期权方法论 / 附录 · 速查与延伸 / 附录 B
目录
附录 · 速查与延伸 · Appendix

附录 B · Skew 的第一性原理

把全书的偏度图，追到它们共同的物理源头。

Part 5 教过怎么测 skew（Smile / Skew Slope / RR·BF）， Part 8 教过怎么用 spot-vol 相关性当情绪指标（Price-IV Correlation）。 这篇附录往下挖一层，回答一个所有偏度图背后的根因问题：为什么一只标的的 skew 会有它的符号？ 为什么股指几乎永远是 Put 比 Call 贵，而商品和加密标的却常常反过来？ 读完你会得到一条能套到任何资产上的判别链：从 skew 符号，一路追到价格被强制撕裂时会朝哪个方向裂。

§1skew 就是风险中性分布的形状

要理解 skew 的符号，先把 IV 还原成它真正代表的东西。期权价格等于风险中性概率下的期望 payoff， 而 IV 只是这个价格换一种说法。把不同 strike 的期权价格排在一起，能反推出一整条风险中性分布（risk-neutral density, RND）—— 这就是 Breeden–Litzenberger（1978）的经典结果：RND 正比于看涨期权价格对行权价的二阶导。

于是 skew 的符号有了一个干净的翻译：

  • OTM Call 贵（IV 在高 strike 一侧抬升）⟺ 风险中性分布右尾肥
  • OTM Put 贵（IV 在低 strike 一侧抬升）⟺ 风险中性分布左尾肥

所以"为什么 Call 比 Put 贵"等价于"为什么市场给这只标的的右尾定价更肥"。 接下来两节就是把这个"哪条尾巴肥"一路追到底：先追到一个可测的中间量（spot-vol 相关性），再追到它背后的经济机制。

§2第一层机制：spot-vol 相关性的符号决定 skew 的符号

把波动率本身看成一个会随价格变化的随机量。决定 skew 符号的中间变量，是一个能直接测量的数： 价格变化与波动率变化的相关性（spot-vol correlation，下记 ρ）—— 也正是 第 32 章 那条相关性曲线量化的东西。规律可以先记住：

ρ > 0（涨时 vol 放大）→ Call 贵（call-skew）　·　ρ < 0（跌时 vol 放大）→ Put 贵（put-skew）　·　ρ = 0 → 对称 Smile。

为什么相关性会决定尾巴的肥瘦？两个等价的直觉。

直觉一 · 路径放大器

假设 vol 在涨的时候变大（ρ > 0）。价格往上走时，波动率同步放大，这一步被推得更远；价格往下走时，波动率收缩，这一步走不远。 把所有路径的终点叠起来：上行被拉长、下行被压扁 → 右尾肥、左尾瘦 → Call 贵。 ρ < 0 完全镜像：vol 在跌时放大 → 下行被加速、上行被压缩 → 左尾肥 → Put 贵。 一句话——波动率是它所相关方向上的放大器，放大哪边，哪边的尾巴就肥，哪边的期权就贵。

直觉二 · vega 与 delta 同向「双赢」

持有一张 Call = long delta + long vega。若 vol 在涨时变大（ρ > 0），价格上涨时 Call 的 delta 赚钱、vega 同时也赚钱—— 两个引擎同向点火。这张 Call 是个"涨起来双倍爽"的资产，客观上更值钱 → 价格更高 → 反解出的 IV 更高。 ρ < 0 市场里，Put 是"跌起来双倍爽"的资产，于是 Put 被买贵。

