期权希腊字母组合优化 — Vega-Neutral

日期: 2026-07-21 方向: Phase 3 / Greeks 组合优化 阶段: Phase 3: 实盘+规模化+迁移 标签: #VegaNeutral #GreeksOptimization #ThetaOnly #MarketNeutral #CalendarIC #scipy

---

今日目标

---

一、为什么是 Vega-Neutral：把「不知道的事」从 P&L 里隔离掉

Phase 1-2 我们做 Wheel / CSP / Iron Condor，本质都是 short vega + short gamma + long theta 的组合。这套在 IV 横盘或缓降时很稳，但只要 IV 出现一次 spike（地缘黑天鹅 / FOMC 意外鹰派 / 财报暴雷），short vega 就会瞬间反咬：

• 2018 年 2 月 "Volmageddon"：VIX 从 17 跳到 50，一夜抹掉 XIV 全部市值，所有 short vol 散户被洗
• 2020 年 3 月：VIX 从 14 飙到 82，IC 卖方一周内全军覆没
• 2022 年 1 月：纳指 IV 没到极值，但 IV 平均上行 30%+，calendar 买方反而吃肉

核心认知：作为有 10 年金融业经验的 PM，你已经知道一个事实——赚 theta 的策略本质是卖保险。卖保险只有在「保费定价比真实风险高」时才赚钱。但你不可能每天判断 IV 是高估还是低估。所以更聪明的做法是：

不预测 IV 方向，但仍然收 theta。

这就是 vega-neutral 的目的：通过组合多个对冲方向相反的 vega 头寸，让 Net Vega ≈ 0，然后只让 theta 这一维度暴露。你不再赌「IV 会跌」，你赌的是「IV 不动 + 时间流逝」。

关键差异：Vega-Neutral 把"对 IV 方向的判断"这个最难判断的维度从 P&L 公式里抹掉了。你只暴露在 theta 和小 gamma 上，而 theta 是数学保证的（时间不会停），gamma 在小范围内可控。

---

二、构造逻辑：Calendar (+vega) ⊗ Iron Condor (-vega)

2.1 两个组件的 Greeks 谱

Long Calendar Spread（买远月、卖近月同 strike）：

Long  SPY 2026-09-19  $580 Call    (远月)
Short SPY 2026-08-15  $580 Call    (近月)

• Net Delta：≈ 0（两边 delta 相互抵消）
• Net Vega：+（远月 vega > 近月 vega，因为时间越长 vega 越大）
• Net Theta：+（近月 theta 衰减快于远月）
• Net Gamma：-（近月 gamma 比远月大，short 近月使 net gamma 为负）

Short Iron Condor（卖宽幅 strangle + 买更远 strangle 做保护）：

Sell  SPY 2026-08-15  $560 Put
Buy   SPY 2026-08-15  $550 Put     (下保护)
Sell  SPY 2026-08-15  $600 Call
Buy   SPY 2026-08-15  $610 Call    (上保护)

• Net Delta：≈ 0
• Net Vega：-（卖出端 vega > 买入端 vega，因为 ATM 附近 vega 大）
• Net Theta：+
• Net Gamma：-

2.2 组合后的相消

数字是示意，真实交易必须用当日链数据重新算。

2.3 为什么是 "calendar + IC" 而不是其他组合

我考虑过几种 vega-neutral 的实现方式：

Calendar + IC 的本质优势：两腿都收 theta，相当于双引擎在烧时间。如果只是单纯抵消 vega（如 long straddle），你会同时损失 theta。

---

三、具体例子：SPY Vega-Neutral 组合

以 2026-07-21 为例（假设 SPY = $585，IV30 = 14.5%）：

3.1 候选持仓

A 组：Long Calendar (1 spread)

• Long SPY 2026-10-17 $585 Call @ $14.50
• Short SPY 2026-08-15 $585 Call @ $5.20
• 净付出：$9.30 × 100 = $930

B 组：Short Iron Condor (1 IC)

• Sell SPY 2026-08-15 $560 Put @ $1.85
• Buy SPY 2026-08-15 $550 Put @ $0.95
• Sell SPY 2026-08-15 $605 Call @ $1.60
• Buy SPY 2026-08-15 $615 Call @ $0.80
• 净收到：$1.70 × 100 = +$170
• Margin requirement：$10 × 100 - $170 = $830

