方差风险溢价收割：卖波动为什么长期赚钱又偶尔归零

核心结论：「隐含波动长期高于已实现波动」是真的，但它不是卖波动赚钱的原因。 把方差风险溢价（VRP）精确设为 0 —— 也就是让保险公平定价、卖方在期望上一分钱不赚 —— 这个策略的中位路径依然是赚钱的：30 年中位 CAGR +1.35%，57.7% 的路径最终为正，单月胜率 63.2%。

而基准情景（VRP=15%）的中位 CAGR 是 +14.46%。两者的差距当然存在，但关键在于：在一个溢价精确为零的世界里，你依然会看到一条向上的净值曲线、一个大于 50% 的胜率、以及一份看起来很像 alpha 的业绩报告。

这意味着一件很不舒服的事：「我卖波动赚到钱了」这个观察，几乎不构成「存在方差风险溢价」的证据。

而同一个引擎里，均值口径的 CAGR 是 −12.69%。中位 +14.46%、均值 −12.69% —— 这不是矛盾，这是这门生意的全部内容。

一、先把这门生意的结构说清楚#

方差风险溢价收割，实务上有很多张皮：卖跨式、卖宽跨式、做空 VIX 期货、卖方差互换、备兑开仓、雪球产品的对冲端。剥掉包装，结构都是同一个：

期初收一笔固定的钱（执行方差 K），期末赔出一个随机的数（已实现方差 RV），赚 K − RV。

本文用最干净的形式来建模——月度方差互换，避免 delta 对冲误差、gamma 路径依赖这些与主题无关的噪音污染归因。

本文的基准设定（全部是真值，由构造给定，不是估计出来的）：

引擎自洽性先过一遍。执行价与已实现方差的期望差，应精确等于 VRP × E[RV]：

• 实测 E[K − RV] = 0.00484243
• 解析 0.15 × 0.0324 = 0.00486
• 相对误差 3.61e-03

E[RV] 实测 0.03242992 对构造值 0.0324，误差 2.99e-05。引擎没有加性偏差。

二、决定性对照：把溢价精确设为零#

这是全文最重要的一张表。安慰剂 A：VRP = 0，保险公平定价，卖方的期望利润精确为零（实测 E[K−RV] = −1.92e-05，就是蒙特卡洛噪音）。

看右边这一列。期望利润精确为零，但中位数是正的、多数路径赚钱、六成以上的月份收正收益。

原因不神秘，是一个纯粹的分布事实：已实现方差的均值远高于中位数。

• E[RV] = 0.0324
• median[RV] = 0.026618
• 比值 = 1.2172

公平定价的执行价 K 必须等于均值（这是精算公平的定义），而你每个月面对的那个 RV，典型值是中位数。于是在一个溢价为零的世界里，典型月份的损益是：

25 × (0.0324 − 0.026618) / 12 = +1.20% / 月

这笔钱不是溢价，是右偏分布的几何必然。 它会在绝大多数月份里稳定出现，然后在少数月份里被一次性全部收回——这正是均值为零的含义。

所以，那句在券商路演材料里出现率极高的话——「过去 N 年隐含波动平均比已实现波动高 X 个点，所以这是一个结构性的正期望策略」——它的证据和结论之间是断开的。观察到「大部分月份赚钱」，与「存在风险溢价」，在数据上几乎无法区分。

三、另外两条安慰剂：锁死机制#

安慰剂 B：零波动率不确定性。 把对数方差的波动设为 0、跳跃关掉，RV 每期精确等于公允值。此时损益是确定性的：

25 × 0.15 × 0.0324 / 12 = 1.0125% / 月 → 年化 12.8500%

• 实测中位 CAGR 12.849967%
• 解析 12.849967%
• 绝对偏差 1.23e-13
• 月度损益标准差 4.52e-11，归零概率 0.00%，中位最大回撤 0.00%

