Covered Call 历史回测 — 收益增强 vs 上行牺牲

日期: 2026-06-17 方向: Phase 2 / Covered Call 阶段: Phase 2: 策略实战 + AI 信号 标签: #CoveredCall #BXM #ThetaHarvesting #UpsideTradeoff #SPY #IVPremium

---

今日目标

---

一、为什么 Day 39 必须讲 Covered Call

Phase 2 已经走到 Week 6。Day 31-38 我们做了 cash-secured put（CSP）的卖方理论、IV 估值、Greeks、Wheel 的状态机草图、SPY 长期 IV 与 RV 的 spread 分析。Day 38 收尾时留了一个钩子：Wheel 策略后半段是 CC，而 CC 在「概率上 90% 都赚钱」的表象背后其实是一组非常苛刻的隐性假设。今天必须把这个假设展开。

CC 也是少数能用「公开历史数据 + 简单 BS 估算」反推出比较可信的回测结果的策略——CBOE BXM Index 自 1986 年起就在追踪一个标准化版本。它给我们提供了一个量化研究的难得场景：理论 vs 学界公认基准 vs 自己复跑结果，三者可以互相校准。

从职业路径上看，Day 30-45 这一段是 Phase 2 的「策略原型期」。CC 这种对个人量化最现实的「准被动收入」策略，需要在这个阶段把数据说清楚——不是为了「找到圣杯」，是为了知道它不能做什么，从而决定是否把它放进未来的实盘策略组合。

---

二、CC 的本质：用「上行潜力」做交易标的

2.1 一句话定义

Covered Call = Long 100 股股票 + Short 1 张 OTM Call。卖方收 premium，承诺在到期日如果股价超过 strike，必须按 strike 把股票交出去（called away）。

这句话本身没有信息量。真正有信息量的是它的等价改写：

CC 持有者把「股票超过 strike 之后的所有上涨」卖给了 call 买家，换得当下一笔确定的 premium。

这是个用未来概率换当下现金流的操作。在金融工程上，CC 的 payoff 与 short put 数学等价（put-call parity 推论），只是抵押物不同——CC 用股票做抵押，CSP 用现金做抵押。这意味着我们 Day 31-38 学的 CSP 全部 Greeks 直觉都可以平移过来，只是符号反一下。

2.2 Payoff 几何

记进价为 S0，strike 为 K，收到的 premium 为 P，到期日股价为 S_T。

2.3 数值直觉

假设 SPY = $500，卖 30 DTE 的 $510 strike call（约 0.30 delta），收 premium $5：

S_T = 480 (跌)    → CC payoff = -15;   long-only payoff = -20   → CC 多赚 $5
S_T = 500 (横)    → CC payoff = +5;    long-only payoff =  0    → CC 多赚 $5
S_T = 510 (微涨)  → CC payoff = +15;   long-only payoff = +10   → CC 多赚 $5
S_T = 525 (大涨)  → CC payoff = +15 (封顶); long-only = +25     → CC 少赚 $10
S_T = 550 (急涨)  → CC payoff = +15 (封顶); long-only = +50     → CC 少赚 $35

这张表是 CC 的全部秘密：在 80-90% 的月份它略胜 long-only（多吃 $5 premium），但在剩下 10-20% 的「急涨月」会显著 underperform。这是一种典型的负偏态收益结构——多数时候小赢，少数时候大输。

2.4 与 dividend yielding 的同构

我对这个结构有一种直接的金融 PM 直觉：

CC 在公司层面的同构物 = 「高 dividend payout 公司」。

把全部 free cash flow 分红的公司股价不会涨太高（因为没有 retained earnings 复利），但持有者稳定收到现金。把全部 cash 拿去 reinvest 的公司（Amazon 早期、伯克希尔）股价复利上涨但没现金回流。这两条路在 NPV 上理论等价，但风险曲线完全不同。CC 把「持有 SPY」从「Amazon 模式」改造成「Verizon 模式」。这个迁移视角后面 Section 8 我会再展开。

---

三、DTE 和 Delta 的取舍：学界研究怎么说

3.1 DTE 的三个候选

学界的经典研究（Hill, Balasubramanian, Gregory, Tierens 2006，《Finding Alpha via Covered Index Writing》）发现：30-45 DTE 区间在风险调整收益上几乎无差异，再长就开始有显著的机会成本。CBOE BXM 用月度 ATM call、BXMD 用月度 2% OTM call，都是 30 DTE 量级。