3.2 单组件 Greeks

3.3 求最优比例

目标：Net Vega = 0

N_cal × 78 + N_ic × (-39) = 0
若 N_cal = 1, 则 N_ic = 2

最终组合：1 Calendar + 2 IC

注：实际持有 25 个交易日，期间 theta 衰减不是线性的（gamma 上升 → theta 加速 → 但同时尾部风险上升）。这只是理想化的"今天看起来的瞬时数字"。

---

四、Greeks 协同优化的目标函数

把它写成正规的优化问题：

$$ \begin{aligned} \max_{n_1, \dots, n_K} \quad & \sum_{i=1}^{K} n_i \cdot \theta_i \ \text{s.t.} \quad & \left| \sum n_i \cdot \Delta_i \right| < \epsilon_\Delta \ & \left| \sum n_i \cdot \nu_i \right| < \epsilon_\nu \ & \sum n_i \cdot \Gamma_i > -\Gamma_{\max} \ & \sum n_i \cdot \text{Margin}_i < \text{Capital} \ & n_i \in \mathbb{Z}, ; n_i \geq 0 \end{aligned} $$

关键设计点：

1. Delta 中性化为软约束（$\epsilon_\Delta = 0.05 \times \text{Capital} / S$），不强求 = 0，避免组合无解
2. Vega 同样软约束，目标 $|\text{Net Vega}| < 0.10 \times \text{Capital}$
3. Gamma 不能 < $-\Gamma_{\max}$（否则一次 1σ 移动就吃掉一周 theta）
4. 整数约束：期权一张张买，不能买 0.7 张 → 必须用整数规划（MILP）
5. 目标函数：最大化 Net Theta，不是最大化期望收益——因为收益方差被 vega/gamma 约束已经控制了

---

五、代码实现：greek_neutral_optimizer.py

"""
TR Day 73 — Greeks-Neutral Portfolio Optimizer
Inputs:  candidate positions with their Greeks and margin
Outputs: integer quantities that maximize Net Theta
         subject to |Net Delta|, |Net Vega| constraints
"""

from dataclasses import dataclass
from typing import List
import numpy as np
from scipy.optimize import milp, LinearConstraint, Bounds, linprog


@dataclass
class Candidate:
    name: str
    delta: float
    vega: float          # $/1pt IV
    theta: float         # $/day (positive = receive)
    gamma: float
    margin: float        # $/contract
    max_qty: int = 10    # cap to keep things sane


def optimize_greeks_neutral(
    candidates: List[Candidate],
    capital: float,
    eps_delta: float = 5.0,    # |Net Delta| <  $/1pt of underlying
    eps_vega: float = 10.0,    # |Net Vega|  <  $/1pt of IV
    gamma_floor: float = -50,  # Net Gamma  > floor
    theta_floor: float = 0,    # Net Theta  > 0
) -> dict:
    """
    Solve as a Mixed Integer Linear Program.
    Maximize Net Theta = sum_i n_i * theta_i

    Implemented as minimize -Net Theta.
    """
    K = len(candidates)

    # Coefficients
    c = -np.array([cand.theta for cand in candidates])  # negate for min
    delta_v = np.array([cand.delta for cand in candidates])
    vega_v = np.array([cand.vega for cand in candidates])
    gamma_v = np.array([cand.gamma for cand in candidates])
    margin_v = np.array([cand.margin for cand in candidates])
    theta_v = np.array([cand.theta for cand in candidates])

    # Constraints, all as A x [lb, ub]
    constraints = [
        LinearConstraint(delta_v,  -eps_delta, eps_delta),   # |Δ| < eps
        LinearConstraint(vega_v,   -eps_vega,  eps_vega),    # |ν| < eps
        LinearConstraint(gamma_v,  gamma_floor, np.inf),     # Γ > floor
        LinearConstraint(theta_v,  theta_floor, np.inf),     # θ > 0
        LinearConstraint(margin_v, 0, capital),              # capital cap
    ]

    bounds = Bounds(
        lb=np.zeros(K),
        ub=np.array([cand.max_qty for cand in candidates])
    )

    integrality = np.ones(K)  # all integers

    result = milp(
        c=c,
        constraints=constraints,
        bounds=bounds,
        integrality=integrality,
    )

    if not result.success:
        return {"success": False, "msg": result.message}

    qty = np.round(result.x).astype(int)

    return {
        "success": True,
        "quantities": dict(zip([c.name for c in candidates], qty.tolist())),
        "net_delta":  float(qty @ delta_v),
        "net_vega":   float(qty @ vega_v),
        "net_theta":  float(qty @ theta_v),
        "net_gamma":  float(qty @ gamma_v),
        "margin":     float(qty @ margin_v),
        "theta_per_day_pct": float(qty @ theta_v) / capital * 100,
    }


