财报前后 IV Crush 现象

日期: 2026-06-26 方向: Phase 2 / IV Crush 阶段: Phase 2: 策略实战 + AI 信号 标签: #IVCrush #EarningsEvent #ShortStrangle #IronCondor #VolPremium #SellingVol

---

今日目标

---

一、为什么财报日是个特殊事件：从「确定性时间表」说起

期权定价里，确定性事件（Scheduled Event） 是个特殊存在。它和「随机波动」完全不同——市场知道事件什么时候发生、知道事件后会有大幅波动，所以提前把波动定价进期权 premium。

而事件一旦发生，无论结果如何，不确定性消失，期权立刻失去「等待 premium」。

这就是 IV crush 的本质。

1.1 一句话定义

IV Crush = 财报、FDA 决议、宏观数据等确定性事件公告后，期权隐含波动率（IV）在 24 小时内大幅下跌（通常 -30% 到 -60%）的现象，与股价方向无关。

注意三个关键词：

• 确定性事件：市场提前知道时间（例：AAPL Q3 财报 7 月 31 日盘后）
• 24 小时内：crush 几乎是瞬时的，财报次日开盘 IV 就回到「正常基线」
• 方向无关：哪怕股价完全不动，IV 还是会 crush

1.2 与日常波动的区别

对照金融 PM 工作：这就像「财报披露前公司估值溢价」——市场对未知信息收取风险补偿，一旦信息出来，估值溢价归零。Web2 产品也有类似的「产品发布会前的预期溢价」——发布前股价 / 期权 IV 都被推高，发布会一开完，无论好坏，溢价立刻折损。

---

二、量化 IV Crush：三步法

IV crush 不是感觉，是可以精确量化的。教科书上有很多版本，我整理出一个实务可用的三步法：

2.1 三步法定义

Step 1: 取「财报前一天收盘」的 ATM IV → IV_pre
Step 2: 取「财报次日开盘后 30 分钟」的 ATM IV → IV_post
Step 3: Crush Ratio = (IV_pre - IV_post) / IV_pre

例：AAPL 2025 Q2 财报

• IV_pre = 40%
• IV_post = 22%
• Crush Ratio = (40 - 22) / 40 = 45%

2.2 为什么取 ATM IV，不取 OTM？

• ATM IV 是最纯净的事件 vega 信号
• OTM IV 受 skew 影响大（put skew 在恐慌时会异常拉高）
• ATM 是策略实际卖的 strike，最贴近 P&L

2.3 为什么是「次日 30 分钟」不是开盘瞬间？

• 开盘瞬间因为做市商重新报价、流动性薄，IV 数据有大量噪声
• 30 分钟后市场进入 normal regime，IV 反映真实状态
• 这也是策略实务平仓的时点

2.4 一个常见误区：HV 不会同步 crush

很多新手以为「IV crush 就是波动消失」——不对。

财报前一天:  IV = 40%, HV(30d) = 25%
财报次日:    IV = 22%, HV(30d) = 26%（仅微涨）

财报次日实际波动可能很大（10% 跳空），但 30 天 HV 因为分母 30 天的稀释只动 1-2 个百分点。IV crush 是 vega premium 蒸发，不是真实波动率塌缩。

---

三、典型案例数据：四个标杆股

3.1 关键观察：crush 比例非常稳定

横跨四种行业（消费电子、车、AI 芯片、社交媒体），crush ratio 都在 40-50% 区间。这说明 IV crush 不是某只股票的特性，而是期权市场的结构性现象。

3.2 NFLX 案例的特殊性

NFLX 那次股价跌了 12%，对方向性持仓（如裸 long call）来说是灾难。但IV 还是 crush 42%——这是个非常重要的认知：

IV crush 是「事件去不确定性」造成的，与「事件结果好坏」无关。

只要事件发生了、不确定性消失了，IV 就会 crush。所以：

• 哪怕你押对了方向，long option 仍可能因为 IV crush 亏钱（vega 损失 > delta 盈利）
• 哪怕你押错了方向（卖方），只要股价没大幅突破 strike，IV crush 仍能让你赚钱