这不是比喻，是定理。 在 Heston（1993）、SABR（Hagan 等 2002）这类随机波动率模型里，价格与波动率的相关系数 ρ 直接控制 Smile 的倾斜方向：ρ < 0 给出 put-skew（低 strike IV 更高），ρ = 0 给出对称 Smile，ρ > 0 给出反向 / call-skew（高 strike IV 更高）。 股指标定出的 ρ 通常在 −0.7 ~ −0.9 之间，这正是大盘 Smile 永远向 Put 倾斜的数学根。下面的探索器用的就是 SABR 闭式近似。

spot-vol → Smile 形变器 · SABR 近似（固定 ATM σ = 40%）

ATM IV
0.0%
25Δ RR (Call−Put)
+0.0
Skew Slope (Put−Call)
+0.0
形态
—
拖动 ρ 滑块开始 · 把 ρ 从 −0.9 推到 +0.9，看 Smile 从「左侧翘起（Put 贵）」翻转到「右侧翘起（Call 贵）」；ν 控制整条曲线的凸度（蝶式），DTE 控制翼部张开的程度。

Source: Hagan 等 (2002) SABR 对数正态隐含波动率闭式近似（β = 1）· 仅用于教学演示，非交易工具。

展开 · SABR（β = 1）隐含波动率近似与 ρ 的作用

SABR 模型把远期价 f 与波动率 α 写成两个相关的随机过程，相关系数为 ρ，波动率的波动率为 ν。 Hagan 等（2002）给出隐含波动率的闭式近似。取 β = 1（对数正态）时形式最干净：

$$ \sigma_B(K,f) = \alpha\,\frac{z}{x(z)}\left[\,1 + \left(\tfrac{1}{4}\rho\,\nu\,\alpha + \tfrac{2-3\rho^2}{24}\,\nu^2\right)T\,\right] $$ $$ z = \frac{\nu}{\alpha}\ln\!\frac{f}{K}, \qquad x(z) = \ln\!\frac{\sqrt{1-2\rho z + z^2} + z - \rho}{1-\rho} $$

关键在 z / x(z) 这一项：它在 ρ ≠ 0 时关于 ln(f/K) 不对称。 ρ < 0 时低 strike（K < f）一侧被抬高 → put-skew；ρ > 0 时高 strike 一侧被抬高 → call-skew；ρ = 0 时 z/x(z) 关于 0 对称，只剩 ν 贡献的对称凸度（蝶式）。这就是"ρ 的符号 = skew 的符号"的代数来源。 探索器固定 α 使 ATM σ ≈ 40%，再用本书 第 19 章 的方法在曲线上反读 25Δ 两翼，算出 RR 与 Skew Slope。

§3第二层（真·第一性）：相关性本身为什么有符号

§2 把 skew 追到了 ρ。但"为什么股指 ρ 是负、商品和加密 ρ 常常是正"还得再往下一层。 这里不能停在"跌了大家恐慌"这种描述——要问是什么机制强制波动率在某一边爆发。学术上有三条互相补充的解释，诚实地并列。

机制一 · 杠杆效应（financial leverage effect）

一家公司 = 股权 + 债务。股权本质是公司资产上的一个看涨期权（Merton 框架），是剩余索取权。 当股价下跌，股权那块缩水、相对债务变小 → 债务/股权杠杆率上升 → 股权变得更杠杆化 → 波动更大。 于是"价跌 → 杠杆升 → vol 升"是从资本结构里机械推出来的负相关。这正是 Black（1976）最早实证、Christie（1982）正式命名为"杠杆效应"的现象， Geske（1979）的杠杆型期权定价模型直接产出"左尾肥、右尾瘦"的偏度。

机制二 · 波动率反馈与风险溢价（volatility feedback）

因果也可以反过来跑：坏消息出现 → 不确定性上升 → 要求的风险溢价上升 → 折现率上升 → 价格立刻下跌。 在这条链里，是波动率先升、价格才跌，但同样产生负相关。

Bekaert & Wu (2000). "Asymmetric Volatility and Risk in Equity Markets." Review of Financial Studies 13(1): 1–42. Oxford Academic。 他们在公司层面检验后拒绝纯杠杆模型，认为波动率反馈才是不对称波动的主导解释。 这点很重要：杠杆效应不是唯一答案，把它当唯一解是 §6 的一个坑。