引擎在确定性极限下精确坍缩到解析解。

安慰剂 C：无跳跃。 保留全部波动聚集（φ=0.75）和全部对数正态波动率不确定性，只把跳跃拿掉：

这是一个非常干净的分离：中位收益几乎不变（12.61% vs 14.46%），而归零风险从 24.10% 精确塌到 0。

结论很硬：卖波动的收益来自波动率的分布形状，而它的死亡来自跳跃。这是两个可以完全分开的机制。 一个只用扩散型随机波动率模型（Heston 类）做风控的团队，会得到一个 Sharpe 1.59、最大回撤 26% 的策略画像——而真实世界里对应的是 24% 的归零概率。

四、中位数和均值指向相反的方向#

基准情景：中位 CAGR +14.46%，均值 CAGR −12.69%。

这不是数值问题。24.10% 的路径归零（CAGR = −100%），把均值拖到深度负值；而剩下 75.90% 的路径里，大部分表现得相当漂亮。这个策略的收益分布不是「有点偏」，是双峰的。

30 年终值的分位数：

注意 95 分位（+19.40%）和中位（+14.46%）挨得很近，而 5 分位直接是 −100%。上行被封顶（你最多赚到保费），下行没有底。 这是保险业务的标准形状，只是杠杆 25 倍之后它变得极端。

均值口径的盈亏平衡 VRP 是 31.39%，而基准 VRP 是 15%。安全边际 −52.2% —— 也就是说，按均值口径，这门生意在基准参数下是亏的，要让它在均值上打平，溢价必须比现在再翻一倍。

那到底该看哪个口径？取决于你是谁：

• 如果这是你自己全部的钱，你只能活在一条路径上，中位数（+14.46%）是更相关的数字，但你要接受 24.10% 的概率归零
• 如果这是一个基金产品，管理人赚的是所有路径上的管理费与业绩报酬，而投资人承担的是自己那一条路径，两者口径不同
• 如果这是一个资产负债表上的头寸，且亏损会传染到其他业务，那么均值口径（−12.69%）才是对的

同一个策略，同一份模拟，三个正确答案。这不是模棱两可，是这类损益结构的固有属性。

五、剂量反应：哪个参数决定生死#

VRP 扫描（其余参数不动）：

注意最右边一列：VRP 从 0 拉到 40%，归零概率只从 24.40% 降到 23.46%。 溢价决定你赚多少，几乎完全不决定你会不会死。这两件事在这个策略里是解耦的——而实务中「因为溢价高所以现在做更安全」是一个非常常见的推理。

跳跃强度扫描才是决定生死的那一个：

均值口径的过零点在 0.2100 次/年，而基准是 0.48 次/年。 你站在盈亏线错误的一侧，而且错得不少（超出 129%）。

归零概率对跳跃强度的斜率是 0.3013 /（次/年），高度线性。

这里有一个方法论上的麻烦：「未来 30 年平均每年会发生几次波动率跳升」恰恰是所有参数里最不可估计的那一个。 中位 CAGR 对它极不敏感（0 到 0.48 次/年之间，中位数在 12.6%~14.5% 之间几乎持平），而均值 CAGR 和归零概率对它极其敏感。你最容易观测到的指标，对这个最关键的参数最不敏感。

杠杆扫描出现一个典型的非单调：

中位 CAGR 在 40x 见顶后回落——不是因为 50x 更安全，而是因为归零的路径太多，把中位数本身拖下来了。如果用「中位收益最大化」来选杠杆，你会选到 40x，对应 39.48% 的归零概率。 这个口径本身就是陷阱。

六、仓位口径：Sharpe 分不出来，生死差 96 倍#

同一个策略、同一组随机数，只改仓位管理方式：

Sharpe 极差只有 0.584，而归零概率相差 96.4 倍。

其中四种口径的 Sharpe 挤在 0.637~0.883 这个区间里——在任何一份月度或季度业绩报告里，这四个数字是无法区分的。但它们对应的 30 年归零概率是 0.25% 到 24.10%。

最值得注意的是赔付封顶：把单次赔付限制在执行方差的 6.25 倍（相当于 2.5 倍波动），归零概率从 24.10% 塌到 0.25%，而中位 CAGR 反而更高（+15.87% vs +14.46%）——因为活下来的路径能继续复利。