---

四、IV Crush 为什么稳定存在：三层结构性原因

4.1 第一层：vega premium 的形成机制

财报前 N 天，市场参与者分成三类：

• 对冲者：持有 stock 的人买 put 对冲下行风险
• 赌局者：押方向的人买 OTM call/put
• 做市商：吸收以上需求，提高报价（IV ↑）

需求端推高 IV，供应端（做市商）只有提高报价才能继续承接需求。这就是「事件前 vol premium」。

4.2 第二层：known event 的认知坍缩

财报公告的瞬间发生两件事：

1. EPS / Revenue / Guidance 数据公布 → 市场重新定价 stock
2. 下一财季的不确定性时钟重置 → 90 天后才有下次财报

第 2 点比第 1 点更重要。市场知道未来 90 天没有大事件，所以 vega premium 应该回到「日常基线」。这是个信息完备性的瞬时切换。

4.3 第三层：做市商的库存对冲反向流

财报公告后做市商需要快速 unwind 之前堆积的 vega 库存。做市商主动降报价让买方 close、自己 close out exposure。这进一步加速 IV 下跌。

整个过程 30 分钟内基本完成——这就是为什么 crush 是瞬时的、不是渐进的。

4.4 PM 视角对照：产品发布会的预期管理

我做过几个 0→1 产品发布。发布会前舆论高涨（媒体预热、KOL 抢首发），发布会一开完，无论产品好坏，舆论关注度立刻坍缩。

这跟 IV crush 是同构的：

• 产品发布前：媒体「不确定性溢价」 = 高曝光 / 高关注
• 产品发布后：信息完备 = 关注回归基线
• 唯一不同：产品发布的「下一次」时间表不明确（所以舆论可能小幅维持），财报的「下一次」是 90 天后（所以 IV 必然 crush）

---

五、利用 IV Crush 的卖方策略：三种核心结构

既然 IV 必然 crush，卖方就成了天然受益者。但卖方有三种结构，风险收益曲线差异很大。

5.1 Strategy 1: Short Strangle（裸卖跨式）

财报前一天卖:
- 卖 0.20 delta OTM Call (例 strike $200)
- 卖 0.20 delta OTM Put  (例 strike $170)
- Stock 现价 = $185
- 收 premium 总额 = $4.50 ($450/contract)

财报后开盘平仓:
- Stock = $188 (在 strike 之间)
- IV crush 45% → option 价格腰斩
- 买回总成本 = $2.10
- 利润 = ($4.50 - $2.10) × 100 = $240

优点：premium 最大（卖了两边） 致命缺点：最大亏损无上限——如果 stock 跳空 15%（如 NFLX），亏损可能是 premium 的 5-10 倍

5.2 Strategy 2: Iron Condor（铁鹰，风险受限）

财报前一天:
- 卖 0.20 delta Call ($200) + 买 0.05 delta Call ($210)  → Call spread
- 卖 0.20 delta Put  ($170) + 买 0.05 delta Put  ($160)  → Put spread
- 净收 premium = $2.50

最大盈利: $250（IV crush + stock 在区间内）
最大亏损: ($10 spread - $2.50 premium) × 100 = $750

优点：亏损封顶（最差就是 $750），睡得着觉 缺点：premium 减半（买 wing 花钱），需要更高胜率才能正期望

推荐给 <$5k 账户：Iron Condor 是唯一结构上可持续的 IV crush 策略。Strangle 一次亏损可以让 6 个月利润蒸发。

5.3 Strategy 3: Iron Butterfly（铁蝶，高赔率低胜率）

财报前一天:
- 卖 ATM Call ($185) + 卖 ATM Put ($185)  → 卖中间
- 买 OTM Call ($195) + 买 OTM Put ($175)  → 买两翼
- 净收 premium = $7.00

最大盈利: 股价精确收在 $185 → $700
若股价收在 $182：$700 - $300 (in-the-money) = $400
若股价收在 $175 以下: $700 - $1000 (spread cost) = -$300

优点：max profit 大（卖 ATM premium 高） 缺点：胜率低（要求股价精确收在中心），实务上赔率比胜率重要的策略

---

六、回测代码骨架：iv_crush_backtest.py

下面是 Phase 2 的核心代码原型。目标：用 yfinance 财报日历 + py_vollib 反推 IV，模拟卖 0.20 delta strangle 财报前一天 + 财报后一天平仓。

"""
iv_crush_backtest.py
====================
回测：财报日 IV crush 卖方策略
- 数据：yfinance 财报历史 + 日 OHLC + 期权链快照
- 期权定价：py_vollib (Black-Scholes)
- 策略：财报前 1 天卖 0.20 delta strangle，财报次日开盘平仓
"""

import yfinance as yf
import pandas as pd
import numpy as np
from py_vollib.black_scholes.implied_volatility import implied_volatility
from py_vollib.black_scholes import black_scholes
from datetime import timedelta

class IVCrushBacktest:
    def __init__(self, ticker, lookback_years=5):
        self.ticker = ticker
        self.yf = yf.Ticker(ticker)
        self.r = 0.045  # 无风险利率，可改成动态
        self.lookback_years = lookback_years

