Greeks 與波動率曲面

§01學習重點

• 用「部位視角」逐一說出五個 Greeks 的意義：對沖多少（delta）、賺誰的錢（gamma、vega）、每天付多少（theta）、誰可以先不管（rho）
• 解釋 delta 對沖後的部位為什麼變成「用 theta 換 gamma」的交易，寫出每日損益的二次近似式與損益兩平的日振幅
• 說出「買選擇權並持續 delta 對沖」的損益為什麼由隱含波動率與實現波動率之差決定，並用模擬重現這件事
• 讀懂波動率微笑與偏斜：低履約價隱波偏高是市場為左尾風險付的保費，期限結構則刻畫事件風險在時間軸上的分布
• 列出波動率曲面的基本無套利約束（價格對履約價遞減、凸性、日曆單調），說明為什麼插值要在隱波空間做、且做完必須回頭驗證
• 走完 Breeden–Litzenberger 的完整邏輯：選擇權價格對履約價的二階導數就是貼現後的風險中性密度，並用有限差分親手萃取一條
• 區分風險中性密度與真實世界機率：前者是「機率 × 風險偏好」的乘積，說出這個區分對交易與風控各意味著什麼

§02課程內容

一、定價之後：部位是活的

第 14 章建立了風險中性定價的世界觀，第 15 章把定價工具落到實務。到此為止，問題都是「這張選擇權值多少錢」——算出一個數，交易完成，故事結束。但對真正持有部位的人，故事才剛開始：你手上的選擇權部位每一秒都在隨市場變形。標的價格動、隱含波動率動、時間一天天流逝，任何一個維度的變化都會改寫你的損益。定價回答「值多少」，風險管理要回答的是「會怎麼變」。

回答這個問題的工具箱，是一組以希臘字母命名的敏感度——Greeks。它們的數學身分毫不神祕：選擇權價格對各個輸入變數的偏導數。這個思路我們在第 5 章其實已經演練過一輪：那裡我們對神經網路求 Jacobian，問「每個輸入動一點、輸出動多少」，把黑盒子攤開成因子語言；這裡我們對定價公式做一模一樣的事，只是被微分的對象從資料學出來的模型換成了 Black-Scholes 公式，輸入從特徵向量換成了標的價、波動率、時間與利率。同一把尺，換個對象再量一次。

但 Greeks 不只是數學練習。交易台上的人用 Greeks 交談、用 Greeks 設限額、用 Greeks 把一天的損益拆帳——「今天賠的錢，多少來自標的動（delta、gamma）、多少來自隱波動（vega）、多少是時間流掉的（theta）」。學會 Greeks，等於學會選擇權世界的母語。本章前半講這門語言，後半把鏡頭拉遠：把所有履約價與到期日的隱含波動率拼成一張波動率曲面，然後示範一個漂亮的反向操作——從市場價格裡把整條機率分布讀出來。

二、Greeks 全家福：五個偏導數，五種暴險

設 \(C\) 為選擇權價格、\(S\) 為標的價、\(\sigma\) 為隱含波動率、\(T\) 為到期年限、\(r\) 為利率。五個一線 Greeks 依序是：

Delta（\(\Delta = \partial C/\partial S\)）：標的動 1 元，選擇權價格動多少。部位視角：它是對沖比率——持有 1 口買權、放空 \(\Delta\) 股標的，組合對小幅價格變動就免疫。買權的 delta 介於 0 與 1：深價外趨近 0（標的怎麼動都與我無關），深價內趨近 1（幾乎就是持股）。實務上市場常直接用 delta 描述選擇權的「價內外程度」，例如「25-delta 的價外賣權」。

Gamma（\(\Gamma = \partial^2 C/\partial S^2\)）：標的動的時候，delta 本身動多少——凸性的量尺。部位視角：gamma 是你真正想買的東西。想要單純的方向暴險，買現股或期貨就好，何必付權利金？買選擇權買的是那個「彎」：市場往有利方向走，你賺得比 delta 預告的多；往不利方向走，賠得比 delta 預告的少。這種不對稱天生討喜，所以持有它要付費——付給誰、怎麼付，下一節揭曉。

Vega（\(\nu = \partial C/\partial \sigma\)）：隱含波動率動 1 個百分點，價格動多少。部位視角：這是對「市場恐慌程度」的暴險。做多選擇權就是做多波動率——恐慌升溫、隱波跳升，部位增值；市場歸於平靜，部位縮水。vega 與 gamma 高度連動：長 gamma 的結構幾乎都長 vega。