机制三 · 强制流的不对称（本书的统一直觉）

前两条机制可以收束成一个更直白的图像。市场的边际持有人是又多头又带杠杆的：价跌触发追加保证金、风险平价降杠杆、组合保险卖出 → 被迫卖 → 价更跌 → vol 更高， 向下自我强化。关键的不对称是：没有人会因为市场上涨而被强制买入。所以这个反身螺旋只有向下的方向存在——"楼梯上、电梯下"。 这条强制对冲流，也正是 第 25 章 讲的做市商负 Gamma 反馈在宏观层面的版本。

本书把三条机制压成一句判别式：看「被强制的、反身的、撞硬墙的那股流」指向哪边——它指哪边，vol 就在哪边爆，skew 就翘哪边。 这是本书对学术机制的综合表述，不是某一篇论文的原话，但它能把 §4 各资产类的差异统一解释，并直接对应 ρ 的符号。

§4把判别链套到各资产类

用 §3 那句判别式（强制流指哪边，skew 翘哪边）扫一遍主要资产类，就能看出 skew 谱系不是杂乱的，而是被各自的物理结构决定的。

FIG B.1 · skew 谱系 — 由 spot-vol 相关性符号排序 对称 (ρ≈0) ← Put 贵 (ρ<0, 左尾肥) Call 贵 (ρ>0, 右尾肥) → 股指 强稳 put-skew 单股 温和 put-skew 加密 来回翻 (regime) 商品 偏 call-skew
Fig B.1 skew 谱系的概念示意，按 spot-vol 相关性符号从左（Put 贵）到右（Call 贵）排列。 位置反映各资产类的结构基线而非某一天的瞬时值——加密尤其会在崩盘时整体左移、狂热时右移。

股指 · 强而稳的 put-skew

负相关被两条机制（杠杆效应 + 向下的强制去杠杆螺旋）同时驱动，且全世界 long-only 资金天然多头、结构性买 Put 对冲， 把 skew 进一步推向 Put 端。结果是 skew 既深又稳——这就是 第 22 章 SPY 案例里 Skew Slope 两年几乎从不跌破零线的原因。

单股 · 同样偏 Put，但浅得多

Bakshi, Kapadia & Madan (2003). "Stock Return Characteristics, Skew Laws, and the Differential Pricing of Individual Equity Options." Review of Financial Studies 16(1): 101–143. RFS (PDF)。 实证结论：单股的风险中性分布远不如指数那样负偏。他们把个股偏度拆成系统性与特质性两部分—— 指数的深 put-skew 主要来自系统性崩盘风险，个股各自的特质风险把这条 skew 摊薄了。

所以个股的 skew 基线天然比指数浅。更进一步，题材股、并购传闻标的、被大量做空的轧空候选， 它们的强制流可以指向上方（向上跳空收购溢价、逼空螺旋），于是出现罕见的 call-skew——这正是 第 21 章 §3 列出的几类 Smile 形态里"反向歪笑"的来源，也是 第 22 章 MRVL 案例里 Skew Slope 跨过零线的背景。

商品 · 反向杠杆效应（inverse leverage effect）

商品的供给短期无弹性。供给冲击（战争、干旱、减产）= 短缺 = 价格暴涨同时不确定性暴涨。 短缺是暴力且向上的，过剩则缓慢且向下（库存能缓冲）。根因是"库存不能为负"这堵硬墙——稀缺撞墙产生向上的凸性， 于是 vol 在上行爆发，ρ > 0，call-skew。文献里把这称为商品的"反向杠杆效应"（volatility 与价格同向上升）。 但要注意它不是铁律：原油在一些样本里仍呈杠杆效应（偏 Put），天然气则典型反向——具体看该商品的供需冲击主要朝哪边。

