离散度交易：用个股 IV 与指数 IV 的背离做波动率套利 • halo 的技术博客

如果你买过指数期权，会发现一个反直觉的事实：指数期权的隐含波动率(IV)，通常比它成分股 IV 的加权平均值要高。中间多出来的那一块，不是某个股票的特性，而是「成分股之间会一起动」的价格——学术界把它翻译成一个数字：隐含相关性(implied correlation)。指数 IV ≈ 成分股 IV 按权重 + 隐含相关性合成的结果。当市场恐慌或泡沫时，投资者抢买指数保护，指数 IV 被推得更高、隐含相关性被超额定价；但成分股真正实现的联动（实现相关性）没那么高。这两者之间的背离，就是 离散度交易(dispersion trading) 的猎场：做空被高估的相关性，即 long dispersion。

结论先放这：用 OU 过程模拟实现相关性 ρ_real（中枢 0.45、均值回复），并让隐含相关性 ρ_impl 在高相关 regime 被指数期权市场额外溢价 0.18·(ρ_real−0.40)；在 ρ_impl 超过 70 分位的 60 个月里，仅 20 个月触发入场（做空相关性），择时策略净值从 1 涨到 1.669、年化 10.8%，明显跑赢『一直做空相关性、无择时』的 1.365 / 年化 6.4%——因为择时把『低隐含却硬做空』的亏损期过滤掉了。每期收益与『入场隐含 − 持有期实现相关性』近乎线性正相关（斜率≈0.20），背离越大赚越多。附完整 Python 与六类真实陷阱（高阶）。

隐含相关性在危机/泡沫期被指数期权超额定价（背离）

图上蓝线是成分股真实联动 ρ_real，红线是指数期权推算的 ρ_impl。注意危机/泡沫段（ρ_real 冲高时）红线系统性地浮在蓝线之上——这就是指数期权对相关性的溢价。灰色虚线是 70 分位入场阈值，越过它才动手。

一、离散度交易的理论骨架#

设指数 $I = \sum_i w_i S_i$ ，在 Black-Scholes 假设下指数方差近似为

$\sigma_I^2 \approx \sum_i w_i^2 \sigma_i^2 + \sum_{i\neq j} w_i w_j \rho_{ij} \sigma_i \sigma_j$

把「各成分股 IV 的加权平均」记为 $\sigma_{avg}^2 = \sum_i w_i^2 \sigma_i^2 + \sum_{i\neq j} w_i w_j \bar\rho \sigma_i\sigma_j$ ，其中 $\bar\rho$ 是用某个平均相关性替换逐对 $\rho_{ij}$ 。把指数 IV 的平方记为 $\sigma_I^2$ （由指数期权反解），解出隐含相关性：

$\hat\rho_{impl} = \frac{\sigma_I^2 - \sum_i w_i^2 \sigma_i^2}{\sum_{i\neq j} w_i w_j \sigma_i \sigma_j}$

而实现相关性 $\rho_{real}$ 是用历史收益率算出的实际联动。离散度交易的核心命题：

若 $\hat\rho_{impl} > \rho_{real}$ ，说明指数期权「替相关性付了溢价」——等价于市场预期成分股会比实际更同步地暴涨暴跌。此时应做空相关性：买入一篮子个股期权(多头个股 IV) + 卖出指数期权(空头指数 IV)，净敞口是「赌相关性回落」。

直觉上：分散化在相关性高时「失效」（个股齐涨齐跌、组合不分散），指数保护变贵；当相关性回归正常，个股 IV 相对指数 IV 变得便宜，头寸盈利。这就是「离散度」——把指数这个「打包品」拆回成分股后的相对价值。

二、相关性序列的模拟（OU 过程）#

相关性不是常数，它在危机时飙升、平静时回落。用带均值回复的 OU 过程模拟实现相关性，并构造被超额定价的隐含相关性：

import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt

rng = np.random.default_rng(20260715)
T = 750
theta, kappa, sig = 0.45, 0.05, 0.06      # 中枢 / 回复速度 / 波动
rho_real = np.zeros(T); rho_real[0] = theta
for t in range(1, T):
    rho_real[t] = (rho_real[t-1]
                   + kappa * (theta - rho_real[t-1])
                   + sig * rng.standard_normal())
    rho_real[t] = min(max(rho_real[t], 0.05), 0.95)   # 截断到 [0.05, 0.95]

# 隐含相关性：高相关 regime 被指数期权市场溢价（危机/泡沫期抢买指数保护）
premium = 0.18 * (rho_real - 0.40) + 0.02 * np.sin(np.arange(T) / 25.0)
rho_impl = np.clip(rho_real + premium + rng.normal(0, 0.02, T), 0.05, 0.95)

months = 60
idx_month = np.linspace(0, T - 1, months + 1).astype(int)
thr = float(np.quantile(rho_impl, 0.70))   # 70 分位作入场阈值
scale = 0.20                                # 背离→收益的缩放（月收益百分比量级）

python

三、入场信号与收益映射#

策略逻辑：每月初看 ρ_impl，若高于阈值则「做空相关性」(long dispersion)，持有到月末，收益正比于「入场隐含 − 持有期实现相关性」的背离幅度；否则空仓。

