------------------------------------------------------------
# 5. 做空波动率压力模拟器  <-- 最重要的那个
# ---------------------------------------------------------------

class ShortVolStressSimulator:
    """
    在头寸开出去之前，先把一个做空波动率仓位在一整格
    不利情景下的亏损定出价来。

    理由：收到的权利金是可知的、小的。亏损是不可知的、大的。
    任何只算前者、不算后者的流程都不是风险管理——那只是
    配了一张电子表格的乐观。

    这个模拟器把真正造成伤害的那两种效应合在一起，而人们
    习惯于分开建模，因此低估了它们：
       (a) 现货跳空穿过对冲（gamma 亏损），以及
       (b) 隐含波动率剧烈向上重新定价（vega 亏损）。
    这两者是同时到来的，而它们的联合效应比分开考虑的两者
    之和更糟，因为在跳空过程中被再平衡的 delta 对冲，
    会在最差的价格上把亏损坐实。
    """

    def __init__(self, notional, vega_per_point, gamma_dollar_per_pct):
        """
        notional:            配置给该策略的资本（美元）
        vega_per_point:      IV 每上升 1 个波动率点对应的美元盈亏
                             （做空波动率时为负；这里传入其绝对值）
        gamma_dollar_per_pct: 现货每变动 1% 的平方所对应的美元亏损，
                             来自两次对冲再平衡之间的做空 gamma 敞口
        """
        self.notional = notional
        self.vega = abs(vega_per_point)
        self.gamma_dollar = abs(gamma_dollar_per_pct)

    def scenario_loss(self, spot_move_pct, iv_point_rise,
                      hedge_slippage_factor=1.0):
        """
        单个情景下的亏损。

        hedge_slippage_factor 高于 1.0，刻画的是这样一个现实：
        跳空时你不会按中间价再平衡，你是迟到地、在很宽的价差上、
        对着单边的流动性去再平衡。对一次真正的压力事件而言，
        1.5-2.5 的系数并不悲观，它只是在陈述事实。
        """
        gamma_loss = self.gamma_dollar * (spot_move_pct ** 2) * hedge_slippage_factor
        vega_loss = self.vega * iv_point_rise
        total = gamma_loss + vega_loss
        return {
            'spot_move_pct': spot_move_pct,
            'iv_point_rise': iv_point_rise,
            'gamma_loss': round(gamma_loss, 2),
            'vega_loss': round(vega_loss, 2),
            'total_loss': round(total, 2),
            'loss_pct_of_notional': round(100.0 * total / self.notional, 1),
            'survivable': total < self.notional,
        }

    def stress_grid(self, spot_moves=(-3, -5, -8, -12, -20),
                    iv_rises=(5, 10, 20, 35, 50),
                    hedge_slippage_factor=1.8):
        """
        现货／IV 的联合压力网格。真实的体制转变会同时推动
        这两个轴，正因如此，网格才是对的那个对象，而单变量
        敏感性分析不是。
        """
        rows = []
        for s in spot_moves:
            for v in iv_rises:
                rows.append(self.scenario_loss(abs(s), v, hedge_slippage_factor))
        return pd.DataFrame(rows)

    def max_survivable_size(self, worst_case_spot_move, worst_case_iv_rise,
                            max_acceptable_loss_pct=20.0,
                            hedge_slippage_factor=1.8):
        """
        把问题反过来问：给定一个你愿意明说的压力情景，以及一个
        你愿意承受的最大亏损，这个头寸最大可以做到多大？

        这是唯一真正重要的仓位大小问题，而几乎没有人
        从这个方向去问它。
        """
        unit = self.scenario_loss(worst_case_spot_move, worst_case_iv_rise,
                                  hedge_slippage_factor)['total_loss']
        if unit <= 0:
            return np.inf
        budget = self.notional * (max_acceptable_loss_pct / 100.0)
        return round(budget / unit, 4)  # 相对当前头寸的缩放系数


