5D Library › 期权隐含波动率曲面、偏度溢价与垂直价差结构的定量风控 · English
第四章 希腊值随剩余期限的非线性变化
四个希腊值
希腊值是期权价格对各个输入的偏导数,告诉我们价格对哪种变化敏感。对不付股息标的的欧式看跌期权:
其中 是标准正态密度。 是标的变动 1 单位时价格的变化; 是 的变化率;(vega)是波动率变动时的价格变化,本书按每 1 个波动率点(0.01)报告; 是时间流逝的价格变化,这里取负的 ,按每个日历日报告。
这四个量由布莱克—斯科尔斯偏微分方程联系在一起:
它的含义是:在模型中,时间损耗是伽马的价格。持有正伽马的头寸,每天付出 ,换来标的波动时的凸性收益;如果标的的实际波动率恰好等于隐含波动率,二者在期望上抵消。所以「时间价值每天都在流失」本身不是亏损的理由,真正决定期望盈亏的是实际波动率与隐含波动率之差、标的的实际漂移与交易成本,这正是第五章模型的出发点。
随剩余期限变化
下面的程序先用有限差分检查四个公式,再计算行权价 100 的看跌期权在实值(标的 95)、平值(100)与虚值(105)时,四个希腊值随剩余天数从 60 天缩短到 1 天的变化(本章的剩余期限与每日时间损耗都按日历日计,第五、八章的时间止损则按交易日计);最后计算第三章的 100/95 熊市看跌价差在不同标的价格与剩余期限下的净希腊值。
推导
# Greeks of a European put (closed form, checked by finite differences) as days to
# expiry (DTE) shrink, and the net Greeks of the 100/95 bear put spread. Theta per
# calendar day, vega per 1 vol point. Illustrative parameters.
import math
def ncdf(x):
return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0)))
def npdf(x):
return math.exp(-0.5 * x * x) / math.sqrt(2 * math.pi)
def put(S, K, T, r, s):
d1 = (math.log(S / K) + (r + 0.5 * s * s) * T) / (s * math.sqrt(T))
d2 = d1 - s * math.sqrt(T)
price = K * math.exp(-r * T) * ncdf(-d2) - S * ncdf(-d1)
delta = ncdf(d1) - 1
gamma = npdf(d1) / (S * s * math.sqrt(T))
theta = -S * npdf(d1) * s / (2 * math.sqrt(T)) + r * K * math.exp(-r * T) * ncdf(-d2)
vega = S * npdf(d1) * math.sqrt(T)
return price, delta, gamma, theta / 365, vega / 100
def fd_check(S=100.0, K=100.0, T=30 / 365, r=0.03, s=0.22, h=1e-4):
p, d, g, th, v = put(S, K, T, r, s)
fd = ((put(S + h, K, T, r, s)[0] - put(S - h, K, T, r, s)[0]) / (2 * h),
(put(S + h, K, T, r, s)[0] - 2 * p + put(S - h, K, T, r, s)[0]) / h ** 2,
-(put(S, K, T + h, r, s)[0] - put(S, K, T - h, r, s)[0]) / (2 * h) / 365,
(put(S, K, T, r, s + h)[0] - put(S, K, T, r, s - h)[0]) / (2 * h) / 100)
return max(abs(a - b) / abs(b) for a, b in zip(fd, (d, g, th, v)))
if __name__ == "__main__":
r = 0.03
print(f"finite-difference check: largest relative error {fd_check():.1e}"
" (gamma limited by step size)")
print("put K = 100, vol 0.22 DTE: 60 30 14 7 3 1")
for S, lab in ((95, "ITM S=95"), (100, "ATM S=100"), (105, "OTM S=105")):
g = [put(S, 100, d / 365, r, 0.22) for d in (60, 30, 14, 7, 3, 1)]
for i, name in ((1, "delta"), (2, "gamma"), (3, "theta/day"), (4, "vega/pt")):
print(f" {lab:10s} {name:10s}" + "".join(f"{x[i]:8.3f}" for x in g))
th = [put(100, 100, d / 365, r, 0.22)[3] for d in (30, 7)]
print(f"ATM theta, 7 vs 30 DTE: ratio {th[1] / th[0]:.2f}"
f" (sqrt(30/7) = {math.sqrt(30 / 7):.2f})")
print("bear put spread, long 100 (vol .22) / short 95 (vol .245)")
print(" DTE S value delta gamma theta/day vega/pt")
for d in (30, 7, 3):
for S in (92.0, 95.0, 97.5, 100.0, 103.0):
a, b = put(S, 100, d / 365, r, 0.22), put(S, 95, d / 365, r, 0.245)
n = [x - y for x, y in zip(a, b)]
print(f" {d:3d} {S:5.1f} {n[0]:6.3f} {n[1]:+6.3f} {n[2]:+7.4f}"
f" {n[3]:+7.4f} {n[4]:+6.3f}")
