并购套利价差：把交易完成概率写进仓位

一笔典型的并购公告长这样：A 公司宣布以每股 100 元现金收购 B 公司。消息出来后，B 的股价从 70 元跳到 92 元——但没到 100。

为什么不直接冲到 100？ 明明有人白纸黑字要出 100 元买。

那 8 元的差距，就是并购套利价差（merger arbitrage spread），也是这整个策略赖以生存的东西。结论先放这：这 8 元不是市场的疏忽，是市场对『这笔交易可能完不成』开出的风险定价。 并购套利的本质，不是猜价差有多大，而是估准交易完成的概率，再把这个概率写进你的仓位。

一、价差从哪来：交易完成的不确定性#

收购公告发出到实际交割，中间通常要走 3 到 12 个月：股东大会投票、反垄断审查、监管批文、融资到位……每一关都可能卡住。价差就是市场对这些风险的定价。

从公告日到交割日，只有两种结局：

• 交易完成：股价收敛到收购报价（100 元），你赚下那 8 元价差
• 交易破裂：股价坍回到”没有收购时的独立价值”（可能跌回 70 元甚至更低），你巨亏

图里绿线是成功案例：价差随交割临近平滑收敛到报价。红线是破裂案例：交易在中途黄掉，股价从接近报价的位置直接坍塌回独立价值。这两条路径的收益极度不对称——成功赚 8%，失败亏 20%+。这个不对称，是理解并购套利一切风险特征的钥匙。

二、把套利写成一个条件期望#

并购套利的期望收益可以写成一个非常干净的条件期望：

$E[\text{收益}] = p \times \text{收敛收益} - (1-p) \times \text{破裂损失}$

其中：

• $p$ = 交易完成概率
• 收敛收益 = (报价 − 当前价) / 当前价（若成功能赚多少）
• 破裂损失 = (当前价 − 独立价值) / 当前价（若失败会亏多少）

def merger_expected_return(price, offer, standalone, p_complete):
    """并购套利的条件期望收益"""
    upside = (offer - price) / price          # 完成时的收益
    downside = (price - standalone) / price   # 破裂时的损失（正数）
    exp_ret = p_complete * upside - (1 - p_complete) * downside
    return exp_ret, upside, downside

# 例：现价 92，报价 100，独立价值 74
exp, up, down = merger_expected_return(92, 100, 74, p_complete=0.90)
print(f"完成时赚 {up*100:.1f}%，破裂时亏 {down*100:.1f}%，期望收益 {exp*100:.2f}%")

这个公式立刻暴露了并购套利最反直觉的一点：上行空间小、下行空间大。 你赌对了赚 8%，赌错了亏 20%。这意味着完成概率的一点点误差，就能把期望收益从正翻到负。

有了公式，就能反推盈亏平衡的完成概率——低于这个概率，期望收益就是负的，根本不该建仓：

$p^* = \frac{\text{破裂损失}}{\text{破裂损失} + \text{收敛收益}}$

图里那条竖的红线就是盈亏平衡完成概率。它的位置由收益/损失比决定：下行越大、上行越小，要求的完成概率就越高。 一笔”赚 8% / 亏 20%“的交易，需要完成概率超过约 71% 才值得做——这也解释了为什么并购套利者对完成概率的估计如此偏执。

三、完成概率怎么估#

这是整个策略的技术核心。完成概率不是拍脑袋，而是有一整套可量化的因子：

def estimate_completion_prob(features):
    """用交易特征估计完成概率（logistic 打分示例）"""
    import numpy as np
    # 各因子的经验方向（正 = 提高完成概率）
    score = (
        0.8  * features["friendly"]          # 善意收购 vs 敌意
        + 1.2 * features["all_cash"]          # 全现金 vs 换股
        - 1.5 * features["antitrust_risk"]    # 反垄断风险（负向）
        - 1.0 * features["financing_risk"]    # 融资不确定性（负向）
        + 0.6 * features["strategic_buyer"]   # 战略买家 vs 财务买家
        - 0.8 * features["regulatory_cross_border"]  # 跨境监管
    )
    prob = 1 / (1 + np.exp(-score))   # logistic 映射到 [0,1]
    return prob

deal = {"friendly": 1, "all_cash": 1, "antitrust_risk": 0.3,
        "financing_risk": 0.1, "strategic_buyer": 1, "regulatory_cross_border": 0}
print(f"估计完成概率 {estimate_completion_prob(deal)*100:.1f}%")

关键因子：

市场其实已经用价差隐含了一个完成概率。套利者的活儿，是判断自己估的概率 vs 市场隐含概率谁更准——如果你认为真实完成概率高于市场定价，价差就被高估了，值得进场。

四、收益分布：高胜率小赢 + 低频巨亏#

并购套利最需要理解的，是它的收益分布形状。因为单笔交易高胜率（大多数宣布的并购最终会完成）、但失败时巨亏，整个策略的收益分布是**强烈负偏（negatively skewed）**的：

import numpy as np
import pandas as pd

np.random.seed(7)
N = 5000
p_succ = 0.92   # 历史上约 90%+ 宣布的并购会完成

# 成功：小赢（均值 6%）；失败：巨亏（均值 -20%）
outcomes = np.where(
    np.random.rand(N) < p_succ,
    np.random.normal(0.06, 0.015, N),
    np.random.normal(-0.20, 0.05, N)
)
print(f"平均收益 {outcomes.mean()*100:.2f}%，胜率 {(outcomes>0).mean()*100:.0f}%")
print(f"偏度 {pd.Series(outcomes).skew():.2f}（负偏）")