3.2 Delta 的取舍

Delta 在期权语境里近似等于「期权到期变成 ITM 的概率」。所以：

学界共识（多篇 CBOE white paper + Whaley 2002）大致是：

0.30 delta + 30 DTE 是「散户最优」的组合。

CBOE BXM 选 ATM 是为了基准化、不主动 alpha，但研究发现 OTM 30 delta 在 risk-adjusted 上反而更好——因为 ATM 在牛市中 100% 被截断上行，而 30 delta 只在尾部 30% 的月份被截断。

我们今天的回测就用 0.30 delta + 30 DTE，月度 roll。

3.3 一个常被忽略的细节：Roll 时机

Roll 不是「到期日才动」。学界 best practice 是：

• 如果还有 7-14 DTE，且 call 已经变成 0.50+ delta（深度 ITM 或临近 ITM）：roll up and out（往上、往后挪 strike 和到期）
• 如果到期日 OTM：让它自然过期（不要早期平仓），第二天卖新一张

这个细节回测里我们简化处理——月底强制平仓+开新。但实盘要意识到 roll 时机本身就有 5-10% 的年化超额可挖。

---

四、CBOE BXM Index：一个 38 年的「学界共识」

4.1 BXM 是什么

CBOE S&P 500 BuyWrite Index（BXM）从 1986 年开始追踪：

每月第三个星期五：
  1. 持有 S&P 500 现货组合
  2. 卖 1 张当月到期、刚刚 OTM (≈ ATM) 的 SPX call
  3. 收 premium 计入指数
  4. 到期日：现金交割结算损益
  5. 第三个星期五的下一个交易日：开新一月 call

BXM 给了我们一个长达 38 年的标准化基准，可以拿来回答：「长期来看 CC 真的能跑赢 long-only 吗？」

4.2 BXM 历史回报 vs S&P 500（粗略）

学界论文（Whaley 2002, Feldman & Roy 2005, Black & Szado 2016）的共识结论：

几个关键观察：

1. 长期 BXM 的年化与 SPX 接近，但波动率显著更低（年化 vol ≈ 11% vs SPX 15-16%）
2. 2014 后 BXM 跑输：因为牛市期间 ATM call 的上行截断「太狠」，BXMD（2% OTM）后续被推出来缓解这个问题
3. Sharpe 长期 BXM > SPX，但最近十年反过来——这反映了 2014-2024 是对 CC 最不友好的十年（持续低 vol + 牛市，CC 卖的 premium 太便宜，错过的上行太多）

4.3 BXMD：BXM 的「升级版」

CBOE 2008 年推出 BXMD（BuyWrite Index 2% OTM），就是为了解决「BXM 在牛市中被截断太狠」。从设计逻辑上：

我们今天的 0.30 delta 大致对应 2.5-3% OTM（取决于隐含波动率），所以我们的回测更接近 BXMD 风格。这是一个有意为之的选择。

---

五、历史回测：SPY 2014-2024 月度 CC

5.1 设计原则

策略：每月第三个周五开仓
  - 买入/持有 100 股 SPY
  - 卖出 1 张 30 DTE、0.30 delta call（≈ 2.5-3% OTM）
  - 用 BS 公式 + 历史 IV proxy 估算 premium
  - 到期日：
    - 若 SPY > strike：股票被 called away，按 strike 卖出，premium 入袋
    - 若 SPY ≤ strike：call 过期，留股票，premium 入袋
  - 下月第三个周五：再开仓

对比：long-only SPY（同期买入并持有，再投资 dividend）

5.2 为什么用 BS 估算而不是历史期权价格

Yfinance 没有历史期权数据。Bloomberg / OptionMetrics / CBOE DataShop 有，但都不免费。我们的取舍：

用 VIX 作 30-day IV 的 proxy 是学界常见做法（VIX 本身就是 30 天 SPX 隐含波动率的指数）。对 SPY 上的 30 DTE call，误差量级 ±15%，对长期均值的影响在 ±0.5% 年化以内——足够支撑「CC vs long-only」的方向性结论，但不足以判断具体某月某 strike 的精确收益。这点必须在结论里说清楚。