Theta（\(\theta = \partial C/\partial t\)）：其他條件全部不動，時間過一天，價格掉多少。部位視角：買方每天付的租金。選擇權的時間值隨到期日逼近而蒸發，且蒸發速度非線性——越接近到期掉得越兇，價平附近尤其陡峭。

Rho（\(\rho = \partial C/\partial r\)）：利率動的影響。對短天期股票選擇權通常是最不要緊的一個，先放進口袋，處理利率商品時（第 17 章）再拿出來。

在 Black-Scholes 模型裡這些全有閉式解。令 \(d_1 = \frac{\ln(S/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}\)，則買權的前三個 Greeks 是：

逐項拆解：\(\Phi\) 是標準常態的累積分布函數、\(\varphi\) 是其密度；\(d_1\) 綜合了價內外程度與剩餘的波動空間，可以粗略讀成「以波動為尺度，現在離履約價有多遠」。delta 是一個機率形狀的量（介於 0 與 1，價平約 0.5）；gamma 分母裡的 \(S\sigma\sqrt{T}\) 說明：波動越小、到期越近，同樣的價格變動「彎」得越劇烈——到期前夕的價平選擇權是 gamma 的火藥庫；vega 的 \(\sqrt{T}\) 則說明長天期選擇權對隱波更敏感。gamma 與 vega 對同履約價的買權賣權完全相同——凸性不分方向。

上代碼。既然 Greeks 就是偏導數，我們可以用第 5 章驗證 Jacobian 的同一招來驗證它：解析公式算一遍，有限差分（把輸入挪一小步、重算價格）再算一遍，兩者必須對上：

import numpy as np
from math import erf, sqrt, exp, log, pi

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))
def phi(x): return exp(-0.5 * x * x) / sqrt(2.0 * pi)

def bs_call(S, K, r, sig, T):
    d1 = (log(S / K) + (r + 0.5 * sig**2) * T) / (sig * sqrt(T))
    return S * Phi(d1) - K * exp(-r * T) * Phi(d1 - sig * sqrt(T))

def bs_greeks(S, K, r, sig, T):
    d1 = (log(S / K) + (r + 0.5 * sig**2) * T) / (sig * sqrt(T))
    d2 = d1 - sig * sqrt(T)
    delta = Phi(d1)
    gamma = phi(d1) / (S * sig * sqrt(T))
    vega  = S * phi(d1) * sqrt(T)
    theta = -S * phi(d1) * sig / (2 * sqrt(T)) - r * K * exp(-r * T) * Phi(d2)
    return delta, gamma, vega, theta

S0, K, r, sig, T = 100.0, 100.0, 0.02, 0.25, 0.25   # 價平、3 個月
C0 = bs_call(S0, K, r, sig, T)
d, g, v, th = bs_greeks(S0, K, r, sig, T)
print(f"價格 {C0:.4f}｜delta {d:.4f}｜gamma {g:.4f}｜vega {v:.4f}｜theta/日 {th/365:.4f}")
# 輸出：價格 5.2245｜delta 0.5408｜gamma 0.0317｜vega 19.8426｜theta/日 -0.0299

eps = 0.01                                            # 有限差分核對（中央差分）
d_fd = (bs_call(S0+eps, K, r, sig, T) - bs_call(S0-eps, K, r, sig, T)) / (2*eps)
g_fd = (bs_call(S0-eps, K, r, sig, T) - 2*C0 + bs_call(S0+eps, K, r, sig, T)) / eps**2
print(f"有限差分 delta {d_fd:.6f}（解析 {d:.6f}）gamma {g_fd:.6f}（解析 {g:.6f}）")
# 輸出：有限差分 delta 0.540820（解析 0.540820）gamma 0.031748（解析 0.031748）

中央差分與解析解對到小數第六位。這一步在教學裡是驗證，在實務裡是日常：一旦模型比 Black-Scholes 複雜（隨機波動率、跳躍、路徑相依的奇異選擇權），Greeks 多半沒有閉式解，bump-and-reprice——挪一下輸入、重新定價、算差商——就是業界的標準做法。同一套差分代碼可以伺候任何定價器，這是它最大的美德。