# ---------- Example: SPY 2026-07-21 ----------
if __name__ == "__main__":
    candidates = [
        # Long Calendar @ $585
        Candidate(name="SPY_Cal_585", delta=-0.02, vega=+78, theta=+14,
                  gamma=-2.8, margin=930, max_qty=5),

        # Iron Condor 560/550-605/615
        Candidate(name="SPY_IC_560_605", delta=+0.01, vega=-39, theta=+11,
                  gamma=-4.2, margin=830, max_qty=10),

        # 备选：远月 calendar
        Candidate(name="SPY_Cal_580_Dec", delta=-0.03, vega=+95, theta=+11,
                  gamma=-2.0, margin=1150, max_qty=3),

        # 备选：窄幅 IC（更高 theta 但更高 gamma）
        Candidate(name="SPY_IC_Narrow", delta=0.00, vega=-52, theta=+18,
                  gamma=-7.5, margin=750, max_qty=8),
    ]

    res = optimize_greeks_neutral(
        candidates=candidates,
        capital=3000,
        eps_delta=5.0,
        eps_vega=10.0,
        gamma_floor=-40,
        theta_floor=20,
    )

    if res["success"]:
        print("=== Optimal Vega-Neutral Combo ===")
        for name, q in res["quantities"].items():
            if q > 0:
                print(f"  {name}: × {q}")
        print(f"\nNet Delta : {res['net_delta']:+.2f}")
        print(f"Net Vega  : {res['net_vega']:+.2f}")
        print(f"Net Theta : {res['net_theta']:+.2f} / day")
        print(f"Net Gamma : {res['net_gamma']:+.2f}")
        print(f"Margin    : ${res['margin']:.0f}")
        print(f"Yield     : {res['theta_per_day_pct']:.3f}% / day")
    else:
        print("Infeasible:", res["msg"])

5.1 期望输出（示意）

=== Optimal Vega-Neutral Combo ===
  SPY_Cal_585: × 1
  SPY_IC_560_605: × 2

Net Delta : +0.00
Net Vega  : +0.00
Net Theta : +36.00 / day
Net Gamma : -11.20
Margin    : $2590
Yield     : 1.39% / day

5.2 几个工程细节

1. integrality 必须传——否则 scipy 会返回 0.7 张 IC，无法执行
2. eps_vega 不要设为 0：受限于整数张数，往往无法严格 = 0，要给容差
3. gamma_floor 是最容易被忽略的安全阀：vega 中性化 + 无 gamma 限制 → 优化器会疯狂叠加 narrow IC（gamma 大但 theta 也大）→ 单次 1σ move 全部 blow up
4. margin 是硬约束，不能软化——超出 capital 直接被券商拒单
5. max_qty 是必要的：否则在极端参数下，优化器可能给出 100 张 IC（理论可行但你扛不住一次 squeeze）

---

六、市场中性 + Theta-Only 策略的历史 Sharpe

我从公开研究和我自己跟踪的对冲基金披露数据汇总：

核心观察：

1. 机构级 vega-neutral 策略的 Sharpe 集中在 1.2-1.8，这是个稳健的"统计意义上能赚钱"的区间
2. 散户版本能跑到 0.8-1.2，主要差距在：
   • 散户没有机构级的滑点（每张多损失 $0.05-0.15）
   • 散户的 commission 占比更高（IBKR $0.65/张 × 6 张 = $3.9 / 组）
   • 散户没有动态 delta hedging 的能力（手动调整成本高）
3. Tail risk 是真正的胜负手：LJM 跑了 11 年 1.5 Sharpe，2018 年 2 月一次 wipe out。所以做这类策略，Tail hedge 不是选项是必须