5.3 完整回测脚本

# tr_day39_cc_backtest.py
"""
SPY Covered Call vs Long-Only Backtest
2014-01-01 to 2024-12-31
Monthly rolls on the 3rd Friday, 30 DTE, ~0.30 delta strike (~2.5% OTM)
Premium estimated via Black-Scholes with VIX as 30-day IV proxy
"""
import numpy as np
import pandas as pd
import yfinance as yf
from datetime import datetime
from scipy.stats import norm

# ------------------------------------------------------------
# 1) Data
# ------------------------------------------------------------
START, END = "2014-01-01", "2024-12-31"

spy = yf.download("SPY", start=START, end=END, auto_adjust=False)
vix = yf.download("^VIX", start=START, end=END, auto_adjust=False)

# adjusted close for total return; close for option pricing
spy["Px"] = spy["Close"]
spy["AdjPx"] = spy["Adj Close"]
spy["DivYield"] = (spy["AdjPx"].pct_change() - spy["Px"].pct_change()).fillna(0)
spy["VIX"] = vix["Close"].reindex(spy.index).ffill()

# ------------------------------------------------------------
# 2) Black-Scholes call price + delta-to-strike
# ------------------------------------------------------------
def bs_call(S, K, r, sigma, T):
    if T <= 0:
        return max(S - K, 0)
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)

def strike_for_delta(S, r, sigma, T, target_delta=0.30):
    # solve: N(d1) = target_delta  =>  d1 = N^-1(target_delta)
    d1 = norm.ppf(target_delta)
    K = S * np.exp(-(d1 * sigma * np.sqrt(T) - (r + 0.5*sigma**2)*T))
    return K

# ------------------------------------------------------------
# 3) Find 3rd Friday of each month
# ------------------------------------------------------------
def third_fridays(date_index):
    dates = []
    for ym, group in date_index.to_series().groupby(date_index.to_period("M")):
        fridays = [d for d in group if d.weekday() == 4]
        if len(fridays) >= 3:
            dates.append(fridays[2])
    return pd.DatetimeIndex(dates)

roll_dates = third_fridays(spy.index)

# ------------------------------------------------------------
# 4) Backtest loop
# ------------------------------------------------------------
RISK_FREE = 0.025  # rough avg 2014-2024 (slightly understated for 2023-24)
CONTRACT_SIZE = 100

cc_equity = []
spy_equity = []
trade_log = []

cc_cash = 10000.0
spy_cash = 10000.0

# initial position: buy SPY at first roll date
init_date = roll_dates[0]
init_px = spy.loc[init_date, "Px"]
shares = cc_cash // (init_px * CONTRACT_SIZE) * CONTRACT_SIZE  # round to 100 lots
if shares < CONTRACT_SIZE:
    shares = CONTRACT_SIZE  # force at least 1 contract
cc_cash -= shares * init_px
spy_shares_lo = spy_cash / init_px  # long-only fractional
spy_cash = 0

for i in range(len(roll_dates) - 1):
    d_open = roll_dates[i]
    d_close = roll_dates[i+1]

    S = spy.loc[d_open, "Px"]
    iv = spy.loc[d_open, "VIX"] / 100.0
    T = (d_close - d_open).days / 365.0

    # strike at 0.30 delta
    K = strike_for_delta(S, RISK_FREE, iv, T, target_delta=0.30)
    premium = bs_call(S, K, RISK_FREE, iv, T)

    # collect premium upfront
    cc_cash += premium * (shares / CONTRACT_SIZE) * CONTRACT_SIZE

    # settle at close
    S_close = spy.loc[d_close, "Px"]
    if S_close > K:
        # called away: stock sold at K, then buy back at S_close to re-open
        cc_cash += shares * K
        # re-purchase same share count for next cycle
        cc_cash -= shares * S_close
    # if S_close <= K: nothing happens, premium already kept

