期权 Gamma Scalping：用动态对冲把 Theta 变成 Alpha • halo 的技术博客

一句话结论：Gamma Scalping 不是「预测涨跌」的策略，而是「赌已实现波动 > 隐含波动」的对冲游戏。 你买入一个跨式组合（straddle，1 张看涨 + 1 张看跌），等价于做多 Gamma、做空 Theta——每天把 Delta 对冲回中性，靠在标的便宜时买、贵时卖，把价格波动一点点变成现金。我们的蒙特卡洛（4000 条路径，1 个月 ATM 跨式，隐含波动 20%）显示：当已实现波动 30% 时，对冲组合均值盈利 +2.76 元（占标的 2.76%）、胜率 99.2%；当已实现波动只有 12% 时，均值亏损 −2.19、胜率 0%——权利金（5.50 元）就是那条生死线。

一、Gamma Scalping 到底在「 Scalp 」什么#

先拆开一个跨式组合的希腊字母。买入 ATM 跨式 = 同时持有一张看涨和一张看跌，行权价都等于现价 $K=S_0$ 。它的 Delta 近似为 0（看涨 Delta≈+0.5，看跌 Delta≈−0.5），所以一开始就是 Delta 中性的；但它有很大的正 Gamma 和不小的负 Theta。

Gamma 的物理意义是「Delta 对价格的敏感度」。价格每动一步，你的 Delta 就偏一点，于是你有机会：价格跌了、Delta 变负，你买回些标的把 Delta 补回 0；价格涨了、Delta 变正，你卖出些标的把 Delta 压回 0。一买一卖之间，你总是在「相对低的地方买、相对高的地方卖」——这就是 scalping（薅波动的羊毛）。

数学上，一次再平衡带来的 Gamma P&L 近似为：

$\Delta\Pi \approx \frac{1}{2}\Gamma\,(\Delta S)^2 - \Theta\,\Delta t$

左边第一项是你薅到的波动收益（与价格位移平方成正比，所以涨跌都赚），第二项是你每天付出的时间价值损耗（Theta 为负，持续流血）。策略能不能活，就看 $(\Delta S)^2$ 累积起来够不够付 Theta。而 $(\Delta S)^2$ 的期望，正比于已实现方差 $\sigma_{\text{real}}^2$ ；Theta 则按隐含波动 $\sigma_{\text{imp}}$ 定价。于是结论极其干净：

只有当 $\sigma_{\text{real}} > \sigma_{\text{imp}}$ 时，Gamma Scalping 才长期为正。 它赚的不是方向，是「实际波动比期权卖你时更疯」的那部分溢价。

二、从零写一个 Black-Scholes 定价器#

下面是一段不依赖任何期权库的 BS 定价器（用标准正态 CDF 的误差函数实现），后面整篇模拟都靠它：

import math
import numpy as np

def _ndf(x):                       # 标准正态累积分布
    return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0)))

def bs_call(S, K, T, r, sigma):
    if T <= 0:
        return max(S - K, 0.0)
    d1 = (math.log(S / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * math.sqrt(T))
    d2 = d1 - sigma * math.sqrt(T)
    return S * _ndf(d1) - K * math.exp(-r * T) * _ndf(d2)

def bs_put(S, K, T, r, sigma):
    if T <= 0:
        return max(K - S, 0.0)
    d1 = (math.log(S / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * math.sqrt(T))
    d2 = d1 - sigma * math.sqrt(T)
    return K * math.exp(-r * T) * _ndf(-d2) - S * _ndf(-d1)

def straddle_delta(S, K, T, r, sigma):
    # 看涨 Delta + 看跌 Delta；ATM 附近约为 0
    d1 = (math.log(S / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * math.sqrt(T))
    return _ndf(d1) + (_ndf(d1) - 1.0)

python

用 $S_0=K=100$ 、 $T=30/252$ （一个月）、无风险利率 0、隐含波动 20% 算一下权利金：bs_call + bs_put ≈ 5.50 元，相当于标的的 5.5%。这笔钱就是你入场先垫付、靠 scalping 慢慢赚回来的成本。

三、动态对冲模拟：把波动薅成现金#

核心循环很简单——每天（或更频繁）重新计算跨式的 Delta，把持仓标的调整到 $-\Delta_{\text{straddle}}$ 股，让组合回到 Delta 中性。现金流来自每次调仓的买卖价差（这里先假设零交易成本），到期时把标的平仓、跨式按内在价值结算：

def simulate_path(seed, sigma_real, rebal_every=1,
                  S0=100.0, K=100.0, T=30/252, r=0.0, sigma_imp=0.20):
    rng = np.random.default_rng(seed)
    N = 30
    dt = T / N
    t = np.linspace(0, T, N + 1)
    Z = rng.normal(size=N)
    S = np.zeros(N + 1); S[0] = S0
    for i in range(1, N + 1):          # 用真实波动 sigma_real 生成 GBM 路径
        S[i] = S[i-1] * math.exp((r - 0.5*sigma_real**2)*dt
                                 + sigma_real*math.sqrt(dt)*Z[i-1])
    premium = bs_call(S0, K, T, r, sigma_imp) + bs_put(S0, K, T, r, sigma_imp)
    cash = -premium                    # 买入跨式先付权利金
    shares = 0.0
    for i in range(1, N + 1):
        if i % rebal_every == 0:       # 每 rebal_every 个交易日对冲一次
            Ti = max(T - t[i], 1e-6)
            dS = straddle_delta(S[i], K, Ti, r, sigma_imp)
            target = -dS                # 持 -Delta 股保持中性
            trade = target - shares
            cash += -trade * S[i]       # 买卖标的的现金流
            shares = target
    cash += shares * S[N] + abs(S[N] - K)   # 到期：平标的 + 跨式内在价值
    return S, cash

python

注意一个工程细节：对冲时用的 Delta 是用隐含波动 $\sigma_{\text{imp}}$ 算的，而不是真实波动。这正是 scalping 利润的源头——你用一个「错误的」波动假设去对冲一个按真实波动运动的标的，误差在 $\sigma_{\text{real}}\neq\sigma_{\text{imp}}$ 时直接变现成 P&L。

