尾部对冲的成本拖累：保险费到底吃掉多少长期收益

核心结论：尾部对冲的公平比较对象不是「不对冲」，而是「减仓到同样的尾部风险」。 因为降低尾部风险最便宜的办法从来都是少拿一点仓位，而这不需要买任何东西。

一旦换上这个对照组，结论变得非常微妙：同样把 99 分位最大回撤压到 74.70%，买保险的中位 CAGR 是 5.705%，减仓到 85.13% 仓位 + 现金是 5.657% —— 对冲多赚 0.048pp。

但如果换成中位回撤口径，判决立刻翻转：同样把中位回撤压到 44.97%，减仓组给 5.854%，对冲反而少赚 0.149pp。

同一个策略、同一批路径，两个风险口径给出相反的答案。 这不是模棱两可——这恰好说明了尾部对冲在买什么：它买的是分布最右端那一小块，而不是「风险」这个笼统的东西。

一、基准设定#

本文模拟一个最常见的实现：每月买入 1 个月期、执行价 = 90% 现价的看跌期权，名义等于组合市值，到期结算后滚动。

所有参数都是真值，由构造给定：

关键的建模选择：保费不用 Black-Scholes 定价，而是用精算公平值 × (1+加成)。

原因是 BS 假设对数正态，而这个世界里有跳跃。用一个平坦的隐含波动去给虚值看跌定价，会得到一个系统性低于真实期望赔付的价格——那样模拟出来的「对冲」会凭空变成一门赚钱生意（第一版就是这样，赔付率 150%，对冲白赚 1.04pp/年）。

改用精算公平值之后，赔付率有了精确的理论预期：

• 理论 1/(1+0.35) = 74.074%
• 实测 74.227%
• 偏差 1.53e-03

保费本身也做了核对：单月期权价 0.0020978，× 12 = 2.5174%/年，与模拟累计保费的偏差 1.39e-17。

关键对照组：不对冲的组合与对冲的组合共用同一组随机数，精确配对。两者的一切差异，100% 来自对冲本身。

二、三条安慰剂#

安慰剂 C（先看这条）：对冲比例 = 0。 保留全部代码路径，只把名义设为零。

• 中位 CAGR 拖累 0.000000
• 逐路径净值最大绝对偏差 0.000e+00
• 最大回撤最大偏差 0.000e+00

精确为零，不是「约等于」。实现层面没有任何泄漏。

安慰剂 A：公平定价（加成 = 0）。 保费精确等于真实期望赔付，保险公司一分钱不赚。

在公平定价下，买尾部保险是划算的——中位 CAGR 提高 0.322pp。

这个结果值得停一下。保费在期望上精确等于赔付（赔付率 100.80%，误差 0.8%），按线性期望，两边应该打平。但中位数变好了，因为避免大幅回撤本身有几何价值：损失 50% 需要赚 100% 才能回本。对冲把左尾切掉，提升了长期复合增长率——这是 Jensen 不等式在起作用，与择时能力无关。

于是拖累可以精确分解：

尾部对冲本身是有价值的，被吃掉价值的是保费的加成。 这两件事在实务讨论里经常被混为一谈——「对冲是负期望所以不要做」这个说法，在这个模型里是错的；正确的说法是「以当前市场价格买入是负期望」。

盈亏平衡加成是 16.25%，而基准是 35%。安全边际 −53.6%。

安慰剂 B：无跳跃。 把危机跳跃关掉，只留扩散：

• 中位 CAGR 拖累 −0.046pp（几乎为零，因为 90% 虚值的期权在纯扩散世界里基本不赔付）
• 赔付率 74.42%（加成结构不变，符合预期）
• 99 分位回撤：不对冲 70.46% vs 对冲 70.20%（几乎没有改善）
• 跑赢率 33.68%

保险的标的消失后，保险就只剩成本。 这条安慰剂确认了赔付确实来自跳跃，不是来自扩散段的噪音。

三、97.92% 的月份在付钱#

这是理解尾部对冲最重要的一张图。

把每个月「对冲组合 − 不对冲组合」的相对收益拿出来（共 480 万个月观测）：

剔除最好 1% 的月份，这个策略年化亏 2.24%。 全部价值集中在 480 万个月份里的那 4.8 万个。

这个结构有一个直接的实务后果：任何基于「最近表现」的评估，都会在错误的时点做出错误的决定。 在一个没有危机的 3 年里，对冲的拖累是持续的、可见的、每个月都在账单上；而它的价值是一次性的、不可预测的、只在最糟的那个月出现。

这也解释了为什么尾部对冲基金的资金流是顺周期的：危机后大量流入（刚看到赔付），平静期持续流出（每月都在亏）。而这恰好是最差的时点选择——危机后保险最贵，平静期最便宜。

四、非单调：更贵的保险给出更差的保护#

这是全文最反直觉的结果。

扫描执行价（虚值程度），其余不变：

看第一行和第二行。K=99% 的年保费是 21.14%，几乎是 K=97%（12.02%）的两倍，但它的 99 分位回撤（74.2%）反而比 K=97%（71.2%）更差。