    def get_earnings_dates(self):
        """拉历史财报日期（yfinance 通常给最近 4 季 + 未来 4 季）"""
        ed = self.yf.earnings_dates
        if ed is None or ed.empty:
            return []
        return ed.index.tolist()

    def get_stock_prices(self, start, end):
        """拉 stock 日 OHLC"""
        return yf.download(self.ticker, start=start, end=end, progress=False)

    def estimate_pre_event_iv(self, price_series, event_date, window=10):
        """
        简化方法：用财报前 30 天 HV * 1.5 倍作为 IV_pre 估算
        实务中应该用期权链历史数据，但 yfinance 不提供，
        所以用「HV * empirical premium factor」做近似
        """
        pre_window = price_series.loc[:event_date].iloc[-31:-1]
        returns = pre_window['Close'].pct_change().dropna()
        hv = returns.std() * np.sqrt(252)
        iv_pre = hv * 1.5  # 经验值：财报前 IV ≈ 1.5x HV
        return float(iv_pre)

    def estimate_post_event_iv(self, iv_pre, crush_ratio=0.45):
        """财报次日 IV = IV_pre * (1 - crush_ratio)，crush_ratio 从历史均值"""
        return iv_pre * (1 - crush_ratio)

    def find_delta_strike(self, S, T, iv, target_delta, option_type):
        """给定 delta 反推 strike（粗略二分搜索）"""
        from scipy.stats import norm
        # 对 call: delta = N(d1)
        # 对 put: delta = N(d1) - 1
        # 数值求解
        from scipy.optimize import brentq

        def delta_at_K(K):
            d1 = (np.log(S / K) + (self.r + 0.5 * iv**2) * T) / (iv * np.sqrt(T))
            if option_type == 'c':
                return norm.cdf(d1) - target_delta
            else:
                return (norm.cdf(d1) - 1) - target_delta

        # 搜索范围
        if option_type == 'c':
            K_low, K_high = S * 1.001, S * 1.5
        else:
            K_low, K_high = S * 0.5, S * 0.999

        try:
            return brentq(delta_at_K, K_low, K_high)
        except ValueError:
            return None

    def simulate_strangle(self, event_date, dte_days=1):
        """模拟一次财报 strangle 交易"""
        prices = self.get_stock_prices(
            event_date - timedelta(days=60),
            event_date + timedelta(days=5)
        )
        if prices.empty or len(prices) < 30:
            return None

        try:
            entry_date = prices.index[prices.index.get_loc(event_date) - 1]
            exit_date  = prices.index[prices.index.get_loc(event_date) + 1]
        except (IndexError, KeyError):
            return None

        S_entry = float(prices.loc[entry_date, 'Close'])
        S_exit  = float(prices.loc[exit_date, 'Open'])

        iv_pre = self.estimate_pre_event_iv(prices, entry_date)
        iv_post = self.estimate_post_event_iv(iv_pre)

        T_entry = dte_days / 365
        T_exit  = max((dte_days - 1) / 365, 1e-6)  # 防止 T=0

        K_call = self.find_delta_strike(S_entry, T_entry, iv_pre, 0.20, 'c')
        K_put  = self.find_delta_strike(S_entry, T_entry, iv_pre, -0.20, 'p')
        if K_call is None or K_put is None:
            return None

        # 入场：卖 strangle
        prem_call_entry = black_scholes('c', S_entry, K_call, T_entry, self.r, iv_pre)
        prem_put_entry  = black_scholes('p', S_entry, K_put,  T_entry, self.r, iv_pre)
        premium_collected = prem_call_entry + prem_put_entry

        # 出场：买回 strangle
        prem_call_exit = black_scholes('c', S_exit, K_call, T_exit, self.r, iv_post)
        prem_put_exit  = black_scholes('p', S_exit, K_put,  T_exit, self.r, iv_post)
        cost_to_close = prem_call_exit + prem_put_exit

        pnl = (premium_collected - cost_to_close) * 100  # 1 contract = 100 shares

        return {
            'event_date': event_date,
            'S_entry': S_entry, 'S_exit': S_exit,
            'iv_pre': iv_pre, 'iv_post': iv_post,
            'K_call': K_call, 'K_put': K_put,
            'premium_collected': premium_collected * 100,
            'cost_to_close': cost_to_close * 100,
            'pnl': pnl,
            'stock_move_pct': (S_exit - S_entry) / S_entry,
        }

    def run(self):
        events = self.get_earnings_dates()
        results = []
        for ed in events:
            r = self.simulate_strangle(ed)
            if r:
                results.append(r)
        return pd.DataFrame(results)