    # apply SPY dividend (simplified: monthly accrual)
    div_accrued = spy.loc[d_open:d_close, "DivYield"].sum() * S
    cc_cash += shares * div_accrued
    spy_cash += spy_shares_lo * div_accrued  # reinvest
    spy_shares_lo += (spy_shares_lo * div_accrued) / S_close

    cc_equity.append((d_close, cc_cash + shares * S_close))
    spy_equity.append((d_close, spy_shares_lo * S_close + spy_cash))
    trade_log.append({
        "date": d_open, "S": S, "K": K, "premium": premium,
        "IV": iv, "S_close": S_close, "called_away": S_close > K
    })

cc_df = pd.DataFrame(cc_equity, columns=["date", "equity"]).set_index("date")
lo_df = pd.DataFrame(spy_equity, columns=["date", "equity"]).set_index("date")
log_df = pd.DataFrame(trade_log)

# ------------------------------------------------------------
# 5) Performance metrics
# ------------------------------------------------------------
def perf(equity, label):
    ret = equity.pct_change().dropna()
    yrs = (equity.index[-1] - equity.index[0]).days / 365.25
    cagr = (equity.iloc[-1] / equity.iloc[0]) ** (1/yrs) - 1
    vol = ret.std() * np.sqrt(12)  # monthly to annual
    sharpe = (ret.mean() * 12 - RISK_FREE) / vol
    cummax = equity.cummax()
    dd = (equity / cummax - 1).min()
    calmar = cagr / abs(dd)
    print(f"{label:15s} CAGR={cagr*100:5.2f}%  Vol={vol*100:5.2f}%  "
          f"Sharpe={sharpe:.2f}  MaxDD={dd*100:6.2f}%  Calmar={calmar:.2f}")
    return dict(cagr=cagr, vol=vol, sharpe=sharpe, dd=dd, calmar=calmar)

cc_perf = perf(cc_df["equity"], "Covered Call")
lo_perf = perf(lo_df["equity"], "Long-Only SPY")
print(f"\nCalled away rate: {log_df['called_away'].mean()*100:.1f}%")
print(f"Avg premium / S: {(log_df['premium']/log_df['S']).mean()*100:.2f}%  per month")

5.4 预期输出（基于学界文献的近似值，复跑会略有出入）

Covered Call    CAGR= 8.95%  Vol=10.30%  Sharpe=0.87  MaxDD=-19.80%  Calmar=0.45
Long-Only SPY   CAGR=12.10%  Vol=15.40%  Sharpe=0.76  MaxDD=-33.70%  Calmar=0.36

Called away rate: 31.4%
Avg premium / S:  0.74%  per month

5.5 把这张表读懂

---

六、CC 的「失效场景」：什么时候它是错的

6.1 系统性失效：牛市急涨

2020 年 4-12 月：
  SPY: $283 → $370    (+30.7%)
  BXM:                ~+15%
  CC underperform 约 -15%

2023 年全年：
  SPY: +24%
  BXMD: +11%
  CC underperform 约 -13%

2024 年（截至年中）：
  类似格局

机理：CC 的上行被封顶在「strike + premium」。SPY 涨 30%，你只能拿到 ~12-15%（premium 累积 ~9% + 被 called away 前的小段涨幅）。「牛市卖 call」是 CC 的死穴。

6.2 局部失效：单月急涨

哪怕长期 Sharpe 好，单月急涨也会让 CC 严重 underperform：

心理影响 >>> 数值影响。这种月份 CC 持有者会怀疑自己，可能在最坏的时刻（牛市顶部）放弃策略，转回 long-only，结果接着遇到回调——两边都没赚到。策略层面 + 心理层面的双重失效是 CC 最大的风险。

6.3 隐性失效：低 IV 环境

VIX < 13 的时段，premium 极低（0.30 delta 的月度 call 可能只有 0.3-0.4%）。这时：

• premium 收入 ≈ 年化 4-5%（vs 平均 ~9%）
• 但上行截断效应不变
• 风险收益比急剧恶化

学界有论文（Israelov 2017）建议在 VIX < 历史 20% 分位时暂停 CC或大幅降仓。我们的 Phase 3 实盘版可以加这个过滤器。

---

七、Wheel 视角：CC ≠ Wheel

我看到很多人把 CC 和 Wheel 混为一谈，这是错的。

Wheel 是有方向性的策略：你必须看好这个标的的长期价值，否则被 assigned 后会持续亏损。CC 是 Wheel 的一段，但 Wheel ≠ 永远 CC。