一条 28% 已实现波动路径上的动态对冲：标的走势与对冲组合累计盈亏

上图是一条典型路径：标的在区间里上上下下，对冲组合从 −5.5（权利金）起步，靠反复低买高卖，到期累计转正。关键不是某一天赚多少，而是只要波动够大、来回够多，锯齿状的 scalping 现金流会系统性地把 Theta 填平并反超。

四、盈亏分布：已实现波动才是真正的裁判#

把上面单条路径扩展到 4000 条，分别用「高已实现波动 30%」和「低已实现波动 12%」两档驱动标的，看对冲组合的到期 P&L 分布：

盈亏分布：已实现波动高于隐含波动时策略才真正赚钱

结果非常刺眼也非常重要：

已实现 30%（高于隐含 20%）：均值 +2.76，胜率 99.2%——波动真的比期权卖你时更疯，scalping 大赚；
已实现 12%（低于隐含 20%）：均值 −2.19，胜率 0%——市场太安静，Theta 每天流血却薅不到羊毛，几乎必亏。

这就是 Gamma Scalping 的全部真相：它不是「波动越大越好」的无脑策略，而是「实际波动 > 你付出的隐含波动」的价差交易。 你卖空的是波动率风险溢价（VRP）的反面——你在赌 VRP 为负，即实际波动会超过市场定价。这也解释了为什么专业交易员做 scalping 前，一定会先看 VIX / IV 相对历史 RV 的位置：便宜的 Gamma 才值得薅。

进一步，可以把「打平所需的已实现波动」显式算出来。把一天内 scalping 的 Gamma 收益 $\tfrac12\Gamma\mathbb{E}[(\Delta S)^2]=\tfrac12\Gamma\sigma_{\text{real}}^2 S^2\Delta t$ 与 Theta 损耗 $\Theta\Delta t$ 放在同一格里持平，得到近似打平条件 $\sigma_{\text{real}}^2 \approx -2\Theta/(\Gamma S^2)$ 。代入我们的参数（ATM、剩余 1 个月、隐含 20%），反解出的打平已实现波动落在 19%~20% 附近——几乎等于你买入时付的隐含波动。换句话说：你买的不是「波动」，而是「比 20% 更疯的波动」；任何低于这条线的行情都在给你放血。 这也是 scalping 者盯着 RV/IV 价差入场、而非盯着波动率绝对值的原因。

五、对冲频率：再平衡越勤，Gamma 抓得越满#

连续对冲（每秒）理论上能把 Gamma P&L 精确兑现；现实中只能离散再平衡。我们用已实现 28% 一档，比较每 1 / 2 / 3 / 5 / 10 / 21 个交易日对冲一次的期望 P&L：

对冲频率：再平衡越频繁，Gamma 抓取越充分

曲线清楚地告诉我们：再平衡越频繁，期望 P&L 越高——因为离散对冲的误差（每次错过的一段 $\Delta S$ ）在频繁调仓下被压到最小，Gamma 的凸性收益被最大程度兑现。但真实世界有交易成本：每多一次调仓就多付一次双边手续费和买卖价差。所以实务上的最优频率，是「更频繁带来的 Gamma 增益」恰好覆盖「更频繁带来的交易成本」那一点——通常日内 scalping 在分钟级、跨式 scalp 在日频到小时频之间找平衡点。

六、三个必须直说的真实陷阱#

交易成本会吃掉一切。 上面的盈利都没算手续费、买卖价差、冲击成本。Gamma 越高、对冲越勤，成本斜率越陡。实操里 scalping 的净利润往往比「零成本」曲线低一大截，甚至转负。务必在回测里把每次调仓的单边成本算进去。
跳空（Gap）与钉住风险（Pin risk）。 GBM 假设连续路径，但财报、非农、加息这类事件会让标的隔夜跳空，你的 Delta 在跳空那一格完全失效，Gamma 凸性收益变成跳空损失。临近到期、标的价格正好卡在行权价附近时（pin risk），结算不确定性会让对冲头寸暴露方向性风险。
Vega 与波动率曲面的二阶风险。 跨式同时是负 Theta、正 Vega。如果 scalping 期间 IV 整体下移（vol crush，常见于事件兑现后），Vega 亏损会和 Theta 一起咬你。Gamma Scalping 赚的是路径上的波动，不是 IV 水平；别把它和「做多波动率」混为一谈。

最后一句收口：Gamma Scalping 是把「波动」这件商品低买高卖的对冲手艺，它的 alpha 不来自预测，而来自你以隐含波动买入、以已实现波动结算的那道价差。把它当成 VRP 的反向下注来风控，而不是当成「波动大就赚」的印钞机——后者在实盘里会被成本和跳空教育得很惨。

本文所有图表均由 Python（NumPy + Matplotlib）基于 Black-Scholes 定价与 GBM 蒙特卡洛模拟生成，数据为合成但结构贴近真实期权，仅用于方法演示，不构成任何交易建议。