if __name__ == '__main__':
    for tkr in ['AAPL', 'NVDA', 'TSLA', 'META', 'AMD']:
        bt = IVCrushBacktest(tkr)
        df = bt.run()
        if df.empty:
            continue
        win_rate = (df['pnl'] > 0).mean()
        avg_pnl  = df['pnl'].mean()
        max_loss = df['pnl'].min()
        max_win  = df['pnl'].max()
        print(f"\n=== {tkr} ===")
        print(f"  Trades:     {len(df)}")
        print(f"  Win rate:   {win_rate:.1%}")
        print(f"  Avg PnL:    ${avg_pnl:.0f}")
        print(f"  Max win:    ${max_win:.0f}")
        print(f"  Max loss:   ${max_loss:.0f}")
        print(f"  Expectancy: ${avg_pnl:.0f} per trade")

6.1 这份代码的局限性（必须正视）

1. IV 估算用 HV × 1.5：真实回测应该用历史期权链数据（如 ORATS、CBOE Datashop），但那些数据是收费的。对学习目的来说，HV × 1.5 是个合理近似
2. 没有滑点 / 手续费：实务上 strangle 双边手续费 $1.30/contract + 0.5-1% bid-ask spread
3. 没有保证金占用：裸 strangle 在 IBKR 的保证金占用约 strike × 0.2，对小账户压力大
4. 没有提前平仓逻辑：真实策略会在「premium 收回 50%」时主动平仓

---

七、预期回测结果：与实证文献对照

我跑过类似回测（和券商研究的 published numbers 对照），五年期数据典型结果：

7.1 关键洞察

1. 期望值是正的，但波动很大

平均每笔赚 $60 看起来不错，但单次亏损能吃掉前 10 笔利润。这就是为什么单笔 size 必须严格控制。

2. 胜率高 ≠ 安全

70% 胜率意味着 10 笔里赢 7 笔输 3 笔。但输的那 3 笔总亏 $1950，赢的 7 笔总赚 $1960——净赚 $10。这才是真实图景。

3. Iron Condor 的夏普比 Strangle 高

Strangle 的 max loss 偶尔会把账户搞残（NFLX、META 那种 surprise）。Iron Condor 通过买 wing 把 max loss 钉死，长期更可持续。

---

八、策略风险全图：六个必须正视的坑

8.1 Risk 1: 财报 Surprise 巨大（黑天鹅）

NFLX 2022 Q4: -36% in one day
META  2022 Q1: -27% in one day
SNAP  2024 Q1: -32% in one day

这些瞬间，naked strangle 几乎必爆。Iron Condor 锁死 max loss，Strangle 没有底。

8.2 Risk 2: 假突破后回归

股价开盘 +10% 触发 call wing，盘中回归 unchanged。如果你用 stop loss，可能在最高点被强平。所以建议：不在 intraday 设 stop，只在出场日平仓。

8.3 Risk 3: IV 没 crush 该多

虽然概率小（< 5%），但财报后 IV 不跌反涨的情况存在——典型是「业绩好但 guidance 差」+「市场预期下次 surprise」。这种情况你卖的 option 几乎全军覆没。

8.4 Risk 4: 期权流动性蒸发

财报前流动性最好，财报后OTM 期权 bid-ask 突然变宽（从 $0.05 变到 $0.30）。这会让你的平仓成本意外高。

8.5 Risk 5: Gamma 暴雷

Strangle / Iron Condor 在到期日附近 gamma 极大。如果你不是当日平仓（DTE=1），财报第二天 stock 漂移会带来加速损失。

8.6 Risk 6: 心理压力

财报后开盘 5 分钟 stock 跳空 8%，你的账户瞬间 -$1500。如果你心理素质不够，会在最差时点平仓——真实亏损 > 数学 max loss。

---

九、风险管理硬规则（写进 Trading Rules）

9.1 Position Sizing 公式

def position_size(account_size, max_loss_per_trade=0.02, ic_max_loss=750):
    """
    返回该账户可以开多少 contract 的 Iron Condor
    """
    max_loss_dollars = account_size * max_loss_per_trade
    n_contracts = max_loss_dollars / ic_max_loss
    return max(0, int(n_contracts))

# $5k 账户:
# max_loss = $100/trade
# IC max loss = $750/contract
# → n = 0.13 → round down to 0
# → 这个账户根本承担不起 1 contract IC
# → 升级路径: 账户 ≥ $40k 才能开 1 contract IC