# ---------------------------------------------------------------
# 6. 用法示例
# ---------------------------------------------------------------

if __name__ == "__main__":
    # ---- 合成的价格／VIX 历史 ----------------------------------
    rng = np.random.default_rng(42)
    n = 600
    dates = pd.bdate_range('2024-01-02', periods=n)
    ret = rng.normal(0.0004, 0.009, n)
    ret[430:436] += rng.normal(-0.035, 0.02, 6)   # 人为构造的冲击
    close = pd.Series(4000 * np.exp(np.cumsum(ret)), index=dates)
    vix = pd.Series(np.clip(14 + 40 * pd.Series(ret, index=dates)
                            .rolling(10).std().fillna(0.01) * 10, 10, 80),
                    index=dates)

    # ---- 已实现方差估计量彼此并不一致 --------------------------
    rv = RealizedVariance()
    rv_cc = rv.close_to_close(close)
    print("Realized vol (close-to-close, annualized %):")
    print((np.sqrt(rv_cc.dropna()) * 100).round(1).tail(3))

    # ---- VRP：事后版本与事前版本 -------------------------------
    vrp = VarianceRiskPremium(horizon_days=21)

    research = vrp.ex_post(vix, close)
    print("\nEx-post VRP (RESEARCH ONLY --", research.attrs['WARNING'], ")")
    print(research[['iv2', 'fwd_rv2', 'vrp_expost']].dropna().tail(3).round(4))

    tradeable = vrp.ex_ante(vix, close, forecaster=EwmaVarianceForecast(0.94))
    print("\nEx-ante VRP (tradeable):")
    print(tradeable[['iv2', 'forecast_rv2', 'vrp_exante',
                     'vrp_pctile']].dropna().tail(3).round(4))

    # ---- 由合成期权链计算偏斜 ----------------------------------
    chain = pd.DataFrame({
        'strike':       [3600, 3800, 4000, 4200, 4400],
        'option_type':  ['put', 'put', 'put', 'call', 'call'],
        'implied_vol':  [0.285, 0.242, 0.196, 0.178, 0.171],
        'delta':        [-0.12, -0.25, -0.50, 0.50, 0.25],
    })
    skew = VolatilitySkew()
    print("\n25d skew (put IV - call IV):", round(skew.skew_25d(chain), 4))
    print("Normalized skew:", round(skew.normalized_skew(chain), 4))
    print("25d butterfly:", round(skew.butterfly_25d(chain), 4))

    # ---- 期限结构闸门 ------------------------------------------
    gate = TermStructureGate()
    for label, (s, m1, m2) in {
        'calm':        (14.0, 15.2, 16.4),
        'transition':  (18.0, 18.4, 18.5),
        'stress':      (46.0, 38.0, 31.0),
    }.items():
        print(f"\nGate [{label}]:", gate.gate_open(s, m1, m2))

    # ---- 压力模拟器：真正要紧的那部分 --------------------------
    sim = ShortVolStressSimulator(
        notional=100_000,
        vega_per_point=850,        # IV 每上升 1 个波动率点亏损 850 美元
        gamma_dollar_per_pct=1_200  # 现货每变动 1% 的平方对应 1,200 美元
    )

    print("\nShort-vol stress grid (loss as % of allocated capital):")
    grid = sim.stress_grid()
    pivot = grid.pivot(index='spot_move_pct', columns='iv_point_rise',
                       values='loss_pct_of_notional')
    print(pivot)

    print("\nAny scenario that wipes out the allocation?",
          (~grid['survivable']).any())

    scale = sim.max_survivable_size(
        worst_case_spot_move=12,      # 一次 12% 的波动
        worst_case_iv_rise=35,        # 同时 IV 上升 35 个点
        max_acceptable_loss_pct=20.0  # 最多亏掉这个仓位的 20%
    )
    print(f"\nMax survivable position scale vs. current: {scale}x")
    print("If that number is well below 1.0, the position as "
          "currently sized is too large. That is the whole point "
          "of running this before you trade.")

