估值、情景分析与交易风险管理

对应课件：Lecture 4（2026-09-29）——从风险中性定价到希腊字母

1. 本讲主线

问题	工具	概率测度
未来现金流今天值多少？	估值（无套利、复制）	风险中性世界 $Q$
未来可能亏多少？	情景分析、压力测试	真实世界 $P$
如何对冲？	希腊字母、动态对冲	局部敏感度

核心思想：估值与风险度量都面向未来现金流，但使用的概率和回答的问题不同。模型给出可计算的近似，情景分析与压力测试负责寻找模型之外的损失。

2. 估值 vs 情景分析

估值（Valuation）

目标：未来现金流今天值多少？
核心：无套利、复制和风险中性概率。
输出：公允价值或价格区间。

情景分析（Scenario Analysis）

目标：未来可能发生什么，尤其是坏结果？
核心：真实世界概率、相关性和压力情景。
输出：损益分布、尾部损失与资金需求。

★ 例：卖出 100 万份执行价 55 美元的看涨期权，公允价值可能为每份 4.5 美元；但即使以 5 美元卖出，仍须关注股价超过 80 美元时至少 2,500 万美元的到期支付。

3. 从分布到估值

3.1 正态分布与标准化

若 $Y \sim N(m, s^2)$ ，则

Z = \frac{Y - m}{s} \sim N(0, 1), \quad \Pr(Y < y) = \Phi\left(\frac{y - m}{s}\right).

常用分位数：

概率	分位数
5%	$-1.645$
1%	$-2.326$
0.1%	$-3.090$

标准化的目的：把不同单位、不同波动率的风险转换到同一概率尺度。

3.2 几何布朗运动与对数收益

假设股价年化期望收益为 $\mu$ ，年化波动率为 $\sigma$ ：

\ln S_T \sim N\left(\ln S_0 + \left(\mu - \frac{\sigma^2}{2}\right)T, \sigma^2 T\right).

因此

S_T = S_0 \exp\left[\left(\mu - \frac{\sigma^2}{2}\right)T + \sigma\sqrt{T}Z\right], \quad Z \sim N(0,1).

对数价格为正态，价格为对数正态且不会为负。
波动随时间按 $\sqrt{T}$ 放大。
$-\sigma^2/2$ 是从简单收益转为对数收益的修正项。

3.3 价格阈值概率

股价在 $T$ 时低于阈值 $V$ 的真实世界概率：

\Pr(S_T < V) = \Phi\left(\frac{\ln(V/S_0) - (\mu - \sigma^2/2)T}{\sigma\sqrt{T}}\right).

高于阈值的概率为 $1 - \Pr(S_T < V)$ 。

★ 方向检查：阈值 $V$ 越高，低于它的概率越大；预期收益 $\mu$ 越高，低于固定阈值的概率越小。

3.4 从尾部概率反推价格分位数

有 $q$ 的概率跌破的价格 $V_q$ ：

V_q = S_0 \exp\left[\left(\mu - \frac{\sigma^2}{2}\right)T + \Phi^{-1}(q)\sigma\sqrt{T}\right].

例： $S_0 = 100$ 、 $\mu = 8\%$ 、 $\sigma = 20\%$ 、 $T = 1$ 年， $\Phi^{-1}(1\%) = -2.326$ ，则

V_{1\%} = 100 e^{0.06 - 2.326 \times 0.20} \approx 66.7.

模型含义：一年后股价跌破 66.7 的概率约为 1%。注意这是模型分位数，不是保证；跳跃、厚尾和波动率变化会使真实尾部更重。

4. 风险中性世界与定价

4.1 核心思想

风险中性世界是假想世界：投资者承担风险不要求额外补偿。
可交易资产的期望收益率等于无风险利率（有现金收益时扣除收益率）。
对未来支付求风险中性期望，再按无风险利率折现，即得无套利价格。

V_0 = e^{-rT}\hat{E}[\text{到期支付}].

