GEX 伽马敞口：做市商对冲流如何压制与放大波动

期权市场有一个奇特的镜像结构：客户的每一张期权，做市商都拿着相反的头寸。客户整体买了多少 gamma，做市商就整体空了多少 gamma——而空 gamma 的人必须动态对冲，对冲就要在现货或期货市场上真金白银地买卖。这些对冲单不关心基本面、不关心估值，只跟着价格机械执行，却大到足以改变市场本身的波动结构。GEX（Gamma Exposure，伽马敞口）就是把这股机械力量量化出来的指标。

先把本文模拟的结论放在最前面：在同样的外生冲击下（噪声完全相同），正 GEX 环境的日收益标准差是 0.87%，负 GEX 环境是 1.74%——整整一倍的差距。日内 15 分钟收益的一阶自相关，正 GEX 下是 -0.34（每一步都被往回拉），负 GEX 下是 +0.29（每一步都被顺势推）。把 1000 个交易日按 GEX 水平分五组，年化收盘-收盘波动率从最负组的 22.3% 单调降到最正组的 14.2%。基于这个结构做波动择时——负 GEX 买跨式、正 GEX 卖跨式——Sharpe 2.73，而无脑做多波动的对照组 Sharpe 是 -1.01。

一、机制：为什么做市商的对冲会改变波动#

从 Black-Scholes 说起。期权的 delta 会随标的价格变化，变化率就是 gamma：

Γ = ∂²V/∂S² = φ(d1) / (S·σ·√T)

做市商要维持 delta 中性。持有正 gamma 的做市商（比如客户净卖出 call 给他），价格涨时他的 delta 变正，需要卖出标的回到中性；价格跌时 delta 变负，需要买入。也就是：

• 做市商正 gamma → 高抛低吸 → 负反馈 → 压制波动
• 做市商负 gamma → 追涨杀跌 → 正反馈 → 放大波动

第二种情形正是 2018 年 2 月 Volmageddon、2020 年 3 月流动性危机中被反复点名的机制：市场下跌 → 客户抢购 put → 做市商 short put（负 gamma）→ 价格越跌越要卖出对冲 → 跌势被机械放大。

GEX 的计算就是把全市场期权持仓的 gamma 按做市商视角加总：

GEX = Σ [Γ_i × OI_i × 合约乘数 × S² × 0.01 × 方向符号]

方向符号是关键假设：标准惯例假设做市商 long call gamma、short put gamma（即客户倾向卖 call 收权利金、买 put 做保护）。这个假设并不总成立，是 GEX 的第一大软肋，后文细说。

二、从持仓构造 GEX 剖面：翻转点在哪#

用 Python 构造一个合成的期权持仓面：行权价 3600–4400、剩余 21 个交易日、隐含波动率 18%。put 的持仓按现实规律向低行权价倾斜（保护性需求），call 向高行权价倾斜（备兑开仓）：

from scipy.stats import norm
import numpy as np

def bs_gamma(S, K, T, sigma, r=0.0):
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    return norm.pdf(d1) / (S * sigma * np.sqrt(T))

S_grid = np.linspace(3600, 4400, 161)
gex_profile = np.zeros_like(S_grid)
for i, S in enumerate(S_grid):
    g = bs_gamma(S, strikes, T, sigma)
    # dealer 惯例符号：+call gamma, -put gamma
    gex_profile[i] = (np.sum(g * call_oi * 100 * S**2 * 0.01)
                    - np.sum(g * put_oi  * 100 * S**2 * 0.01))

得到的 GEX 剖面（文章开头图）有一个决定性的特征点：Gamma 翻转点（gamma flip）——GEX 由正转负的价格水平。本例中翻转点在 4120：

• 价格在 4120 上方：GEX 为正，做市商对冲流压波动，市场倾向于粘滞、缓涨、日内均值回复；
• 价格跌破 4120：GEX 转负（当前价 4000 处 GEX = -18.9 亿/1% 变动），对冲流开始追涨杀跌，下跌会被机械加速。

这就是为什么期权交易员盯着 flip 点像盯着断层线：它不是支撑位或阻力位，而是市场”物理性质”发生相变的位置——上方是阻尼介质，下方是助燃介质。

三、对冲反馈模拟：同样的冲击，两倍的波动#

GEX 的因果机制无法从历史数据中干净识别（波动和 GEX 互为因果），所以这里用受控模拟：日内 26 个 bar，每个 bar 的外生冲击完全相同，唯一区别是对冲反馈的方向：

def simulate(gex_sign, kappa=0.35, n_days=250, n_intraday=26,
             sigma_d=0.011, seed=1):
    r = np.random.default_rng(seed)
    dt_vol = sigma_d / np.sqrt(n_intraday)
    paths = np.zeros((n_days, n_intraday + 1))
    for d in range(n_days):
        p, prev = 0.0, 0.0
        for t in range(1, n_intraday + 1):
            shock = r.normal(0, dt_vol)
            # 正 GEX：对冲流反向（-kappa*最近收益）；负 GEX：同向
            hedge = -np.sign(gex_sign) * kappa * (p - prev) if t > 1 else 0.0
            prev = p
            p = p + shock + hedge
            paths[d, t] = p
    return paths