这是全文少有的、几乎没有代价的改进。它在实务中对应的就是买一个更虚值的保护腿，把裸卖变成价差。代价是尾部那部分保费收不到了，而那部分保费恰恰是定价最贵、最不划算的一段。

「巨亏后停做 3 个月」这个直觉上很有吸引力的规则，效果基本为零（归零 23.82% vs 24.10%）——因为杀死你的那一次跳跃是在单月内完成的，等你反应过来，钱已经没了。 这是一个诚实的负面结果。

七、时间不会帮你验证，只会帮你误判#

前 5 年赚钱的路径，占全样本 90.21%。听起来这个策略非常稳。

但在这 90.21% 里面：

• 21.20% 到第 30 年变成亏损
• 20.69% 到第 30 年直接归零

也就是说，「前 5 年赚钱」这个事实，几乎不携带任何关于长期结果的信息。 前 10 年赚钱的路径（占 87.78%）里，仍有 17.26% 到 30 年翻负。

5 年滚动窗口的统计更能说明业绩报告长什么样：

九成的五年期看起来都很好，中位数接近 18%。 这就是为什么这类策略能持续募到钱——它在绝大多数可观测窗口里，确实提供了漂亮的数字。

首次跌破 50% 净值的概率是 29.09%，中位发生在第 133 个月（约 11 年）。你有足够长的时间建立信心，然后才轮到你付账。

八、样本量红线：Sharpe 这个指标在这里几乎没有意义#

月度损益的分布特征：

年化 Sharpe = 0.869。但是：

剔除最差 1% 的月份后，Sharpe = 2.419。

一个 Sharpe 2.4 的策略和一个 Sharpe 0.87 的策略，差别就是那 1% 的月份。而在 5 年（60 个月）的样本里，你有相当大的概率一次都没遇到。

把 30 年（360 个月）的样本做 bootstrap，估出来的 Sharpe 分布：

用 30 年的数据，你估出的 Sharpe 可能是 0.35，也可能是 2.25。 这不是估计精度问题，是这个分布本身导致的——峰度 245 的分布，样本 Sharpe 是极不稳定的统计量。

用天真的公式算所需样本量：(2σ/μ)² = 63.6 个月 ≈ 5.30 年。这个数字是错的，而且错得很危险。它假设独立同分布且分布不太病态；在偏度 −12.89、峰度 245 的情况下，它系统性低估了所需样本量。任何在这类损益上直接套用 t 检验的做法，都会得到一个过于乐观的结论。

九、代码实现#

核心引擎（完整脚本含全部扫描与安慰剂，此处为主循环）：

import numpy as np

TD_M = 12
PHI, SIG_X = 0.75, 0.45
LAM, JRATE = 0.04, 1.4
TARGET_RV = 0.18 ** 2

JMEAN   = JRATE / (JRATE - 1.0)              # E[e^J] = 3.5
JFACTOR = (1 - LAM) + LAM * JMEAN
# 反解 mu_x，使 E[RV] 精确等于目标值
MU_X = np.log(TARGET_RV / JFACTOR) - SIG_X ** 2 / 2

def simulate(n_paths=20000, n_months=360, vrp=0.15, lev=25.0,
             lam=LAM, sig_x=SIG_X, phi=PHI, mode="constant",
             cap_mult=6.25, seed=20260807):
    rng = np.random.default_rng(seed)
    s_innov = sig_x * np.sqrt(1 - phi ** 2)
    jmean   = JRATE / (JRATE - 1.0) if lam > 0 else 1.0
    jfactor = (1 - lam) + lam * jmean
    mu_x    = np.log(TARGET_RV / jfactor) - sig_x ** 2 / 2

    x = mu_x + sig_x * rng.standard_normal(n_paths)   # 从无条件分布起步
    equity = np.ones(n_paths)
    alive  = np.ones(n_paths, dtype=bool)

    for m in range(n_months):
        # 公允执行方差：以 t-1 状态为条件的真实期望（解析，非估计）
        fair   = np.exp(mu_x + phi * (x - mu_x) + s_innov ** 2 / 2) * jfactor
        strike = fair * (1 + vrp)