把四條曲線並排看（圖 16-1），有一個結構性事實跳出來：gamma 與 theta 都在價平處達到極值，而且正負相反。這不是巧合——BS 偏微分方程把兩者鎖在一起：delta 對沖掉一階項之後，剩下的損益就由 gamma 項與 theta 項互相抵銷來平衡。這個拉鋸是選擇權交易的心臟，值得專開一節。

三、theta 與 gamma 的拉鋸：delta 對沖者的日常

把部位 delta 對沖掉之後，你以為自己「中性」了——其實你剛剛把一個方向性賭注，換成了一個更有趣的賭注。對沖後的部位在一小段時間內的損益，可以用泰勒展開逼近：

逐項拆解：\(\Delta S\) 是這段時間標的的變動、\(\Delta t\) 是流逝的時間。第一項是 gamma 收入：注意 \((\Delta S)^2\) 帶平方——不管漲跌，只要動，長 gamma 的部位就收錢，動得越大收越多；第二項是 theta 支出：\(\theta\) 為負，時間流逝穩定扣款。一收一付，每天結算。令兩項相等（忽略量級小得多的利率項）可解出損益兩平的日振幅：\(|\Delta S| = S\,\sigma_{\text{imp}}\sqrt{\Delta t}\)。用第二節的參數算：\(100 \times 0.25 \times \sqrt{1/252} \approx 1.57\) 美元——標的一天動超過 1.57 元，gamma 收入蓋過 theta 租金，這天你賺；動不到，這天你賠。

比喻： 長 gamma 的部位像租了一張漁網。網租（theta）天天照付，不管有沒有魚；魚群衝進來的日子（市場大動），網子撈到的漁獲（gamma 收入）遠超網租。租網划不划算，不看任何一天，看整季的魚況——實現波動率——夠不夠付掉整季的租金——隱含波動率。租金是簽約當下就定死的，魚況要到季末才知道。

比喻裡藏著本章最重要的一條等式：買進選擇權並持續 delta 對沖之後，損益被綁在兩個波動率的差上——成本端在簽約當下就由隱含波動率定死（權利金裡的時間值，總租金），收入端要等持有期走完、由實現波動率結算（gamma 收入的總和，總漁獲）。模擬驗證：

import numpy as np
from math import erf, sqrt, exp, log

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))

S0, K, r, sig, T = 100.0, 100.0, 0.02, 0.25, 0.25    # 以隱波 25% 買入並對沖
n_paths, n_steps = 20000, 63                          # 3 個月、每日重平衡
dt = T / n_steps
d1 = (log(S0/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T))
C0 = S0*Phi(d1) - K*exp(-r*T)*Phi(d1 - sig*sqrt(T))

rng = np.random.default_rng(16)
def hedged_pnl(sig_real):
    """買 1 口 ATM 買權，每日用 BS delta（隱波 25%）對沖到期"""
    S = np.full(n_paths, S0)
    dlt = np.full(n_paths, Phi(d1))
    cash = -C0 + dlt * S0                             # 付權利金、放空 delta 股
    for i in range(1, n_steps + 1):
        z = rng.standard_normal(n_paths)
        S = S * np.exp((r - 0.5*sig_real**2)*dt + sig_real*sqrt(dt)*z)
        cash *= exp(r * dt)
        tau = T - i * dt
        if i < n_steps:
            d1v = (np.log(S/K) + (r + 0.5*sig**2)*tau) / (sig*np.sqrt(tau))
            new_dlt = 0.5 * (1.0 + np.vectorize(erf)(d1v / sqrt(2.0)))
        else:
            new_dlt = (S > K).astype(float)
        cash += (new_dlt - dlt) * S                   # 調整空頭：加空收現、減空付現
        dlt = new_dlt
    pnl = np.maximum(S - K, 0.0) + cash - dlt * S     # 履約收益＋現金－回補空頭
    return pnl.mean(), pnl.std()

for sr in (0.15, 0.25, 0.35):
    m, s = hedged_pnl(sr)
    print(f"實現波動率 {sr:.0%}：平均損益 {m:+.4f}  標準差 {s:.4f}")
# 輸出：
# 實現波動率 15%：平均損益 -1.9987  標準差 0.6456
# 實現波動率 25%：平均損益 +0.0003  標準差 0.5453
# 實現波動率 35%：平均損益 +1.9988  標準差 1.1724