# finite-difference check: largest relative error 3.3e-06 (gamma limited by step size)
# put K = 100, vol 0.22 DTE: 60 30 14 7 3 1
# ITM S=95 delta -0.683 -0.771 -0.873 -0.950 -0.995 -1.000
# ITM S=95 gamma 0.042 0.051 0.051 0.035 0.008 0.000
# ITM S=95 theta/day -0.019 -0.024 -0.023 -0.013 0.003 0.008
# ITM S=95 vega/pt 0.137 0.082 0.039 0.013 0.001 0.000
# ATM S=100 delta -0.460 -0.472 -0.481 -0.486 -0.491 -0.495
# ATM S=100 gamma 0.045 0.063 0.092 0.131 0.200 0.346
# ATM S=100 theta/day -0.025 -0.038 -0.057 -0.083 -0.128 -0.226
# ATM S=100 vega/pt 0.161 0.114 0.078 0.055 0.036 0.021
# OTM S=105 delta -0.259 -0.199 -0.119 -0.051 -0.007 -0.000
# OTM S=105 gamma 0.035 0.042 0.044 0.033 0.009 0.000
# OTM S=105 theta/day -0.023 -0.029 -0.031 -0.023 -0.007 -0.000
# OTM S=105 vega/pt 0.138 0.084 0.041 0.015 0.002 0.000
# ATM theta, 7 vs 30 DTE: ratio 2.19 (sqrt(30/7) = 2.07)
# bear put spread, long 100 (vol .22) / short 95 (vol .245)
# DTE S value delta gamma theta/day vega/pt
# 30 92.0 3.811 -0.244 -0.0259 +0.0244 -0.050
# 30 95.0 2.983 -0.299 -0.0091 +0.0166 -0.026
# 30 97.5 2.225 -0.300 +0.0085 +0.0052 +0.004
# 30 100.0 1.518 -0.260 +0.0219 -0.0057 +0.031
# 30 103.0 0.849 -0.184 +0.0269 -0.0129 +0.046
# 7 92.0 4.698 -0.177 -0.0806 +0.0584 -0.032
# 7 95.0 3.743 -0.464 -0.0883 +0.0746 -0.039
# 7 97.5 2.392 -0.575 +0.0102 +0.0117 +0.000
# 7 100.0 1.096 -0.425 +0.0953 -0.0539 +0.038
# 7 103.0 0.254 -0.150 +0.0706 -0.0473 +0.031
# 3 92.0 4.928 -0.077 -0.0709 +0.0504 -0.012
# 3 95.0 4.149 -0.503 -0.1808 +0.1397 -0.033
# 3 97.5 2.449 -0.777 +0.0037 +0.0178 -0.001
# 3 100.0 0.776 -0.481 +0.1881 -0.1188 +0.034
# 3 103.0 0.060 -0.066 +0.0624 -0.0433 +0.012有限差分与解析公式的最大相对误差为 ,公式无误。
平值期权的伽马与时间损耗随到期临近而加速:伽马从 60 天时的 0.045 升到 1 天时的 0.346,每日时间损耗从 −0.025 升到 −0.226。按公式,平值时间损耗大致与 成正比:剩余 7 天时的损耗是 30 天时的 2.19 倍,接近 (差别来自利率项)。vega 则随期限缩短而单调下降,从 0.161 降到 0.021。
实值与虚值期权不同:伽马与时间损耗先升后降,在剩余两到四周时达到峰值,然后迅速趋于零,因为期权「要么几乎肯定行权,要么几乎肯定作废」。深度实值的欧式看跌期权在临近到期时时间损耗甚至变为正值(3 天时 +0.003),因为它的价值接近按利率贴现的行权价,时间流逝反而使贴现减少。
价差的净希腊值取决于标的在两个行权价之间的位置,并且随到期临近而放大:
- 标的在多头行权价 100 附近时,价差的净伽马为正、净时间损耗为负:剩余 30 天时每天损耗 0.0057,7 天时 0.0539,3 天时 0.1188,放大约 21 倍。
- 标的在空头行权价 95 附近时,符号相反:净伽马为负、时间流逝反而带来收益(7 天时每天 +0.0746),因为价差正在向最大价值 5 收敛。
- 在两个行权价的中点 97.5 附近,净伽马与净 vega 接近零,价差像一个纯粹的方向头寸,Delta 最大(3 天时 −0.777)。
图二画出了这些变化。左图是价差价值随标的价格的变化:剩余天数越少,曲线越接近到期时的折线;右图是净时间损耗,可以看出它在两个行权价之间改变符号,并且越临近到期越尖锐。
注
「时间止损」直觉的来源。 交易者常说:价差在头一两周没有动静,就该走了,因为越往后时间损耗越快。上面的数字说明这句话部分正确:如果标的停在多头行权价附近,每日净损耗确实从 0.006 放大到 0.05 以上;但如果标的已经向空头行权价移动,时间流逝反而有利。所以时间止损是否合理,取决于标的在哪里,而不只是过了多少天。第五章会把这一点写成最优停时问题。
本章小结
希腊值由布莱克—斯科尔斯方程联系在一起,在模型中时间损耗是伽马的价格。平值期权的伽马与时间损耗随到期临近按 加速,实值与虚值期权的则先升后降。熊市看跌价差的净希腊值随标的位置改变符号:标的在多头行权价附近时净损耗为负并迅速放大,在空头行权价附近时为正。时间止损的合理性因此取决于状态,而不只是天数。
Fan, Y. (2026). Implied Volatility Surfaces, Skew Premia and Quantitative Risk Control of Vertical Spreads: Microstructure Pricing and Time-Stop Dynamics under Non-Gaussian Tails [期权隐含波动率曲面、偏度溢价与垂直价差结构的定量风控] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796765 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).