加密 · forward-skew，但会随 regime 翻面

比特币期权在波动率结构上被归入商品类：存在 forward skew（右翼系统性偏贵），驱动来自杠杆永续合约的逼空螺旋、采用叙事的病毒式凸性， 以及早期缺乏股指那种结构性 Put 买盘。但这里有个必须纠正的常见误解——

加密不是"永远 Call 贵"。 对 Deribit 逐笔数据的研究显示，比特币的 spot-vol 相关性有约 65% 的时间是负的， 并在崩盘期（2020-03、LUNA、FTX）整体翻成深度 put-skew。加密真正的特征不是"恒定 call-skew"，而是 forward-skew 的底色 + 频繁的 regime 翻面。把某段牛市样本里的 call-skew 当成它的永久属性，会在下一次崩盘时被打脸。 加密关联标的的特殊研究 routine 见 第 37 章。

§5怎么把这套用进研究

第一性原理的用处不是背规律，而是给你一个基线参照系。每只标的的 skew 都有一个由其物理结构决定的"结构基线"—— 股指深 Put、个股浅 Put、商品偏 Call、加密在零线附近震荡。信号不在 skew 的绝对值，而在它偏离自己基线的程度。

§6容易踩的坑 / 反证条件

坑 1 · 以为加密"永远 Call 贵"

加密的底色是 forward-skew，但 spot-vol 相关性多数时间仍为负，且崩盘时整体翻成 put-skew（§4）。 用牛市样本外推出"永久 call-skew"，会在 regime 切换时完全反向。

坑 2 · 把杠杆效应当成唯一解释

杠杆效应直观，但 Bekaert & Wu（2000）在公司层面拒绝了纯杠杆模型，波动率反馈往往才是主导（§3）。 用单一机制解释所有标的，会在杠杆很低却仍强 put-skew 的标的上失效——那是反馈/强制流在起作用。

坑 3 · 用指数的 skew 直觉套个股

个股的风险中性分布远不如指数负偏（BKM 2003）。指数那条深 Put-skew 大半来自系统性崩盘风险， 个股的特质风险把它摊薄了。直接拿"指数应该有的 skew 深度"去要求个股，会系统性误判个股的偏度是否异常。

坑 4 · 只看 skew 绝对值不看基线分位

"某标的 Skew Slope = +10 → 很恐慌"——但若它常态就在 +5~+15，+10 只是普通水平。 永远看当前值相对该标的自身历史分位，而不是绝对值。这与 第 22 章 误区 1 同源。

§参考文献

  • Black, F. (1976). "Studies of Stock Price Volatility Changes." Proceedings of the Business and Economics Section, American Statistical Association, 177–181.
  • Christie, A. A. (1982). "The Stochastic Behavior of Common Stock Variances." Journal of Financial Economics 10(4): 407–432.
  • Geske, R. (1979). "The Valuation of Compound Options." Journal of Financial Economics 7(1): 63–81.
  • Breeden, D. T. & Litzenberger, R. H. (1978). "Prices of State-Contingent Claims Implicit in Option Prices." Journal of Business 51(4): 621–651.
  • Heston, S. L. (1993). "A Closed-Form Solution for Options with Stochastic Volatility." Review of Financial Studies 6(2): 327–343.
  • Hagan, P. S., Kumar, D., Lesniewski, A. S. & Woodward, D. E. (2002). "Managing Smile Risk." Wilmott Magazine, 84–108.
  • Bekaert, G. & Wu, G. (2000). "Asymmetric Volatility and Risk in Equity Markets." Review of Financial Studies 13(1): 1–42. PDF
  • Bakshi, G., Kapadia, N. & Madan, D. (2003). "Stock Return Characteristics, Skew Laws, and the Differential Pricing of Individual Equity Options." Review of Financial Studies 16(1): 101–143. PDF
  • Carr, P. & Wu, L. (2017). "Leverage Effect, Volatility Feedback, and Self-Exciting Market Disruptions." Journal of Financial and Quantitative Analysis 52(5): 2119–2156.