符号 $\hat{E}$ 表示风险中性概率下的期望。

4.2 风险中性估值三步法

把标的资产的期望收益率设为无风险利率 $r$ 。
在风险中性分布下计算衍生品的期望到期支付。
以无风险利率把期望支付折现到今天。

\mu \to r \quad \Rightarrow \quad \text{构造风险中性分布} \quad \Rightarrow \quad \hat{E}[\text{payoff}] \quad \Rightarrow \quad e^{-rT}\hat{E}[\text{payoff}].

★ 风险中性概率用于定价，不等于投资者对未来的真实预测。

4.3 例：远期合约

无股息股票远期多头到期支付 $S_T - K$ 。风险中性世界中 $\hat{E}[S_T] = S_0 e^{rT}$ ，因此

f_0 = e^{-rT}\hat{E}[S_T - K] = S_0 - Ke^{-rT}.

若新签合约初始价值为零，则公平交割价 $K^* = S_0 e^{rT}$ 。
$S_0 = 100$ 、 $r = 5\%$ 、 $T = 1$ 年，则 $K^* = 105.13$ 。若合同交割价只有 102，多头初始价值为 $100 - 102e^{-0.05} = 2.97$ 。

4.4 例：二元期权

二元期权在 $S_T > V$ 时支付 100，否则支付 0：

B_0 = 100 e^{-rT} \hat{\Pr}(S_T > V),

其中

\hat{\Pr}(S_T > V) = \Phi\left(\frac{\ln(S_0/V) + (r - \sigma^2/2)T}{\sigma\sqrt{T}}\right).

例： $S_0 = 30$ 、 $V = 40$ 、 $r = 3\%$ 、 $\sigma = 30\%$ 、 $T = 1$ ，则

\hat{\Pr}(S_T > 40) = \Phi(-1.0089) = 15.65\%, \quad B_0 = 100 \times 0.1565 e^{-0.03} = 15.19.

4.5 Black–Scholes–Merton 欧式期权

无股息股票欧式看涨与看跌：

c = S_0 \Phi(d_1) - Ke^{-rT}\Phi(d_2), \quad p = Ke^{-rT}\Phi(-d_2) - S_0 \Phi(-d_1),

d_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T}.

公式来自连续动态复制与无套利，不要求投资者真的风险中性。
$\Phi(d_2)$ 可解释为看涨期权到期实值的风险中性概率。
$\Phi(d_1)$ 是看涨期权的 Delta，也是复制组合中的股票份额。

★ 模型依赖连续交易、无摩擦、恒定波动率等假设；市场中的波动率微笑正是模型偏差的证据。

4.6 真实概率 vs 风险中性概率

维度	真实世界 $P$	风险中性世界 $Q$
典型问题	未来实际会发生什么？	今天的无套利价格是多少？
股票漂移	$\mu$ ，含风险溢价	$r$ （有股息时为 $r - q$ ）
波动率 $\sigma$	同一扩散模型中仍为 $\sigma$	同一扩散模型中仍为 $\sigma$
主要用途	风险预测、资本与压力测试	衍生品与信用工具估值
概率含义	频率／主观预测	状态价格归一化后的权重

同一头寸可以在 $Q$ 下估值，再在 $P$ 下模拟损益；这正是情景分析的基本架构。

4.7 状态价格与风险中性概率

假设未来有 $n$ 个状态。第 $i$ 个 Arrow–Debreu 证券只在状态 $i$ 支付 1，今天价格为 $\pi_i$ 。

无风险贴现因子：

\sum_{j=1}^n \pi_j,

风险中性概率：

q_i = \frac{\pi_i}{\sum_{j=1}^n \pi_j}.

任意到期支付 $X_i$ 的价格：

V_0 = \sum_{i=1}^n \pi_i X_i = \left(\sum_{j=1}^n \pi_j\right)\sum_{i=1}^n q_i X_i.

$\pi_i$ 同时包含“状态发生的可能性”和“该状态下支付的稀缺价值”。
坏状态中的 1 元更有保险价值，因此可能拥有更高的状态价格。

4.8 信用市场中的两种违约概率

债券价格或信用利差可反推出风险中性违约概率。
历史违约数据、企业财务变量和评级迁移用于估计真实违约概率。
风险中性违约概率通常更高，因为信用利差还补偿系统性风险、流动性和模型不确定性。

粗略分解：

\text{信用利差} \approx \text{预期违约损失} + \text{信用风险溢价} + \text{流动性等其他补偿}.