6.1 散户级 Tail Hedge 方案

最低成本的 tail hedge：

持有 vega-neutral 组合的同时
+ 每月固定 spend 5-10% 的 theta 收入买远期 OTM put

例：
组合每月赚 theta $1000
拿出 $80 买 SPY 30 delta OTM put（90 DTE）
这层 put 在 -15% drawdown 时 pay off 4-6x

这把 Sharpe 从 1.0 降到 0.8 左右，但避免了 -50% wipeout，长期复利反而胜出。

---

七、风险：vega-neutral ≠ P&L-neutral

这是这一天最重要的认知，必须深刻理解：

7.1 vega-neutral 只是某一瞬间的一阶近似

vega 是 $\partial V / \partial \sigma$，它本身随 spot 价格和时间变化：

$$\nu(S, t, \sigma) \neq \nu(S+\Delta S, t+\Delta t, \sigma+\Delta \sigma)$$

举例：SPY 今天 $585，组合 Net Vega = 0。

• 明天 SPY 跳到 $570（gamma 损失 = $11 × 15² × 0.5 ≈ -$1,237）
• 此时各 leg 的 vega 已经变化，组合不再 vega-neutral
• 如果接着 IV 上行 +3 vol points，新的 net vega（可能变成 -$30）× 3 = 额外 -$90

所以"vega-neutral"只在 $(S_0, t_0, \sigma_0)$ 这一点附近有效。距离越远，二阶 Greeks 越主导。

7.2 残留的二阶 Greeks

散户级处理方式：

• 不试图对冲二阶 Greeks（需要更多 leg，commission 吃光收益）
• 改用「及时再平衡」：每 3-5 天检查一次 Net Vega，如果 |Net Vega| > 10% of capital，rebalance
• Spot 出现 ±5% 移动时立刻重新优化

7.3 calendar 和 IC 的 expiry 不完全匹配

注意：

• Calendar 的近月 leg 通常 = IC 的 expiry（同一天）
• Calendar 的远月 leg 多 1-2 个月

近月 expire 时：

• IC 同时 expire（如果在 strike 间，全部归零，吃 max profit）
• Calendar 的近月归零，剩下 long 远月单腿（裸 long call，vega + delta 全部暴露）

操作纪律：到 expiry 前 5-7 天必须 close 全部，不要 hold to expiry。这一点违反就会从 vega-neutral 一夜变成 long call 单边赌徒。

7.4 IV skew 突变

实际期权链不是单一 IV，是 IV surface：

strike $550: IV = 18%
strike $570: IV = 16%
strike $585: IV = 14.5%
strike $600: IV = 15%
strike $615: IV = 17%

如果 skew 整体平移 → 你的 vega 计算还有效。 如果 skew 形状变化（如左侧 put skew 突然变陡，右侧 call skew 不变）→ Calendar (ATM) 的 vega 几乎没变，但 IC (OTM put leg) 的 vega 大幅变化 → 组合不再 vega-neutral。

这种skew 形态扭曲通常发生在：

• 重大事件前（FOMC / 大公司财报）
• 黑天鹅刚发生后（市场快速重新定价 tail risk）

应对：要么避开这些时间窗口建仓，要么用 risk reversal-based 的 skew 中性化（更复杂，超出今天范围）。

---

八、<$5k 账户的可行性评估

诚实地说：这套策略在 $1k 账户上做不了。

8.1 最小可行规模

• $1k 账户：做不了，连一组都不够
• $3k 账户：可以做一组，但完全没分散，单笔失误 = 大伤
• $5k 账户：可以做一组 + 留 $2k 缓冲，勉强可行
• $10k+：开始能做 2-3 组不同 expiry 的，时间分散有意义
• $25k+：能做多标的（SPY + IWM + QQQ + 个股），跨标的对冲

8.2 那 <$5k 该不该学这个？

该学，但不一定该实盘做。

学的价值：

1. 这套思路（中性化 + 隔离单一变量）在更大资金、更复杂策略里复用
2. 理解 Greeks 怎么相互抵消 → 对其他策略的风险管理也有帮助
3. 面试 quant / portfolio manager 岗位时，能讲清 vega-neutral 是基础
4. Paper trading 跑半年验证理解再上实盘也不晚

不实盘做的理由：

1. 资金不够 → 一次失败把 1/3 本金赔进去
2. Commission drag 在小账户上吃得厉害（commission/capital 比 > 0.5%）
3. 需要日常监控，对全职打工的人不友好