经过 delta 对冲的做空波动率究竟是怎么弄死你的

delta 对冲拿掉的，是你本来就没有为之收钱的那部分风险

对一个做空的跨式做 delta 对冲，会把这个仓位从一个方向性押注变成一个纯粹押注已实现方差对隐含方差的仓位——这听起来像是在降低风险，而且确实是，但只在一个特定的维度上。 delta 被对冲掉之后剩下的，是做空 gamma 与做空 vega 的敞口，而这两个敞口恰恰就是产生整个亏损分布的那两个。对冲拿掉的是噪声。它完全没有碰那个会要人命的东西。

四阶段失效序列

做空波动率的失效不是随机的——它遵循一个可辨认的序列，而在序列进行当中认出它，是仓位已经建起来之后你唯一还有的防御。

反身性：你的出场就是燃料

做空波动率风险最根本的特征，是它具有反身性：大量参与者同时对冲或回补做空波动率敞口这个动作本身，就是把波动率推得更高的原因。 这和一笔普通的拥挤交易有本质区别。在一个拥挤的股票多头仓位里，出场的参与者把价格往下压，最终会在某个出清水平上找到买家。而在一个拥挤的做空波动率仓位里，出场的参与者必须 买入波动率 并且 卖出标的 ——这两件事都会机械地推高已实现波动率，而已实现波动率上升会推高隐含波动率，隐含波动率上升会加大所有还在做空的人的亏损，从而逼着更多人出场。 这笔交易自带助燃剂。

案例一：波动率末日，2018 年 2 月

发生了什么

2018 年 2 月 5 日，VIX 在单个交易日里大致翻了一倍——这是它历史上最大的单日涨幅——而那些已经成为做空波动率交易散户门面的反向波动率交易所交易产品，在几个小时之内损失了绝大部分价值。 VelocityShares Daily Inverse VIX Short-Term ETN（XIV）跌到足以触发其加速条款的程度，随后被终止。相关产品要么被终止，要么受到了永久性的损害。

按历史标准衡量，引发这一切的股市下跌毫不起眼——S&P 500 在几个交易日里回撤了百分之几，这种幅度经常发生，一个分散化的组合吸收它时不会有任何事。 灾难不在那段股票行情里。它在波动率的重新定价，以及压在上面的那套机械结构里。

这个案例特有的三条教训

• 产品结构本身就是一个独立的风险因子。 那条加速条款是写在募集说明书里披露过的。从来没读过它的持有人，是在它被触发的那天才发现它的存在。任何带杠杆或反向产品的终止与再平衡规则，都是这个仓位风险的一部分，而不是法律细节。
• 可预测的机械性资金流，会被别人拿来对着你做。 一项能从公开文件里推算出来的对冲或再平衡要求，那不是对冲；那是电报。
• 触发的事件可以很小。 那段股市行情是普通的。这是最重要、也最少被真正内化的一条教训： 你不需要一场危机才会被一个做空波动率的仓位摧毁——你只需要一段快速的行情，砸进一个拥挤的仓位里。

案例二：2020 年 3 月的波动率飙升

同一个仓位，另一种失效模式

如果说 2018 年 2 月是单日之内的机械式引爆，那么 2020 年 3 月就是一段持续数周的体制：VIX 达到了 2008 年以来未见的水平，并且在高位停留了很长一段时间。 两者都摧毁了做空波动率的仓位。它们通过不同的机制做到这一点，而一个只研究过 2018 年的交易者，为之做好准备的是错误的那场灾难。

关于流动性的那条教训

2020 年 3 月证明了：在一场足够严重的压力事件里，所有 delta 对冲赖以成立的那个假设——你可以以合理的价格连续成交——是会失效的。 期权买卖价差走阔到正常水平的好几倍，股指期货反复触及涨跌停条件，就连世界上流动性最好的工具也出现了实质性的价格脱节。一个在正常时期成本可控的 delta 对冲计划，在你真正需要它的时候，成本会是好几倍——而这恰恰就是让一个纸面上活得下来的仓位在实盘中活不下来的原因。

案例三：LTCM 与空头凸性失效的一般形态

为什么一只 1998 年的固定收益基金该出现在一篇讲波动率的文章里

Long-Term Capital Management 通常不会被当作一个做空波动率的故事来讲，但从结构上看，它恰恰就是——而且它是现有材料里最干净的一个证明：这种失效模式与资产类别无关，与从业者的水平也无关。 LTCM 的仓位加总起来是做空凸性的：它们在一大批相对价值交易里靠收敛与稳定获利，而当利差发散时则以非线性的方式亏损。这只基金拥有当时全世界最强的定量人才，包括诺贝尔奖得主，还拥有远超散户所能触及的建模能力、融资渠道和信息优势。