5. 情景分析与蒙特卡洛模拟

5.1 为什么要用两个世界？

步骤	测度	作用
今天的头寸与市场	—	起点
生成未来市场情景	真实世界 $P$	问“市场怎么走”
在每个情景下重新估值	风险中性 $Q$	问“走到这里时剩余现金流值多少”
得到未来损益分布	$P$ + $Q$	计算尾部损失、资本与流动性

5.2 蒙特卡洛：逐步生成价格路径

将期限分成长度为 $\Delta t$ 的时间步，每一步抽取独立的 $\epsilon_t \sim N(0,1)$ ：

S_{t+\Delta t} = S_t \exp\left[\left(\mu - \frac{\sigma^2}{2}\right)\Delta t + \sigma\sqrt{\Delta t}\epsilon_t\right].

流程：

设定初始市场状态和参数。
对每个风险因子抽取随机冲击。
沿时间向前推进，生成一条路径。
在目标时点重新估值组合并记录损益。
重复大量次数，形成损益分布。

★ 模拟次数再多，也无法弥补错误的模型、相关性或参数。

5.3 真实世界漂移的估计难点

相对容易：

波动率可从历史数据或期权价格推断。
高频数据提供较多波动观测。
短期情景中，波动往往主导漂移。

相对困难：

预期收益是很小的信号，噪声很大。
样本期选择会显著改变均值估计。
风险溢价可能随经济状态变化。

★ 风险中性估值把漂移设为 $r$ ；真实世界模拟必须对 $\mu$ 作出经济判断。

5.4 用 CAPM 连接真实世界期望收益

资产 $i$ 的市场贝塔：

\beta_i = \frac{\text{Cov}(r_i, r_M)}{\text{Var}(r_M)} = \rho_{iM}\frac{\sigma_i}{\sigma_M}.

CAPM：

E[r_i] = R_f + \beta_i (E[r_M] - R_f).

也可写成“风险数量 × 单位风险价格”：

E[r_i] - R_f = \sigma_i \lambda_i, \quad \lambda_i = \rho_{iM}\frac{E[r_M] - R_f}{\sigma_M}.

CAPM 提供基准，但仍存在参数误差；对风险度量应同时做漂移敏感性分析。

5.5 现实风险因子的特征

均值回归

利率、波动率和部分商品价格常有长期锚。
高于长期水平时，未来下降倾向更强。
模型需设定回归速度与长期均值。

相关性

股票、债券、汇率和宏观变量共同变化。
压力时期相关性可能突然上升。
线性相关系数无法完整描述尾部联动。

★ 平稳期估计的相关性矩阵往往低估危机时“同时下跌”的概率。实务中应把统计情景、历史情景与假设性压力情景结合。

5.6 情景类型

情景类型	构造方法	主要用途
统计情景	从估计分布或模型抽样	形成完整损益分布、VaR 等
历史情景	重放已发生的市场变化	检验组合对已知危机的承受力
假设性压力	人为设定大幅、联动变化	覆盖历史中尚未出现的脆弱性
反向压力	先定义失败，再寻找市场组合	识别导致资本耗尽或流动性断裂的路径

★ 好情景不是“预测得准”，而是能暴露头寸、模型、融资和治理中的脆弱点。

6. 交易台如何管理风险

6.1 前台、中台与后台

部门	主要职责	风险控制角色
前台	报价、交易、客户服务、头寸管理	实时对冲，遵守交易与风险限额
中台	独立估值、风险聚合、限额监控、模型验证	跨交易员和交易台汇总暴露并挑战假设
后台	确认、结算、抵押品、账务与记录	防止操作错误，确保合同现金流真正完成