这张图揭示了并购套利的真面目：它像在捡硬币前的蒸汽压路机前面捡钢镚（picking up nickels in front of a steamroller）。 92% 的时候你稳稳赚 6%，但那 8% 的破裂案例，单笔亏掉 20%，能一口气吞掉三四笔成功交易的利润。

这个分布形状有三个致命含义：

1. 平静期的高胜率会给人虚假的安全感——连赢十几笔后容易加杠杆，然后一个黑天鹅打回原形
2. 风险不能只看波动率——负偏分布的标准差低估了真实的尾部风险，要看最大回撤和左尾（CVaR）
3. 分散化是生命线——单笔巨亏无法避免，只能靠同时持有几十笔独立交易来摊薄

五、把完成概率写进仓位#

既然收益极度不对称、完成概率又是胜负手，那仓位就绝不能等权。核心思想：完成概率越高、价差风险回报越好的交易，给越大仓位；边际交易给小仓位甚至不做。

一个实用的框架是分数凯利（fractional Kelly）——用完成概率和收益/损失比算出理论最优仓位，再打个折以控制回撤：

def position_size(p_complete, upside, downside, kelly_fraction=0.3, max_weight=0.05):
    """按完成概率和赔率决定单笔仓位（分数凯利）"""
    # 凯利公式：f* = p/亏损 - (1-p)/盈利（赔率形式）
    b = upside / downside          # 赔率
    kelly = (p_complete * b - (1 - p_complete)) / b
    kelly = max(kelly, 0)          # 负凯利 = 不做
    weight = min(kelly * kelly_fraction, max_weight)  # 打折 + 单笔上限
    return weight

# 高确定性交易 vs 边际交易
print(f"高确定性 (p=95%): {position_size(0.95, 0.06, 0.20)*100:.1f}%")
print(f"边际交易 (p=75%): {position_size(0.75, 0.06, 0.20)*100:.1f}%")

对比”按完成概率加权”和”无脑等权”两种组合的净值：

概率加权组合的净值明显更平滑。原因不是它赚得更多，而是它在低确定性交易上下注更轻——当那些边际交易破裂时，损失被控制住了。仓位管理在这里不是锦上添花，是决定策略能不能活过尾部事件的核心。

六、A/B/C 三段式结论#

A. 实现细节#

• 价差信号：并购价差 = (收购报价 − 标的现价) / 现价，用日频收盘价计算；换股交易需用收购方股价动态折算报价，比全现金复杂得多
• 完成概率估计：用 logistic 打分融合善意/敌意、现金/换股、反垄断风险、融资确定性、买家类型、跨境监管等因子，映射到 [0,1]；同时反推价差隐含的市场概率做对照
• 建仓判定：只在”自估完成概率 > 盈亏平衡概率 $p^*$“时进场，$p^* =$ 破裂损失 / (破裂损失 + 收敛收益)
• 仓位管理：分数凯利（约 0.3 倍）结合单笔上限（如 5%），完成概率越高、赔率越好，仓位越大；边际交易小仓或放弃
• 收益口径：合成数据设定成功概率 92%、成功均赚 6%、失败均亏 20%，收益分布强烈负偏；概率加权组合净值显著平滑于等权

B. 已知偏差#

• 左尾是被”注入”的、真实可能更肥：合成数据里破裂损失设为均值 −20%，但现实中监管突袭、竞购战破裂、财务造假曝光可能造成 −40% 以上的单笔损失，尾部比模拟更厚
• 完成概率不可能估准：反垄断否决、政治干预、国家安全审查这类事件带有根本不确定性，任何模型对”黑天鹅式否决”都会系统性低估
• 价差 ≠ 无风险收益：并购套利在市场平静期表现稳定，但在系统性危机中，并购潮退、多笔交易同时告吹、流动性枯竭——它的尾部风险和股市高度相关，不是真正的市场中性
• 换股与融资的额外风险未充分建模：本文主要按全现金交易讨论，换股交易还叠加收购方股价波动、对冲比例、融资崩盘等风险维度

C. 结果解读#

• 收益形态是”高胜率小赢 + 低频巨亏”：92% 胜率会制造虚假安全感，真正定义这个策略的是那 8% 的左尾。判断一个并购套利组合好坏，看的不是平均收益，是最大回撤和它在破裂事件里的表现
• 完成概率是唯一的胜负手：价差大小是果，完成概率是因。同样 8% 的价差，完成概率 95% 是好机会、75% 是陷阱——盈亏平衡线（本例约 71%）之下的交易，价差再诱人也是负期望
• 仓位管理不是优化项而是生存项：等权组合会在尾部事件里被单笔巨亏重创，概率加权 + 单笔上限 + 分散化，是让策略活过黑天鹅的前提，而不是提升收益的技巧
• 分散化摊薄尾部：单笔破裂无法预测也无法避免，唯一的对冲是同时持有几十笔相关性低的独立交易，让任何一笔的巨亏都只是组合里的一小块
• A 股适用性差异大：中国市场的要约收购、重大资产重组有独特的制度节奏——停牌重组、证监会审核、借壳上市规则、要约收购触发线，与美式并购套利的时间线和风险结构完全不同。做空标的（对冲换股交易的收购方）还受融券约束，多空对冲腿难以照搬。落地前必须按 A 股重组制度重新建模完成概率与交割路径