杠杆－波动率陷阱

把这三个案例串起来的一般机制是：测得的波动率很低的策略会招来杠杆，而做空凸性的策略之所以测得的波动率人为地低，恰恰是因为它的风险以罕见的大幅事件形式出现，而不是以持续的日常起伏形式出现。 因此，把波动率目标定仓法天真地套用在一个做空波动率的策略上，会让它在冲击到来之前的平静期里被定到 最大 。风险指标与真实风险是反向关系——测得的波动率最低的时候，恰恰是真实敞口最高的时候。任何不明确针对这一点做修正的定仓框架，都会系统性地在最糟糕的时点把仓位放到最大。

散户可行的模型——护栏必须装上

诚实地把这个模型说清楚

本系列的路线图为这篇文章指定了一种散户可行的表达方式： 经过 delta 对冲的做空波动率跨式或宽跨式，以 VIX 期限结构为闸门。 下面就把它完整地说清楚——包括那些不是可选项的约束条件。

这些护栏的真实代价

有限风险结构收到的权利金，比裸卖少得多。永久持有的长尾部对冲是一项永久的拖累。保守的闸门会让你错过许多本可以盈利的窗口。由压力测试推导出的仓位，只是波动率目标法所给出仓位的一个零头。 把这些叠加起来，扣除交易成本、以及每一条腿和每一次再平衡都要跨越的买卖价差之后，这个策略的收益就变得平平——而对散户规模的账户来说，四腿结构加上持续 Delta 对冲带来的交易成本负担，是实实在在的沉重。

这就是诚实的算术，也正是本文把散户可行性评为 5 分之 2 的原因。 这个策略装好护栏的版本，收益会让许多读者失望；而那个收益令人兴奋的版本，正是会终结账户的版本。 不存在第三个选项，任何向你展示第三个选项的人，都是在推销什么东西。

让做空波动率账户走到尽头的常见错误

退休视角的结论：为什么这对一个正在提取的组合是敌对的

结构性论点

对于处于提取阶段的投资者——从投资组合中支取收入，而不是继续投入——做空波动率不只是一个激进的策略。它的风险特征与该目标是正面敌对的，这一点值得直白说出来，而不是含糊其辞。

核心究竟应该放在哪里

本文的任何内容都不改变一个稳健退休投资组合的结构：低成本、广泛分散的指数核心，适当的债券配置，受控的成本，以及一个投资组合能够长期支撑的提取率。 为退休生活提供资金的是这个核心。任何波动率策略最多只是它旁边一小块卫星仓位，其规模要小到即使全部亏光也与整个计划无关，并且永远不能替代核心，也不能成为本应由核心提供的那份收入的来源。

如果你觉得方差风险溢价在智识上很有吸引力，但也认识到这种收益结构并不适合自己的处境， 那么有建设性的方向是同一笔交易的另一边：理解保护在什么时候历史上属于便宜（偏度被压缩、VIX 低、期限结构处于 contango），以及一笔适度的、事先预算好的自有凸性配置，如何能改善而不是恶化一个提取阶段投资组合的风险特征。这正是 Capula 尾部风险那篇文章所讨论的主题，而对本页绝大多数读者来说，那才是更相关的一篇。

你的行动计划

第一阶段：测量与压力测试，不做任何交易（4 到 8 周）

时间安排： 不投入任何资金。目标是在你还没有任何动机去回避它之前，先看清整个亏损曲面。

1. 构建 VRP 序列 ，使用上面的 Python 框架，同时计算事后版本和事前版本，并观察可交易的那个版本要难看多少。这个差距，就是不知道未来的诚实代价。
2. 用两种不同的已实现方差估计量来计算该序列 ，并量化你测得的溢价会变化多少。在设定任何阈值之前，先确定使用哪一个估计量。
3. 针对一个你真的会考虑的仓位运行压力模拟器 ，并且去读亏损那一栏，而不是权利金那一栏。如果任何一个可存活情景显示为 False，那就说明仓位规模是错的。
4. 对照你自己的计划读这三个案例研究。 针对每一个案例，具体写下你的流程在当天会做什么，以及你是否真的有能力执行它。
5. 读 Picking Up Pennies 的全文 ——那是六章内容，讲的是本报告刻意不去重复的行为与仓位维度。