數字把邏輯釘死：實現波動率恰好等於隱含的 25% 時，平均損益是 0.0003——付出的與收回的打平，權利金 5.22 一毛不多收；實現只有 15%，平均賠 2.00；實現衝到 35%，平均賺 2.00。損益幾乎正好是 vega 乘上波動率差（\(19.84 \times 0.10 \approx 1.98\)）——對沖後的選擇權部位就是一張波動率的遠期合約。同時注意標準差不是零：0.55 到 1.17 的殘餘震盪，正是第 10 章算過的離散對沖殘餘風險——每日重平衡消不掉的部分。第 10 章的 QLBS 把這件事做成了強化學習：它的最適行動 \(u_t\)（每期持有的對沖股數）就是 delta 的 RL 版本，而且因為考慮了離散重平衡與風險趨避，它給出的對沖帶比 BS delta 更誠實。還有一個細節值得咀嚼：實現 35% 那行的標準差（1.17）比實現 25% 那行（0.55）大一倍——因為我們始終用隱波 25% 算 delta，模型的波動率錯了，對沖比率就系統性地錯，殘餘風險跟著放大。對沖的品質取決於你對波動率的認識，這句話下一節會長出一整張曲面。

順帶補一句賣方視角：上面每一行取負號就是賣方的世界——收租金、賠大波動。收益曲線變成「多數日子小賺、少數日子巨賠」，這種不對稱正是波動率風險溢酬的來源：市場長期觀察到隱含波動率平均高於事後實現的波動率，因為願意承接「平時收小錢、崩盤賠大錢」這種部位的人，要求額外補償。

四、隱含波動率：微笑、偏斜與期限結構

到目前為止，「波動率」都是一個數。現在把它攤開。隱含波動率是把市場成交價塞回 BS 公式反解出來的那個 \(\sigma\)——它不是誰測量到的物理量，而是市場價格的另一種座標表示。如果 BS 模型是對的，同一個標的所有選擇權反解出來的 \(\sigma\) 應該是同一個數。事實不是：

固定到期日、掃過履約價，反解出的隱波畫出一條曲線——低履約價那端明顯偏高，越往高履約價越低，這叫偏斜（skew）；有些市場（例如外匯）兩端都翹、中間低，形狀像微笑，所以統稱微笑（smile）。股票與股指市場幾乎清一色是往左翹的偏斜——1987 年股災之後就再也沒平過。

比喻： 走一趟醫院藥庫，你會發現每種藥的安全庫存水位差很多：藥師把「一旦斷貨最致命」的藥囤得特別滿——多囤的每一箱都是實打實的倉儲成本，照付不誤。把「各藥品庫存水位」畫成一張圖，你讀到的不是疫情預報，而是藥師群體對「哪種斷貨最要命」的集體評估。隱波偏斜就是選擇權市場的庫存水位圖：低履約價（崩盤區）的隱波囤得特別高，因為那是所有人最怕斷貨的保命藥——這張圖同時混合了「市場認為的斷貨機率」與「大家願意為安心多付的倉儲費」。

偏斜在說兩件事，別混成一件。第一，市場的分布信念不是對數常態：真實的報酬分布左尾比 BS 假設的厚（崩盤比常態世界頻繁），低履約價的賣權作為崩盤保險，照對數常態定價就是低估，市場把價格抬上去，反解回來隱波就偏高。第二，風險偏好：即使機率算對了，投資人也願意為「在崩盤時刻拿到賠付」這件事多付錢——保險在你最需要的時候賠付,本身就值溢價。機率信念與風險溢酬糾纏在同一條曲線裡，這個糾纏第六節會再回來。

換一個軸：固定價平、掃過到期日，得到期限結構。短天期隱波通常對事件敏感——財報、央行會議、選舉前後，短端隱波會被單一事件撐起來；長天期隱波則被均值回歸的力量拉平，反映「拉長看波動率總會回到常態」的預期。倒掛的期限結構（短端高於長端）多半出現在市場正在恐慌的當下。

把兩個軸合起來——履約價 × 到期日——每個格子放一個隱含波動率，就是波動率曲面。圖 16-2 用的是本章自建的示範曲面：三個月期的偏斜（K=80 隱波 0.378、K=120 隱波 0.176）比一年期（0.295 對 0.192）陡得多，價平隱波則從一個月的 0.262 滑到兩年的 0.221。這兩個形狀特徵——短天期偏斜更陡、期限結構長端趨平——是股票市場曲面的標準長相。