我们 Day 45 会写 Wheel 的完整状态机。今天的 CC 回测是 Wheel 的**「持股后半段」基准**。

---

八、PM 视角：CC 与企业 dividend policy 的同构

8.1 现金流分配的两种范式

我在金融业 10 年里看过的「资本回报」决策，本质都是同一个问题：

未来的不确定增长 vs 当下的确定现金流

CC 在投资组合层面就是「把 SPY 从 Amazon 模式转成 Verizon 模式」。

8.2 这个迁移视角给我们什么启发

1. 没有「免费 alpha」：CC 在 Sharpe 上看起来更好，但你永远不可能在所有市场环境下都 outperform。和高 dividend 公司一样，CC 在牛市中显著 underperform。「Sharpe 优」是一个长期平均后的统计结论，不是单月体验。

2. 「适合做 CC」的资产 = 「适合做高分红」的公司：成熟、增长有限、波动适中。SPY 是合格标的；TSLA / NVDA 不合格（IV 太高但同样上行潜力太大，CC 在牛市切割掉太多 upside）。

3. 个人投资者要做的真正决策：「我的人生阶段是想要 cash flow 还是想要复利？」——这和 CC 选择的本质是同一个问题。退休后 = 适合 CC；工作期能承受波动 = long-only。

4. CC 是「现金流型」资产配置工具，不是 alpha 来源：不要期待它跑赢 SPY，要期待它让你睡得着觉。

8.3 对未来实盘组合的指导

我会在 Phase 3 实盘里把 CC 放在「稳定现金流仓位」，规模 30-40%，主要做 SPY/QQQ 上的 CC，不在高 vol 个股（如 TSLA、AAPL 财报前后）做。这与我做的「长期主义 + 极少数高波动机会捕捉」整体框架一致。

---

九、今日产出 Checklist

• 跑通 tr_day39_cc_backtest.py，得到自己的 CAGR / Sharpe / MaxDD
• 对比是否在文献预期范围内（CAGR 8-10%、Sharpe 0.8-0.9、MaxDD -18~-22%）
• 画 equity curve：CC vs SPY 同图对比（matplotlib）
• 输出月度收益分布直方图，重点看左尾和右尾
• 单独列出 2020、2023 两个「失效年」，确认你能接受这种月度被动
• 把回测结果写入 docs/daily/TR-DAY39-RESULTS.md（包含 3 张表 + 2 张图）
• 更新 docs/daily/TR_PROGRESS.md Phase 2 Week 6 / Day 39 ✅
• 决策记录：是否把 CC 放进 Phase 3 实盘？仓位多少？为什么？

---

十、明日预告

Day 40: IV Rank 选股 — 把「卖 premium」从单一标的扩展到 universe

明天我们把今天的 SPY-only CC 扩展到一个多标的 universe（SP100 成分股 + 几个高 vol 个股）。核心问题是：

• IV Rank vs IV Percentile：哪个更适合做选股因子
• 如何在 100 个标的里每天找到 top 5 IV-rich 标的
• CC 在个股 vs 指数上的差异：个股 IV 高但 idiosyncratic risk 大
• 多标的 CC 组合的相关性管理：是不是又变成了一个「全是 long beta」的组合
• Phase 2 决策：是把 CC 做成 SPY-only 的「现金流仓」还是做成多标的的「IV 收割机」

代码侧目标：写出一个 iv_rank_screener.py，每天能输出当日 IV Rank top 10 的标的及推荐 0.30 delta strike。

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] yfinance 拉取 SPY + VIX 数据 — ...
• [hh:mm] BS 函数 + delta-to-strike 函数验证（手算 sanity check）— ...
• [hh:mm] 3rd Friday roll date 生成 — ...
• [hh:mm] 回测主循环跑通，CAGR/Sharpe/DD 输出 — ...
• [hh:mm] 与文献预期对比，差异分析 — ...
• [hh:mm] equity curve + 月度收益分布图 — ...
• [hh:mm] 2020 / 2023 失效年单独审视 — ...
• [hh:mm] 写完 PM 视角第八节，自我提问「我真的能接受 CC 在牛市 underperform 20% 而不动摇吗」 — ...
• 卡点 / 学到的：

---

今日完成度：理论 ✓ / 回测代码 ✓ / 结果分析（你自己跑）/ PM 迁移 ✓ 关键决策：CC 在 Phase 3 实盘组合中的角色与仓位（待 Day 60 Phase 2 收尾时定）