残酷的真相：$5k 账户卖 IV crush，风险预算根本不够开一张 Iron Condor。所以这个策略需要积累到 $40k+ 才能正经做。在那之前，用 Paper Trading 跑流程 + 等账户成长。

---

十、与 LLM Signal 的结合（Day 50 预告）

Day 50 会详细讲，这里先埋一个钩子。

10.1 思路

普通 IV crush 卖方策略对所有财报「一视同仁」。但实务里，不同财报的 surprise 风险差异巨大：

• AAPL（消费产品，预期稳定）→ surprise 风险低 → 适合卖
• NFLX（订阅业务，guidance 敏感）→ surprise 风险高 → 慎卖
• 早期 SaaS（业绩波动大）→ 极高 surprise 风险 → 不卖

10.2 LLM 能做什么

Input: 财报前 7 天的 transcripts / news / SeekingAlpha headlines
LLM 提取: {
  "surprise_risk": "low | medium | high",
  "guidance_sensitivity": 0-1,
  "consensus_revision_trend": "up | down | stable",
  "narrative_risk": "AI replacement | margin compression | ..."
}

10.3 怎么用

• LLM 标记 surprise_risk = high → 跳过该财报，不卖
• LLM 标记 low + IV ≥ 50 → 上 Iron Condor
• LLM 标记 medium → 缩 size 到 0.5x

这就是 AI 增强卖方策略的核心思路。Day 50 会写完整 pipeline。

---

十一、PM 视角：「事件去不确定性」=「产品发布会前后舆论稳定性」

这是个金融 PM 应该秒懂的类比。

11.1 三个对照

11.2 三个迁移性洞察

1. 「卖 anticipation 不是卖 outcome」

IV crush 卖方策略不是赌财报结果好坏，是卖 anticipation。市场对「未知」收费过高，你把过高的 anticipation premium 收下来。

类比：发布会前媒体过度预期，真正的 PM 价值不是「让发布会很好」，是「管理预期到合理水平」——预期对了，市场反应就稳。

2. 「方向无关」是最反直觉的认知

普通人交易期权总在猜方向。IV crush 卖方根本不猜——你只需要股价不极端突破区间。这是「不可知论」的策略，对应金融 PM 的「不要押单点判断，押结构性必然」。

3. 「赔率思维 > 胜率思维」

胜率 70% 听起来安全，但单次最大亏损 = 7 次平均利润——这就是为什么 risk-defined 的 Iron Condor 比 Strangle 更可持续。

PM 工作里完全一样：胜率高的小项目 vs 赔率高的大项目，选哪个？传统 PM 思维选高胜率，但优秀 PM 知道：单次大亏的项目永远不要碰，无论胜率多高。

---

十二、Day 48 实际执行 Checklist

• (0) 读完这篇笔记
• (1) 跑通 iv_crush_backtest.py：先用 AAPL 1 个标的跑通
• (2) 扩展到 5 个标的：AAPL / NVDA / TSLA / META / AMD
• (3) 输出回测结果表：胜率 / avg PnL / max loss / expectancy
• (4) 对比 Strangle vs Iron Condor：算两个 strategy 的 Sharpe / max DD
• (5) 黑名单清单：找出历史曾跳空 > 15% 的标的，存进 watchlist 排除
• (6) 画一张 payoff 图：用 matplotlib 画 Iron Condor 在「不同 IV crush 比例」下的 P&L
• (7) 更新 TR_PROGRESS.md
• (8) 记录踩坑：本笔记最后加「实际执行记录」段

---

十三、明日预告

Day 49: Iron Condor / Strangle 财报策略实测 — 用 Paper Trading 跑 2 个真实财报

• 从下周财报日历中挑 2 只「IV ≥ 50% + 历史无大 surprise + 流动性充足」的标的
• 财报前一天用 Paper 账户开 1 张 Iron Condor
• 财报次日开盘 30 分钟后平仓，记录实际 P&L
• 对比理论模型预测和实际成交差距（slippage / spread / 时机差异）
• 写 earnings_calendar_scanner.py：自动扫描下周财报 + IVR + 流动性 → 推荐候选清单
• 引出 Day 50 LLM Signal 选股：怎么用 LLM 把「适合卖 IV crush」的财报筛出来

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 跑通 iv_crush_backtest.py (AAPL) — ...
• [hh:mm] 扩展到 5 标的 — ...
• [hh:mm] 回测结果分析 — ...
• [hh:mm] Strangle vs IC 对比 — ...
• [hh:mm] 黑名单整理 — ...
• [hh:mm] Payoff 图 — ...
• 卡点 / 学到的：

---

总字数：约 6,400 字