五、波動率曲面與無套利：插值是地雷區

市場只在有限的履約價與到期日上有可靠報價，曲面的其他位置要靠插值補。這聽起來像純技術活，其實是地雷區，因為曲面不是任意的函數——它每一處都受無套利約束管束：

• 對履約價：買權價格必須隨履約價遞減（否則買高履約價、賣低履約價白撿錢），而且必須是履約價的凸函數——下一節會看到，凸性直接等價於「機率非負」。對應到隱波空間，就是偏斜不能陡到某個界限之外。
• 對到期日：同一履約價、更長到期的（美式或經標準化的歐式）選擇權不能更便宜——日曆價差的價值不能為負。對應：總變異數 \(\sigma^2(T)\,T\) 必須隨 \(T\) 不減。

天真的做法——直接對價格做線性插值——必死無疑：兩點之間拉直線，二階導數為零，中間所有價位的隱含機率被壓成零，密度出現空洞。在隱波空間做平滑插值好得多（隱波曲線平緩得多，樣條不容易亂跑），這也是實務主流；但「在隱波空間插值」只是降低犯規機率，不提供保證——插出來的曲面仍然必須回頭做 butterfly 與日曆檢查。事實上本章第六節自建的示範曲面就是現成的反面教材：它通過了 butterfly 檢查（萃取出的密度處處非負），卻在「密度均值必須等於遠期價」這條約束上悄悄犯規（100.83 對 100.50）——無套利檢查是一張清單，不是一個開關，通過一條不代表通過全部。

這裡正好接回第 3 章。那一章我們用高斯過程在報價稀疏處補隱含波動率微笑，GP 附贈的誤差帶在外推區爆寬，警告你「這裡的插值別信」；也看到先驗設錯時連誤差帶都會失真。現在可以把那個例子放進更完整的座標：GP 是插值機器裡誠實度最高的一種——它至少告訴你自己哪裡不可靠——但GP 的核函數同樣不懂無套利，它保證平滑，不保證凸性與日曆單調。成熟的管線是兩層：先用平滑工具（樣條、GP、或參數化的曲面模型）把形狀補出來，再用無套利條件當驗收閘門，不過閘門的補值一律退回重做。

曲面不只是定價的查價表。它是市場的體檢報告：偏斜變陡＝市場更擔心左尾；短端隱波跳升＝事件風險逼近；整張曲面平移＝恐慌水位漲落。交易台每天盯的「vol 圖」，就是這張曲面的各種切片。而要把這份體檢報告讀到底——直接讀出市場心裡那條機率分布——需要本章壓軸的工具。

六、Breeden–Litzenberger：從價格表讀出市場的機率信念

第 2 章講過貝葉斯的世界觀：機率是信念的刻度，資訊進來、信念更新。現在做一件很貝葉斯的事——把選擇權市場當成一個巨大的信念表達機制，從價格裡反解出市場的信念分布。

比喻： 預測市場裡，「某候選人當選」合約的成交價 0.62 元（贏了付 1 元），就是市場隱含的當選機率 62%——價格即信念。選擇權市場是這件事的連續版：它不只開「指數三個月後會不會站上某個價位」一張合約，而是每個價位都開了一張。把整排合約的價格攤開，理論上就能把市場對「三個月後指數落在哪」的整條機率分布拼出來。Breeden–Litzenberger 就是那條拼裝公式。

推導只要兩步微分的直覺。歐式買權的風險中性價格是履約收益對密度的積分：\(c(K) = e^{-rT}\int_K^\infty (S_T - K)\,\varphi(S_T)\,dS_T\)。對 \(K\) 微分一次，積分裡的 \((S_T - K)\) 掉出一個 \(-1\)，剩下「尾部機率」——一次微分給出累積分布；再微分一次，尾部機率對 \(K\) 的變化率就是密度本身：

逐項拆解：左邊是標的到期價落在 \(K\) 附近的風險中性密度；中間說密度就是價格曲線的彎度（乘上 \(e^{rT}\) 把貼現還原）；右邊用第二節同款的中央差分逼近二階導。注意右邊分子的三項組合——買一口 \(K-h\)、賣兩口 \(K\)、買一口 \(K+h\)——正是蝶式價差（butterfly）的配方。所以這條公式同時是一句市場語言：緊縮履約價間距的蝶式價差，其價格就是「標的到期落在中間履約價附近」的機率標價。蝶式的履約收益永遠非負，所以無套利下它的價格不能為負——這就是上一節「凸性＝機率非負」的來歷。