        # 状态推进
        x = mu_x + phi * (x - mu_x) + s_innov * rng.standard_normal(n_paths)
        jump = (rng.random(n_paths) < lam) * rng.exponential(1 / JRATE, n_paths)
        rv = np.exp(x + jump)

        rv_eff = np.minimum(rv, strike * cap_mult) if mode == "capped" else rv
        notional = (lev * (TARGET_RV / fair) if mode == "voltarget"
                    else np.full(n_paths, lev))

        pnl_raw = notional * (strike - rv_eff) / TD_M
        # 关键：亏损不可能超过全部资本，超出部分是违约缺口
        pnl = np.maximum(pnl_raw, -1.0)
        pnl = np.where(alive, pnl, 0.0)

        equity = equity * (1 + pnl)
        wiped  = equity <= 1e-12
        equity = np.where(wiped, 0.0, equity)
        alive  = alive & ~wiped

    yrs = n_months / 12
    cagr = np.where(equity > 0, equity ** (1 / yrs) - 1, -1.0)
    return equity, cagr

有三个实现细节直接决定结论对不对：

1. 损益必须在 −100% 处截断。 第一版没做这个截断，得到的月度偏度是 −453、峰度 214166、Sharpe 0.011、最差单月 −80588%。这些数字全是垃圾——它们描述的是一个「净值可以变成负数并继续参与复利」的世界。截断之后，偏度 −12.89、峰度 245、Sharpe 0.869。任何带杠杆的爆仓类模拟，都必须显式处理有限责任边界。

2. 执行价必须用条件期望，不能用无条件期望。 波动聚集意味着高波动之后大概率还是高波动，做市商会把这一点定进价格。如果用无条件均值当执行价，你会凭空造出一个「低波动时期卖得贵、高波动时期卖得便宜」的伪 alpha。

3. 初始状态必须从无条件分布抽。 如果所有路径都从 x = mu_x 起步，前若干期的方差会系统性偏低，制造一段虚假的平稳期。

十、这套东西真正的适用边界#

先说什么时候它确实成立：

做市商 / 券商自营 —— 他们的方差空头是客户需求的副产品（结构化产品对冲、备兑开仓委托），不是主动押注；他们有真实的、非对称的信息优势；最重要的是，他们的仓位口径天然接近「赔付封顶」——归零概率 0.25% 的那一行。

真正拿到高溢价的时点 —— 均值口径的盈亏平衡在 VRP=31.39%。历史上确实存在 VRP 冲到这个水平之上的时段（危机后的几个月），但那恰恰是所有人都在减仓、你的风控也不让你加仓的时候。

再说什么时候它不成立：

用中位数或 Sharpe 做决策的任何场景。 五种仓位口径里，Sharpe 极差 0.584、归零概率差 96.4 倍。中位 CAGR 最优的杠杆（40x）对应 39.48% 的归零概率。这两个指标在这类损益上，系统性地指向错误的方向。

「先小仓位试三年，跑通了再加」这个看似稳健的路径。 前 5 年赚钱的概率是 90.21%，而这 90.21% 里有 20.69% 最终归零。三年跑通不是证据，是这个策略的默认状态。 更糟的是，试跑成功会让你加杠杆，而加杠杆几乎不改变中位收益、线性放大归零概率。

任何把「卖波动」和「收租」类比的表述。 收租的下行是租客不付钱（损失有界），卖波动的下行是 25 倍杠杆下的方差跳升（损失可以精确等于全部本金）。这两个损益结构没有任何共同点。

12 个独立宇宙（不同随机种子）的中位 CAGR：CV = 0.0068，结论对随机数选择不敏感。

最后回到开头那个对照。VRP=0 的世界里，这个策略的中位路径依然赚钱。 所以下次看到一条向上的卖波动净值曲线时，值得问的不是「它赚了多少」，而是：如果溢价是零，这条曲线会长得不一样吗？

在这个模型里，答案是：不会有本质区别，除非你等够 30 年，并且刚好活到了付账那天。