第一道风险管理：前台对单笔和本交易台头寸进行对冲。
第二道风险管理：中台独立聚合全公司暴露，发现“每个人都在押同一方向”。

★ 岗位分离的目的是避免交易、估值和确认由同一人控制。

7. 希腊字母：把复杂风险拆成敏感度

7.1 常见希腊字母

希腊字母	定义	风险因子
Delta $\Delta$	$\partial P / \partial S$	标的价格变动
Gamma $\Gamma$	$\partial^2 P / \partial S^2$	Delta 随标的价格的变化
Vega $\nu$	$\partial P / \partial \sigma$	隐含波动率变动
Theta $\Theta$	$\partial P / \partial t$	时间流逝
Rho $\rho$	$\partial P / \partial r$	利率变动

它们都是局部敏感度，只描述当前位置附近的小幅变化。

★ “Delta 为零”不等于“没有风险”：Gamma、Vega、跳跃和基差风险仍可能很大。

7.2 Delta：价格一阶敏感度

组合价值为 $P(S)$ ，则

\Delta = \frac{\partial P}{\partial S}, \quad \Delta P \approx \Delta \cdot \Delta S.

例：某黄金交易组合在金价上涨 0.10 美元时损失 100 美元，则

\Delta \approx \frac{-100}{0.10} = -1{,}000.

买入 1,000 单位黄金后，新组合 Delta 约为零。

股票或现货本身的 Delta 为 1。
无股息股票欧式看涨期权的 Delta 为 $\Phi(d_1)$ ，介于 0 与 1 之间。
看跌期权 Delta 为 $\Phi(d_1) - 1$ ，介于 $-1$ 与 0 之间。

7.3 线性产品 vs 非线性产品

线性产品

远期价值近似线性依赖标的价格。
Delta 基本不随标的价格改变。
一次建立反向头寸即可锁定主要价格风险。

非线性产品

期权价值曲线具有凸性或凹性。
Delta 随标的价格、时间和波动率改变。
当前的 Delta 中性只保护小幅、即时变动。

★ 动态对冲：市场变化后重新计算 Delta，并调整标的头寸，使组合恢复 Delta 中性。

7.4 动态对冲示例：卖出 10 万份看涨期权

某交易员卖出 100,000 份欧式看涨期权：

$S_0 = 49$ ， $K = 50$ ， $r = 5\%$ ， $\sigma = 20\%$ ，到期 20 周。
收取权利金 300,000 美元；模型价值为 240,000 美元。
单份期权 Delta 约为 0.522，空头期权组合 Delta 约为 $-52{,}200$ 。

初始对冲：买入约 52,200 股，使净 Delta 接近零。若股价上升，看涨期权 Delta 增加，交易员需继续买股；若股价下降，则卖出部分股票。

★ 期权卖方执行“涨时买、跌时卖”的再平衡；对冲成本取决于整条价格路径，而不只取决于最终股价。

7.5 两条对冲路径的结果

路径	到期股价	到期 Delta	股票累计现金流出（含融资）	行权收入	实现对冲成本
到期实值	$57.25	1.000	$5,263,300	$5,000,000	$263,300
到期虚值	$48.12	0.000	$256,600	$0	$256,600

项目	到期实值路径	到期虚值路径
卖出期权收到的权利金	$300,000	$300,000
实现对冲成本	$263,300	$256,600
最终净利润	$36,700	$43,400

★ 对冲成本是沿整条价格路径动态复制期权支付的成本。期权最终是否实值只决定终端交割；中间的价格变化决定交易员何时、以什么价格调整股票。

7.6 理论复制成本 vs 实现对冲成本

理想的 BSM 世界：

C_0 = \Delta_0 S_0 + B_0 = 240{,}000.

在同一时点比较，理论复制成本滚到第 20 周：

240{,}000 e^{0.05(20/52)} \approx 244{,}700.

成本口径	金额	对冲误差
理论复制成本	$244,700	—
到期实值路径	$263,300	+$18,600
到期虚值路径	$256,600	+$11,900

★ 连续对冲的理论极限下，折现后的对冲成本等于期权理论价值；离散交易、模型误差、价格跳跃和交易成本会产生对冲误差。

7.7 Gamma：Delta 改变得有多快

\Gamma = \frac{\partial^2 P}{\partial S^2} = \frac{\partial \Delta}{\partial S}, \quad \Delta P \approx \Delta \Delta S + \frac{1}{2}\Gamma (\Delta S)^2.