pnl = np.zeros(months)
pnl_always = np.zeros(months)
signal = np.zeros(months, dtype=bool)
for j in range(months):
    t0 = idx_month[j]; t1 = max(idx_month[j + 1], t0 + 1)
    entry_impl = rho_impl[t0]
    held_real = rho_real[t0:t1].mean()
    diff = entry_impl - held_real             # 背离：隐含被高估的幅度
    pnl_always[j] = diff * scale              # 一直做空（无择时）
    if entry_impl > thr:                      # 择时：仅高隐含时入场
        signal[j] = True
        pnl[j] = diff * scale

eq = np.cumprod(1 + pnl)
eq_always = np.cumprod(1 + pnl_always)
print(f"threshold={thr:.3f}  trades={signal.sum()}/{months}")
print(f"择时策略 终值={eq[-1]:.3f}  年化={100*(eq[-1]**(12/months)-1):.1f}%")
print(f"一直做空 终值={eq_always[-1]:.3f}  年化={100*(eq_always[-1]**(12/months)-1):.1f}%")
# threshold=0.605  trades=20/60
# 择时策略 终值=1.669  年化=10.8%
# 一直做空 终值=1.365  年化=6.4%

python

收益正比于『隐含被高估的幅度』：背离越大赚越多

散点图把「收益从哪来」说透了：横轴是入场隐含减持有期实现相关性，纵轴是该期收益。绿点(已入场) 几乎落在一条正斜率线上（拟合斜率≈0.20）——背离越大，赚得越多；灰叉是空仓期，钉在 0。策略赚的不是方向，是「相关性被高估后回归」的结构性价差。

四、择时为什么重要：权益曲线对比#

择时做空相关性 vs 一直做空（无择时）

绿线(择时) 明显跑赢红线(一直做空)。关键不在「做空相关性」本身能赚多少，而在择时把错误的入场过滤掉了：当 ρ_impl 并不高、却硬做空，往往撞上相关性继续走高(危机深化) 而亏损；阈值只在「隐含被显著超额定价」时才放行，把这类时期挡在门外。

五、信号区高亮：收益集中来自哪里#

入场信号区（ρ_impl 高于阈值）高亮：集中贡献正收益

把 60 个月逐期收益画成柱状、并把入场期(绿色) 背景高亮，能直观看到：正收益几乎全部来自高亮信号区。空仓期收益恒为 0（不是负），说明不入场就不会亏——这正是指散度交易的「负凸性可控」特性：最大风险发生在持仓期内相关性不降反升，而择时把这种暴露限制在少数高确信窗口。

实务上，long dispersion 并不真的去买卖 500 只个股期权。最干净的代理是方差掉期(variance swap) 组合：做多一篮子成分股方差掉期、做空一份指数方差掉期，净敞口恰好等于「成分股间相关性的多头」——因为指数方差减成分股方差加权和，剩下的正是协方差项。若市场没有个股方差掉期流动性，退而用 ETF 抽样 + 指数期权 近似：挑 20~50 只流动性最好的成分股买期权构建篮子，再卖对应市值的指数期权对冲方向，使组合对指数水平近似中性、只留相关性暴露。无论哪种路径，关键都在于把「方向 delta」对冲掉，让盈亏只由相关性漂移驱动，否则你做的就不是离散度、而是又一笔方向赌注。

六、六类真实陷阱（高阶）#

负凸性 / 危机亏损：long dispersion 在相关性飙升时亏损（危机里个股齐跌、指数 IV 暴涨）。它是「卖保险」类头寸，尾部是负凸的。必须用阈值 + 严格止损约束持仓，不能裸做空相关性。
个股 IV 不可交易 / 流动性：合成用「成分股 IV 平均」代表可交易头寸，但真实里单只个股期权常流动性差、买卖价差宽，篮子构建成本吃掉大部分 alpha。标普 500 这类宽基做篮子几乎不可行，实务多改用ETF 成分抽样或方差互换而非直接个股期权。
权重与对冲再平衡：指数权重 $w_i$ 每月变，组合需持续再平衡；忽略再平衡会引入跟踪误差，让「做空相关性」变成「赌权重漂移」。
隐含相关性计算依赖模型：文中 $\hat\rho_{impl}$ 闭式近似假设 BS 与等额 $\sigma_i$ 。真实要用特定strike 的 IV 曲面并逐对反解，近似误差会扭曲阈值。
阈值用分位数的未来泄露：np.quantile(rho_impl, 0.70) 若用全样本分位，是偷看未来。实务必须用滚动窗口分位或固定历史分位作阈值。
相关性均值回复假设的脆弱：OU 假设相关性围绕中枢波动。但结构断点（2015 股灾、2020 新冠、注册制改革）会让相关性中枢永久上移，旧阈值失效。需监控相关性 regime 切换，必要时重估 θ。

七、落地建议#

离散度交易是波动率套利里最接近「纯相关性观点」的策略：它不赌指数涨跌，只赌「市场对未来关联度的恐慌定价」相对「真实关联度」偏高。对量化研究者，最有价值的部分不是那 10.8% 的年化（合成参数下），而是它提供了一块可交易、可归因的「相关性风险溢价」——你可以把它和 VRP（波动率风险溢价）叠加，用相关性维度给波动率择时增加一层信息。但记住：它是负凸的、需要择时、需要真实的篮子构建成本模型。没有成本与流动性约束的离散度回测，数字再漂亮也是空中楼阁。

把相关性当成一种「能被期权定价的资产」去看待，你会发现波动率套利的世界比「买低卖高 IV」宽阔得多。