CoinSkool

波動率風險溢價是什麼?賣波動策略的定價、執行與停手時機

分享

如果你把任何一個市場的隱含波動率與後來的已實現波動率畫在同一張圖上,會看到一個持續了數十年的現象:隱含波動長期高於已實現波動。這個差距就是波動率風險溢價(Volatility Risk Premium, VRP)。它普遍存在於大部分時間,並非只在少數極端時段才有的異常。這也是為什麼賣波動的策略看起來總是那麼容易賺錢。

波動率風險溢價,它到底在補償什麼?

溢價的本質是保險費

買期權的人買的是保護。持倉遇到跳空、遇到流動性斷層、遇到無法連續對沖的行情時,期權是唯一還能履約的工具。賣期權的人提供的正是這份保護,而 VRP 就是他們收取的保費。

這個視角一轉,很多事情就說得通了。保險費是對承保風險的補償,長期收取保費確實能累積正報酬,但前提是你承受得起偶爾一次的大額理賠。賣波動的策略之所以長期曲線漂亮、偶爾一次回吐數年利潤,正是因為它的收益結構跟保險業完全一樣:大部分時間收小錢,少數時間賠大錢。

所以當有人說「賣波動是穩定收益」的時候,更準確的說法是它的收益分佈為負偏。用 Sharpe Ratio 看它會覺得很吸引,但 Sharpe 假設報酬近似常態,而賣波動的報酬偏偏不常態。

波動率有清楚的季節結構

要判斷保費收得夠不夠,得先知道風險什麼時候來。波動率的分布遠比多數人想像的有規律:

  • 日內有所謂的開收盤效應
  • 一週之內工作日明顯高於週末
  • 月內亦有月初月末的差異

這些規律的成因並不神秘。固定時點的再平衡、期權與期貨的結算、宏觀數據的公布時間,都會把交易活動壓縮到特定窗口;而週末其他市場休市、新聞量下降、參與者減少,波動自然收縮。換句話說,波動的季節性其實是市場作息時間表的投影。

這個結構的實用價值在於,它讓「現在該收多少保費」變成一個可以估算的問題,不必單靠感覺。當你能預測未來一段時間的已實現波動大概落在什麼區間,你就有能力判斷當前隱含波動是偏貴還是偏便宜。這才是賣波動真正的決策依據。

從「溢價存在」到「溢價可交易」之間,隔著執行

這裡是最多人跌倒的地方。即使方向判斷完全正確,能不能把溢價真正收進口袋,取決於兩個常被低估的成本。

第一是摩擦成本。 波動率策略的持倉週期通常很短、調整頻繁,而每一次調整都要付價差。當單次預期的邊際收益只有幾個基點時,用市價單吃單幾乎必然把利潤全部交出去。這也是為什麼這類策略幾乎只能靠限價單執行,用被動成交去換取成本優勢。

第二是逆向選擇。 限價單有個天生矛盾:你的單子成交得越順,通常代表對手越急、資訊越充分。當市場朝著對你不利的方向快速移動時,你的報價會被大量吃掉;而當行情平穩、對你有利時,你的單子卻掛在那裡沒人碰。做市商把這種專挑自己報價下手的訂單流叫做毒流(toxic flow),它正是 VRP 策略在微觀層面的具體形式。你收的溢價,有一部分就是用來補償你被毒流選中的機率。

所以同樣一個賣波動的策略,在兩個不同的執行框架下,實際績效可以差到把策略從賺錢變成虧錢。定價模型給你的是理論邊界,執行品質決定的才是你實際拿到多少。 這兩者之間的差距,往往比策略本身的 alpha 更大。

什麼時候該停手

既然溢價是對風險的補償,那麼當風險本身改變時,溢價就該重新定價。有幾個訊號值得盯著:

  • 已實現波動開始持續抬升而隱含波動沒有跟上,代表保費收得不足
  • 波動率曲面的偏斜(skew)明顯走平,代表市場對尾部風險的定價正在下降
  • 流動性深度收縮,則意味著一旦需要調整部位,成本會比模型假設的高得多

這三個條件同時出現的時候,通常並不是加倉的時機。真正讓賣波動策略爆掉的,往往來自判斷之外的東西:在保費明顯不足的環境下仍然維持原本的規模。

回測階段表現良好的策略,進入實盤後仍需要持續檢視 Sharpe Ratio、最大回撤以及風險收益比是否維持穩定,並根據市場變化調整配置。對負偏的收益結構而言,這一步尤其不能省。

結語

波動率風險溢價是一份需要持續定價的合約。你要判斷的,在於以現在的價格,這份風險你願不願意接。溢價一直存在,問題從來只在價格。

很多人把賣波動當成穩定收益的來源,其實並非策略本身有問題,真正難的是:在保費充足時敢於收,在保費不足時敢於停,並且在兩者之間維持一致的執行紀律。

長期而言,穩定的決策框架,往往比一次成功的判斷更有價值。

原文出處:voltima_quant (@voltima_quant) 於 Threads · 查看原文

V

作者

Voltima Quant

全職自營量化團隊|多年交易經驗
專注研究CTA擇時、多因子截面策略
標的涵蓋Crypto、港美股、期貨、期權
以科學系統化手段 於波動中尋找最優化交易機會

推薦閱讀

原始峰度不夠用?下行半峰度與跳躍次數的替代方案

日報酬原始峰度以四次方計算,少數極端報酬容易主導整個估計值,且對稱性使其無法區分暴漲與暴跌的厚尾。本文介紹下行半峰度與跳躍次數兩個替代方案,分別針對左尾對齊與幅度敏感度進行改進,並比較三者在極端值敏感度、估計穩定性、換手率與經濟解釋上的差異。

Voltima Quant2026/11/03
美股板塊輪動熱力圖:提早察覺動能轉弱、避開風險的懶人致勝法

美股板塊輪動熱力圖:提早察覺動能轉弱、避開風險的懶人致勝法

市場轉弱往往早有跡象。本文介紹RS Terminal板塊輪動熱力圖,以每週相對SPY的強弱顏色,觀察能源、半導體等板塊資金流向,助你在價格逆轉前察覺動能變化,並分階段調整持倉、降低風險。

Lazy Beanz2026/10/31

因子報酬估計的雜訊與貝氏收縮:數學原理與先驗選擇

本文說明以歷史平均估計因子預期報酬的雜訊問題,以及均值變異數最佳化為何對估計誤差極度敏感。接著介紹貝氏收縮的數學框架、後驗均值與收縮強度,並比較零先驗、共同均值先驗與經濟先驗的差異,最後說明實務上如何選擇先驗以穩定因子配置。

Voltima Quant2026/10/27