原因很直白：保费本身就是回撤。 每年花掉 21.14% 的净值去买保险，这笔支出是确定的、持续的、直接计入净值曲线的。在一段没有危机的时期里，光是付保费就能造出可观的回撤——而保险赔付并不会在那段时间到来。

尾部保护最强的档位是 K=97%（99 分位回撤 71.2%），不是最贵的 K=99%。「买更接近平值的保护」这个直觉，在超过某个点之后会自我抵消。

而单位回撤改善最便宜的档位是 K=80%：花 0.60%/年 的保费，换 3.1pp 的 99 分位回撤改善，每 1pp 改善的成本约 0.026pp/年。K=97% 的同一指标是 0.246pp —— 贵 9.5 倍。

便宜的深度虚值保险效率最高，但它提供的绝对保护量很小。 这是个真实的权衡，不是「哪个更好」的问题。

五、危机要多频繁，保险才回本#

扫描跳跃强度：

注意：拖累随危机频率单调恶化，而且全区间没有过零点。

这是因为保费是按精算公平值定价的——危机变多，保费同步变贵，加成 35% 这个比例不变，于是买方永远付出那 35%。赔付率在全区间稳定在 74% 左右，正是这个机制的体现。

这个结果推翻了一个常见说法：「如果未来危机比历史更频繁，尾部对冲就会赚钱。」在一个保险定价会跟随风险调整的市场里，不会。 只有当你对危机频率的判断优于卖方时，才会赚钱——而那是一个关于信息优势的论断，不是关于尾部风险本身的论断。

对冲比例的扫描则是单调且温和的：

注意 1.50 那一行的中位回撤反而回升（45.3% > 44.9%），而 99 分位继续改善。过度对冲开始用中位数的钱去买更深的尾部——同样是保费制造回撤的效应。

六、保护是真的，而且只在尾部#

分位数上的对照非常干净：

改善随分位数单调增强。 这确认了买到的确实是尾部保护，而不是全局的波动率降低。

收益分布的两端：

左尾改善 0.746pp，右尾牺牲 1.219pp。 这是一个明确的分布重塑：削掉右边补贴左边，中位数付出 0.317pp 的代价。

如果你的效用函数在左尾足够陡（例如有强制平仓线、有赎回压力、有负债端约束），这笔交易是划算的。如果没有，它就只是把钱从一个口袋换到另一个口袋，中间被收了 0.317pp 的过路费。

七、样本量红线：219 年#

月度相对收益的均值 −0.0557%，标准差 1.428%，信噪比 0.039。

要以 |t| = 2 确认这个拖累真实存在，需要 2630 个月 = 219.1 年。

而 5 年滚动窗口的跑赢率是 35.85%，10 年窗口 37.58%。

把这两个数字放在一起看：你需要 219 年才能在统计上确认对冲是亏的，但每个 10 年窗口里有 62% 的概率它看起来确实是亏的。 这两件事不矛盾——前者说的是精确估计拖累的大小，后者说的是判断符号。

实务含义很直接：关于「尾部对冲值不值得」的争论，在任何人的职业生涯长度内都无法用实证数据解决。 双方都能找到支持自己的窗口。这也是为什么这个话题每次危机后都会重新吵一遍。

12 个独立宇宙的中位拖累：CV = 0.1737。明显高于本系列其他文章（多数在 0.01~0.07），而这个数字本身是信息：拖累的估计值高度依赖样本里恰好发生了几次危机——这正是样本量红线 219 年的另一种表述。

八、代码实现#

import numpy as np
from math import sqrt, exp

TD, TENOR = 252, 21
MU, SIG, RF = 0.07, 0.16, 0.02
JLAM, JMU, JSD = 0.25, -0.18, 0.10
MONEYNESS, LOAD = 0.90, 0.35

def fair_premium(mu, sig, jlam, jmu, jsd, moneyness, tenor, n=4_000_000):
    """精算公平保费 = 真实测度下的期望赔付（贴现）。
    不用 Black-Scholes：BS 假设对数正态，会系统性低估含跳跃分布的虚值看跌。"""
    rng = np.random.default_rng(987654321)
    dt = 1.0 / TD
    drift = (mu - jlam * jmu - 0.5 * sig ** 2) * dt
    sq, tot, done = sig * sqrt(dt), 0.0, 0
    while done < n:
        b = min(200_000, n - done)
        z  = rng.standard_normal((tenor, b))
        jn = rng.random((tenor, b)) < jlam * dt
        jz = jmu + jsd * rng.standard_normal((tenor, b))
        st = np.exp((drift + sq * z + np.where(jn, jz, 0.0)).sum(axis=0))
        tot += float(np.maximum(moneyness - st, 0.0).sum())
        done += b
    return tot / n * exp(-RF * tenor / TD)

