标签： #收益分布

A 公司宣布以每股 100 元收购 B 公司，B 的股价却只涨到 92 元——留下的 8 元价差，就是并购套利者的猎物。这 8 元不是免费的：它是市场对『这笔交易可能黄掉』开出的风险定价。本文把并购套利拆成一个条件期望问题：收益 = 完成概率 × 收敛收益 −（1−完成概率）× 破裂损失，核心不是猜价差多大，而是估准完成概率、再把它写进仓位。用合成数据复现成功交易的价差收敛与失败交易的价格坍塌，画出完成概率驱动的盈亏平衡线，揭示这类策略『高胜率小赢 + 低频巨亏』的负偏收益分布，并证明按完成概率加权的仓位能显著平滑净值。诚实拆解：左尾风险、监管黑天鹅、A 股要约收购制度差异（中阶）。

Sharpe 比率把整条收益分布压缩成两个数：均值和标准差——第三阶矩以上的信息全被扔掉。本文构造了两个均值、波动率几乎完全相同的策略：一个偏度 -0.05 的正态型，一个偏度 -3.37 的卖期权型，Sharpe 说它们一样好，但后者藏着单日 -5% 级别的崩盘尾巴。Omega 比率的修复思路是不做任何压缩：给定阈值 θ，把分布切成两半，上半部分的概率加权面积除以下半部分——Omega(θ) 曲线本身就携带全部分布信息，两个矩相同的策略在曲线上一眼分开。用 SLSQP 做 Omega 最优组合权重扫描，揭示一个教科书很少讲的相变：θ=0 时优化器抱紧高 Sharpe 但偏度 -9.3 的卖波动策略，θ 抬到 3.5bp/日后权重瞬间 100% 切换到低 Sharpe 但正偏 +2.7 的趋势策略——阈值就是你对『什么算亏』的定义，定义变了最优组合跟着突变。打穿 Omega 优化的三个死穴：非凸性带来的局部最优陷阱、θ 选择的隐蔽自由度（本质是另一个可过拟合参数）、样本内 Omega 对尾部事件计数的极端敏感（进阶）。