Delta 对冲只消除一阶项；大幅价格变化时，二阶项不可忽略。
临近到期且接近平值的期权，Gamma 往往最大。
标的资产 Gamma 为零，因此必须用期权等非线性工具对冲 Gamma。

若组合 Gamma 为 $\Gamma_P$ ，某期权每份 Gamma 为 $\Gamma_T$ ，买入

w = -\frac{\Gamma_P}{\Gamma_T}

份该期权可使总 Gamma 为零；再用标的资产消除剩余 Delta。

7.8 Vega：波动率变化的风险

\nu = \frac{\partial P}{\partial \sigma}, \quad \Delta P \approx \nu \Delta \sigma.

普通期权多头通常 Vega 为正：隐含波动率上升，期权价值上升。
期权空头通常 Vega 为负：市场恐慌时波动率上升会造成损失。
接近平值且期限较长的期权通常拥有较大 Vega。

★ 实际市场不存在单一波动率：不同执行价、期限形成波动率曲面；对冲一个 Vega 不能消除整个曲面的变化。

7.9 同时对冲 Gamma 与 Vega

现有组合 Delta = 0、Gamma = $-5{,}000$ 、Vega = $-8{,}000$ 。可交易工具：

工具	Delta	Gamma	Vega
期权 1	0.6	0.5	2.0
期权 2	0.5	0.8	1.2
标的资产	1.0	0	0

解

0.5 w_1 + 0.8 w_2 = 5{,}000, \quad 2 w_1 + 1.2 w_2 = 8{,}000,

得 $w_1 = 400$ 、 $w_2 = 6{,}000$ 。新增 Delta 为

0.6 \times 400 + 0.5 \times 6{,}000 = 3{,}240,

因此再卖出 3,240 单位标的资产，三个敏感度均为零。

7.10 Theta 与 Rho

Theta（时间流逝）

\Theta = \frac{\partial P}{\partial t}.

普通期权多头通常随到期临近而损失时间价值。
临近到期、接近平值时，时间价值衰减可能加速。
Theta 不是可单独交易的风险因子。

Rho（利率变化）

\rho = \frac{\partial P}{\partial r}.

衡量利率变化对组合价值的影响。
外汇期权有本币与外币两个利率敏感度。
债券交易台管理的是整条收益率曲线，而非单一利率。

7.11 Taylor 展开

当标的、波动率、时间和利率同时小幅变化时：

\Delta P \approx \Delta \Delta S + \frac{1}{2}\Gamma (\Delta S)^2 + \nu \Delta \sigma + \Theta \Delta t + \rho \Delta r.

Delta 中性后，一阶标的价格项消失。
Gamma 中性后，主要曲率项也消失。
Vega 中性后，小幅平行波动率变化的一阶影响消失。
更高阶项和交叉项仍存在，例如 Vanna 与 Volga。

★ Taylor 展开是局部近似。大跳跃、障碍触发和期限结构扭曲时，必须完整重估。

7.12 情景矩阵

例：空头 10,000 份半年期平值看涨期权， $S_0 = K = 100$ 、 $r = 2\%$ 、基准波动率 20%，基准期权价格 6.12。

情景	$S = 90$	$S = 100$	$S = 110$
$\sigma = 15\%$	+51.1 万	+14.0 万	$-58.1$ 万
$\sigma = 20\%$	+41.3 万	0.0 万	$-68.3$ 万
$\sigma = 25\%$	+30.2 万	$-14.0$ 万	$-80.0$ 万

表中为立即重估后的组合损益，不含交易成本和对冲头寸。
股价上涨与波动率上升同时发生时，空头看涨期权损失最大。
情景矩阵自动包含 Delta、Gamma 与 Vega 的非线性联动。

8. 对冲的现实：残余风险不会消失

离散再平衡：市场连续变化，但交易只能在有限时点发生。
交易成本与流动性：频繁对冲消耗价差，压力时价格冲击更大。
跳跃与隔夜风险：价格可能跨越多个对冲区间。
模型与参数风险：波动率曲面、相关性和利率过程会改变。
基差风险：对冲工具与原始头寸不是完全相同的标的或期限。
融资与抵押品风险：盈利头寸也可能因现金不足而被迫平仓。