def simulate(n_paths=20000, n_months=240, load=LOAD,
             moneyness=MONEYNESS, hedge_ratio=1.0, seed=20260807):
    rng = np.random.default_rng(seed)
    dt = 1.0 / TD
    drift = (MU - JLAM * JMU - 0.5 * SIG ** 2) * dt
    sq = SIG * sqrt(dt)
    prem = hedge_ratio * fair_premium(MU, SIG, JLAM, JMU, JSD,
                                      moneyness, TENOR) * (1 + load)

    eq_n = np.ones(n_paths); eq_h = np.ones(n_paths)
    peak_n = np.ones(n_paths); peak_h = np.ones(n_paths)
    mdd_n = np.zeros(n_paths); mdd_h = np.zeros(n_paths)

    for m in range(n_months):
        eq_h_open = eq_h * (1 - prem)          # 月初扣保费

        # 一次性生成整月 21 天：两条腿共用同一组随机数（精确配对）
        z  = rng.standard_normal((TENOR, n_paths))
        jn = rng.random((TENOR, n_paths)) < JLAM * dt
        jz = JMU + JSD * rng.standard_normal((TENOR, n_paths))
        gross = np.exp(drift + sq * z + np.where(jn, jz, 0.0))
        cum = np.cumprod(gross, axis=0)

        path_n = eq_n * cum
        path_h = eq_h_open * cum
        # 向量化 running peak：历史峰值与月内累计最高取大
        pk_n = np.maximum(peak_n[None, :], np.maximum.accumulate(path_n, axis=0))
        pk_h = np.maximum(peak_h[None, :], np.maximum.accumulate(path_h, axis=0))
        mdd_n = np.maximum(mdd_n, (1 - path_n / pk_n).max(axis=0))
        mdd_h = np.maximum(mdd_h, (1 - path_h / pk_h).max(axis=0))
        peak_n, peak_h = pk_n[-1], pk_h[-1]

        # 月末结算：名义 = 月初市值
        payoff = hedge_ratio * np.maximum(moneyness - cum[-1], 0.0)
        eq_n = path_n[-1]
        eq_h = path_h[-1] + payoff * eq_h_open

    yrs = n_months * TENOR / TD
    return eq_n ** (1 / yrs) - 1, eq_h ** (1 / yrs) - 1, mdd_n, mdd_h

三个容易踩的坑：

1. 不要用 BS 给这个期权定价。 第一版用了平坦 IV × 1.35 的 BS 价，结果赔付率 150% —— 保险被系统性低估，对冲白赚 1.04pp/年，整篇文章的结论会完全反过来。含跳跃的分布，虚值看跌的真实期望赔付远高于对数正态给出的价格。换成精算公平值 × (1+加成) 之后，赔付率精确落在理论值 74.07% 上。

2. 月度收益的分母口径必须一致。 对冲组合的月初净值要用扣保费之前的值，否则保费会被算进「收益」里，得到一个有偏的相对收益序列。

3. 回撤要在日频上算，不能只在月末采样。 月末采样会系统性低估最大回撤——跳跃通常在月内发生并部分反弹。但逐日 Python 循环跑 5040 步 × 35 次扫描是不可行的（第一版就卡死了）。解法是按月分块：外层 240 个月，内层 21 天一次性生成，用 np.maximum.accumulate 向量化算 running peak。

九、什么时候该买，什么时候不该#

该买的情况：

• 有硬性平仓线或负债端约束。 如果 −60% 的回撤会触发强制清算或大规模赎回，那么「99 分位回撤从 81.8% 降到 74.7%」不是一个统计学改善，而是生存与否的区别。此时中位数上那 0.317pp 是完全值得的。
• 买的是深度虚值。 K=80% 每 1pp 回撤改善只要 0.026pp/年，是 K=97% 的 1/9.5。如果目的是防灾而不是平滑净值曲线，越虚值效率越高。
• 在平静期买。 这个模型里加成是固定的，现实中不是——加成在危机后飙升、在平静期压缩。资金流恰好反着来。

不该买的情况：

• 目的是「降低波动」或「提高 Sharpe」。 中位回撤口径下，减仓到 92.67% 仓位就能达到同样效果，还多赚 0.149pp。尾部对冲不是减仓的高级版本，它是一个只在极端分位数上起作用的工具。
• 用近 3~5 年表现来评估。 5 年窗口跑赢率 35.85%，而 97.92% 的月份在付钱。任何基于近期业绩的评估都会在最糟的时点砍掉这个头寸。
• 相信「危机变多所以对冲会赚钱」。 危机频率从 0 拉到 1.3 次/年，拖累从 −0.046pp 单调恶化到 −1.366pp，全区间无过零点。保费会跟着涨。

最后回到那个分解。在公平定价下，尾部对冲的中位 CAGR 是 +0.322pp/年——它是有价值的。 实际的 −0.317pp，全部来自 35% 的加成，而盈亏平衡加成是 16.25%。

所以真正的问题从来不是「要不要对冲尾部」，而是：你付的这个加成，是 16% 以下还是 35% 以上？ 这个数字在市场上每天都在变，而它才是唯一决定答案的东西。