我的判断：Day 73 把它学透，paper trade 一个月，把代码跑通；实盘等账户 ≥ $10k 再启动。

---

九、vs 单纯 Wheel 的对比

9.1 关键洞察：两者收益来源不同，可以并行

并行的好处：

• Wheel 在牛市赚，VegaNeutral 在横盘赚 → 不同 regime 互补
• 整体组合的 Sharpe 高于单一策略（相关系数 < 0.3）
• 心理上也分散：一边没赚不慌，另一边可能正在赚

---

十、PM 视角：「中性化某一维度」是个通用方法论

这是今天最值得带回 PM 工作的思考。

核心心法：当一个变量你无法可靠预测时，最优策略不是赌它，而是从你的 P&L 公式里隔离它。

10.1 在投资里

• 不知道 IV 方向 → vega-neutral
• 不知道 spot 方向 → delta-neutral
• 不知道行业 beta → market-neutral long-short

10.2 在 PM / Product 工作里

• 产品定价：当你不知道用户对某个 feature 的真实付费意愿（弹性曲线）时，定价模型应该让 价格变化 × 弹性 这一项 = 0 → 用「价值锚定」而不是「成本加成」
• 招聘：当你不知道候选人的某个软技能维度（比如 leadership）时，结构化面试题应该把这个维度从其他维度（如技术能力评分）里隔离出来，独立打分，而不是混合
• 架构决策：当你不确定某个外部依赖（如某个第三方 API）的稳定性时，把它隔离到一个抽象层背后，让上层代码对它的稳定性"vega-neutral"
• 风控：当你不确定某个事件的概率（如黑天鹅）时，与其预测它，不如让组合对它「免疫」——这就是 tail hedge 的本质

10.3 对管理者的启发

10 年金融业经验告诉我们：最贵的错误不是「赌错方向」，而是「在不知道方向的情况下被迫下注」。

• 给团队留 "vega-neutral options"：能让团队保留可选性的决策
• 在不确定时收敛维度而不是发散：少做一些事，把变量减少
• "Don't trade vol when you don't know vol" → "Don't pivot product when you don't know user"

10.4 反思：金融 PM 转 Web3 PM 的迁移

我自己的 Web3 转型路径里，最大的不确定性是「市场轮动方向」——不知道下一波是 DeFi、AI×Crypto、还是 RWA。

应用 vega-neutral 心法：与其赌哪个赛道，不如让自己的能力对赛道方向「中性化」——

• 学通用 Web3 PM 技能（tokenomics / 链上数据 / 增长机制）→ 这是 delta
• 不深押单一赛道 → 避免 vega
• 通过产出可展示作品集 → 收 theta（时间流逝带来复利价值）

这正是为什么 90 天计划是「学方法论 + 数据能力」而不是「all-in 某个具体协议」。

---

十一、明日预告

Day 74: Phase 3 Week 10 复盘 + 期权策略库整合

• Week 10 的 Day 67-73 各篇笔记串成一张知识图：滚动调仓 / Calendar / Diagonal / Ratio Spread / 财报后 IV crush / Vega-neutral
• 整理「期权策略选择决策树」：给定市场状态（IV rank / spot trend / event proximity），自动给出最优策略
• 把 greek_neutral_optimizer.py 与之前的 wheel_scanner.py / iv_rank_filter.py / earnings_iv_crush.py 集成成一个 CLI 工具
• 模拟 Week 11 实盘准备清单：账户审查、风险预算、stop-loss 规则
• 准备 Phase 3 收尾的「策略组合配置文件」（YAML）

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 笔记理论部分读完 — ...
• [hh:mm] greek_neutral_optimizer.py 写完 + 单元测试通过 — ...
• [hh:mm] 用当日 SPY 链跑一次优化 — ...
• [hh:mm] Paper trading 下了一组 calendar + 2 IC — ...
• [hh:mm] 记录开仓时的 Net Greeks 快照 — ...
• [hh:mm] 设置 3 天后再平衡提醒 — ...
• 卡点 / 学到的：

---

总字数：约 6,400 字 今日完成度：理论 ✓ / 代码 ✓ / Paper 实操（明日跟进）/ 笔记 ✓