第二阶段：判断这到底该不该进入你的计划（2 到 4 周）

时间安排： 仍然不投入任何资金。设立这一阶段，是因为对大多数读者来说正确答案是否定的，而这个答案值得经由一次审慎的决定得出，而不是不知不觉地滑进一个仓位。

1. 先确定你处在积累阶段还是提取阶段。 如果你正在从投资组合中支取收入，上一节的分析就直接适用，默认答案是否定的。
2. 说出这块仓位的最大规模——它全部亏光也不会改变你的退休计划。 如果那个数字小到让你不舒服，那它就是正确的数字，而且它正在告诉你一些事情。
3. 确认这块仓位是真正可隔离的 ——也就是说，它内部发生的保证金事件不可能波及你的核心投资组合。如果账户结构允许波及，那么在做其他任何事情之前，必须先改变这个结构。
4. 认真考虑反向的那笔交易。 读一读 尾部风险那篇文章 ，并诚实评估：就你真实的目标而言，你究竟站在这笔保险交易的哪一边。

第三阶段：最小可行的有限风险实施（3 到 6 个月）

时间安排： 只有在第二阶段得出肯定答案时才进行，并且规模必须相对于投资组合真正微不足道。

1. 只使用有限风险的指数结构 ——写明了最大亏损的铁鹰式或铁蝶式。绝不裸卖，绝不留下无上限的风险。
2. 为每一次入场设置闸门 ：contango、已实现波动率没有上行，以及处于中段的 VRP 百分位。被拒绝的入场和被接受的入场都要记录下来。
3. 根据压力模拟器来决定仓位，而不是根据近期波动率；当压力假设发生变化时，重新推导仓位规模。
4. 从第一天起就持有尾部对冲，并明确把它作为一项成本从权利金中预算扣除。它绝不是等条件恶化之后才加上的仓位。
5. 以书面形式事先承诺退出规则 ，并在触发时机械地执行，不再重新评估。
6. 单独跟踪真实发生的交易成本 ——多腿结构的价差和佣金，加上 Delta 再平衡，在散户规模下会占到毛权利金的很大一部分，而大多数人从来不去测量它。

第四阶段：持续复核（永久）

时间安排： 只要还有任何仓位存在，就一直进行。

1. 每季度重新运行一次压力网格 ，并更新仓位参数——亏损曲面会随着仓位和市场条件的变化而变化
2. 监控拥挤度指标：被压缩的权利金、不断增长的空头波动率产品规模，以及长时间的平静，正是失败序列中第一阶段的条件
3. 复核你的闸门在历史上的实际表现 ，对照真实发生过的那些事件：它会及时关闭吗？而你会遵守它吗？
4. 每年重新验证一次这块仓位的可隔离性，尤其是在券商或账户结构发生任何变化之后
5. 随着时间跨度缩短，重新审视它与退休的匹配度 ——一个在积累阶段合适的策略，可能随着提取阶段临近而变得不合适，而这个变化足够缓慢，容易被忽略

推荐阅读

• 机构与学术研究：
  • Geert Bekaert 及其合作者，Federal Reserve Board 关于方差风险溢价、不确定性与时变风险厌恶的研究——正是这一分解把风险的数量与风险的价格区分开来
  • Goldman Sachs 股票衍生品研究——跨到期日、行权价和标的的方差溢价与偏度曲面框架
  • 关于模型无关隐含方差以及 VIX 构建方法的学术文献，它构成了 VRP 定义中 IV² 那一项的基础
  • 关于 2018 年 2 月反向波动率 ETP 终止事件的事后分析文献，包括这些产品招募说明书中自带的加速条款
• 相关 PMR 文章：
  • 在压路机前捡便士：做空波动率的爆仓 ——与本报告配套的六章内容，讲行为与仓位
  • Capula：尾部风险 Alpha ——长凸性的镜像另一面，对大多数退休投资组合来说是更相关的一篇
  • 0DTE 微观结构与 Gamma 钉住效应 ——单个交易日尺度上的做市商 Gamma 机制
  • D.E. Shaw Macro Volatility ——多策略机构语境下的体制识别与 VIX 期限结构