结果对比（相同随机种子，冲击序列一模一样）：

图里能直接看出两种”物理状态”：左边（正 GEX）的路径被压在一个窄带里来回震荡——每次冲击都被对冲流吃掉一部分；右边（负 GEX）的路径一旦起势就滑得更远——对冲流在给趋势添柴。外生信息完全一样，市场结构把它渲染成了两种完全不同的价格行为。

日内自相关的符号翻转是最干净的证据：-0.34 意味着”这一段涨了，下一段大概率回吐”，+0.29 意味着”这一段涨了，下一段大概率继续”。同一个市场，隔着 gamma flip 点，动量策略和均值回复策略的适用性直接互换。

四、GEX 分组验证：波动结构的单调性#

把模拟拉长到 1000 个交易日，让 GEX 水平随市场内生演化——下跌触发 put 需求、做市商负 gamma 加深（现实中的路径依赖）——然后按 GEX 水平分五组看波动：

从最负组到最正组，波动率单调下降，累计差距 8 个百分点。这与实证研究对标普 500 的发现方向一致：SqueezeMetrics 与后续学术复现均报告负 GEX 日的已实现波动显著高于正 GEX 日，且 GEX 对次日已实现波动有超出 VIX 的增量预测力。

五、能不能赚钱：GEX 波动择时#

波动预测力直接对应一个朴素策略：负 GEX（后 30% 分位）买跨式做多波动，正 GEX（前 30% 分位）卖跨式做空波动，中间空仓。跨式成本按日均绝对收益加 5% 溢价定价（对卖方公平略偏贵）：

straddle_cost = np.abs(mkt).mean() * 1.05
pnl_long = np.abs(mkt) - straddle_cost
pnl_strat = np.where(gex < q30,  pnl_long,
            np.where(gex > q70, -pnl_long, 0.0))

对照组说明了一件重要的事：做多波动本身是亏钱的（波动风险溢价为负），5% 的溢价成本就足以把无差别买跨式拖进深渊。GEX 择时的价值不在于”预测波动会高”，而在于只在市场结构性脆弱（负 gamma）时才支付这笔昂贵的保费，并在结构性粘滞（正 gamma）时反过来收保费。

六、GEX 的三个致命假设（实盘前必读）#

模拟里 Sharpe 2.73 很漂亮，因为模拟世界里 GEX 的符号假设是真的。现实中有三处会漏水：

1. 方向符号假设可能整体失效。 “做市商 long call / short put” 是对机构常态的统计概括。但 2021 年 GME 逼空、2023 年后 0DTE 爆发时期，散户大量买入 call，做市商变成 short call gamma——此时标准 GEX 公式的 call 项符号直接算反。改良方案是用逐笔成交的主动方向（类似 Lee-Ready）估计每个行权价上客户的净方向，CBOE 的部分数据产品已提供，但成本高一个数量级。

2. OI 不等于净敞口。 未平仓量是多空合计口径，同一行权价上做市商之间可以互相抵消，跨市场（SPX/SPY/ES 期权）的敞口也无法从单一交易所 OI 看全。GEX 的绝对数值因此只有量级意义，跨时间的相对变化和符号比水平值可靠得多。

3. 对冲频率和执行方式未知。 有的做市商逐笔对冲，有的按时间片对冲，还有的用期货、VIX 产品交叉对冲。模拟里的反馈系数 kappa 是常数，现实中它随做市商库存、风险预算、波动环境剧烈变化——负 gamma 环境恰恰是做市商最想缩表的时候，反馈强度可能非线性跳升（这也是崩盘尾部比模型更肥的原因之一）。

七、工程落地清单#

如果要把 GEX 加入自己的监控体系：

1. 数据：期权链快照（行权价、到期、OI、IV），美股可用 CBOE 延迟数据，A 股用上交所 50ETF/300ETF 期权与中金所股指期权的每日持仓；
2. 计算：只用近月 + 次近月合约（gamma 集中在短到期），按上文公式聚合，同时输出 GEX 水平和 flip 点价格；
3. 信号使用优先级：flip 点相对现价的位置 > GEX 符号 > GEX 具体数值；
4. 组合应用：负 GEX 时段调低趋势策略的止损宽度预期（波动放大）、调高均值回复策略的入场阈值（回复力消失）——GEX 更适合作为其他策略的 regime 过滤器，而非独立信号。

总结#

GEX 把”期权市场的尾巴摇动现货市场的狗”这一机制变成了可计算的指标。它的价值不是预测方向——GEX 对收益方向几乎没有预测力——而是预测波动的结构：正 GEX 是阻尼介质，冲击被吸收，均值回复占优；负 GEX 是助燃介质，冲击被放大，趋势与尾部风险占优。模拟验证了这条链路的每一环：自相关符号翻转（-0.34 vs +0.29）、波动翻倍（0.87% vs 1.74%）、五分组单调（22.3% → 14.2%）、择时可盈利（Sharpe 2.73）。实盘使用时，记住它的三个软肋——方向假设、OI 口径、对冲行为不可观测——把它当 regime 温度计用，别当水晶球用。