★ 实务惯例：Delta 频繁管理；Gamma 与 Vega 持续监控、择机对冲；极端损失交给限额、压力测试和资本缓冲。

9. 把估值、敏感度与情景分析连起来

头寸与交易 → 现金流、条款
      ↓
独立估值 → 风险中性定价
      ↓
局部风险 → Delta / Gamma / Vega
      ↓
全局风险 → 情景与压力测试

估值回答账面上今天值多少。
希腊字母回答小幅市场变化时先暴露在哪里。
情景分析回答多因子、大幅度变化时会发生什么。
限额、抵押品、资金和资本决定机构能否承受这些变化。

★ 任何一个数字都不足以代表“风险”；稳健管理需要多个视角相互校验。

10. 课堂练习：2024 年「9·24」行情回顾

9 月 24 日：央行、金融监管总局、证监会联合发布政策组合拳（降准 0.5 个百分点、降息、创设互换便利与回购增持再贷款），沪深 300 当日 +4.3%。
9 月 24 日–30 日：五个交易日沪深 300 累计 +25.0%、创业板指 +42.1%；9 月 30 日成交 2.61 万亿元（8 月日均不足 5,000 亿元）。
10 月 1 日–7 日：A 股国庆休市；港股与美股上市的中国 ETF 继续交易——恒指假期内 +11.8%、恒生科技 +20.4%，FXI、KWEB、MCHI 单日涨超 5%。
10 月 8 日：A 股高开约 10%，成交 3.48 万亿元创历史纪录，随后涨幅回落。
10 月 9 日：大幅回调，沪深 300 单日 $-7.1\%$ 。

★ 休市期间，境外市场为同一批中国资产持续定价；A 股投资者只能持仓观望。

练习任务

国内大盘：搜集 9 月 24 日–10 月 9 日沪深 300 每日涨跌幅与成交额，估计日度波动率在行情前后如何变化。
境外中国大盘 ETF：搜集国庆休市期间 FXI、KWEB、MCHI、ASHR 的走势；它们跟踪的标的与 A 股有何异同。
风险分析：9 月 30 日收盘持仓过节的投资者面临什么风险？为什么 Delta 对冲无法覆盖这类风险？
波动率信号：假期中 ASHR 一个月隐含波动率创历史新高、FXI 创 2020 年以来新高——这对 Vega 和期权定价意味着什么？
情景设计：9 月 24 日之前用历史数据估计的波动率，能否预测这段行情？设计情景分析时应吸取什么教训？

易混概念辨析 ⚠️

A	B	区别
估值	情景分析	前者回答“今天值多少”（风险中性）；后者回答“未来可能亏多少”（真实世界）
真实世界概率 $P$	风险中性概率 $Q$	前者用于预测与风险度量；后者用于无套利定价
漂移 $\mu$	无风险利率 $r$	前者含风险溢价；后者是风险中性估值中的替换漂移
Delta	Gamma	前者是一阶价格敏感度；后者是 Delta 的变化速度（二阶）
Vega	Theta	前者对波动率敏感；后者对时间流逝敏感
线性产品	非线性产品	前者 Delta 近似恒定，可一次性对冲；后者需动态对冲
统计情景	历史情景	前者从模型抽样；后者重放历史市场变化
风险中性违约概率	真实违约概率	前者从市场价格反推，含风险溢价；后者从历史数据估计

可能的计算题清单 🧮

给定正态分布参数，计算股价低于某阈值的概率或对应分位数。
用风险中性三步法估值远期合约，并求公平交割价。
计算二元期权的风险中性价值。
用 Black–Scholes–Merton 公式计算欧式看涨/看跌期权价格。
已知组合 Delta，计算所需标的资产对冲数量。
模拟动态对冲路径，计算累计现金流出与实现对冲成本。
将理论复制成本滚动到同一时点，与实现对冲成本比较并解释差异。
解线性方程组实现 Gamma 与 Vega 同时中性，再消除残余 Delta。
用 Taylor 展开近似组合损益。
给定情景矩阵，判断空头看涨期权在哪个状态下损失最大。