上代碼。用第四節的偏斜曲面生成一排密集履約價的買權價格（充當「市場報價」），差分出密度，並與平坦曲面（單一隱波）的對數常態密度對照：

import numpy as np
from math import erf, sqrt, exp, log

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))

S0, r, T = 100.0, 0.02, 0.25
Fwd = S0 * exp(r * T)                                  # 遠期價 100.50

def smile(K, T_):
    """自建偏斜曲面：低履約價隱波高（示範用，非市場數據）"""
    m = log(K / (S0 * exp(r * T_)))
    return (0.22 + 0.05*exp(-2.0*T_)) - (0.24/sqrt(T_))*m + (0.35/sqrt(T_))*m**2*0.5

def bs_call(S, K, sig):
    d1 = (log(S/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T))
    return S*Phi(d1) - K*exp(-r*T)*Phi(d1 - sig*sqrt(T))

Ks = np.arange(50.0, 160.0 + 1e-9, 0.5); h = 0.5
c_skew = np.array([bs_call(S0, k, smile(k, T)) for k in Ks])       # 帶偏斜
c_flat = np.array([bs_call(S0, k, smile(Fwd, T)) for k in Ks])     # 平坦對照

def density(c):                                        # B-L：二階差分 × e^{rT}
    return exp(r*T) * (c[:-2] - 2*c[1:-1] + c[2:]) / h**2

dens_s, dens_f, Km = density(c_skew), density(c_flat), Ks[1:-1]
print(f"積分 {np.trapz(dens_s, Km):.4f}｜均值 {np.trapz(Km*dens_s, Km):.2f}"
      f"（遠期 {Fwd:.2f}）｜最小值 {dens_s.min():.6f}")
lo, hi = Km <= 80.0, Km >= 115.0
print(f"P(S_T<=80)：偏斜 {np.trapz(dens_s[lo], Km[lo]):.4f} vs 平坦 {np.trapz(dens_f[lo], Km[lo]):.4f}")
print(f"P(S_T>=115)：偏斜 {np.trapz(dens_s[hi], Km[hi]):.4f} vs 平坦 {np.trapz(dens_f[hi], Km[hi]):.4f}")
# 輸出：
# 積分 0.9999｜均值 100.83（遠期 100.50）｜最小值 -0.000000
# P(S_T<=80)：偏斜 0.0641 vs 平坦 0.0392
# P(S_T>=115)：偏斜 0.1002 vs 平坦 0.1273

讀三件事。第一，萃取成功：密度積分 0.9999、處處非負（最小值是 \(10^{-7}\) 量級的數值零），二階差分真的把一條機率分布從價格表裡拎了出來。第二，偏斜的分布語意現形：與平坦曲面的對數常態相比，偏斜密度的左尾厚了 64%（跌破 80 的隱含機率 6.4% 對 3.9%）、右尾反而變薄、峰值右移——市場用偏斜表達的正是「大跌比對數常態世界常見、小漲比大漲常見」這幅圖像。第三，誠實的瑕疵：密度均值 100.83 高於遠期價 100.50，前面說過，這代表我們手畫的示範曲面本身帶著一絲對遠期的套利空間——真實市場的曲面由造市商的套利掃描盯著，不會留這個口子；自建曲面沒人盯，就露了餡。用自己的工具抓到自己例子的毛病，是這類管線最好的品管示範。

實務上的 B-L 沒有教科書這麼順：真實報價只在稀疏的履約價上存在、帶著買賣價差的雜訊，而二階差分是雜訊放大器——作業三會讓你親手體會「教科書公式在真實資料上碎成負機率」是什麼景象，以及為什麼實務流程總是「先在隱波空間平滑、再回價格空間差分」。

最後，也是認識論上最重要的一點：這條密度是風險中性的，不是真實世界的預測分布。它是「市場的機率信念」與「風險偏好」的乘積——左尾特別厚，一部分是市場真的認為崩盤機率高，一部分是崩盤狀態的一塊錢比平時的一塊錢更值錢（第 14 章風險中性定價的核心邏輯）。所以拿風險中性密度直接當預報是系統性偏悲觀的；反過來，把風險中性密度與你自己估計的真實分布並排比對，兩者的差就是市場各處標價的風險溢酬地圖——這是波動率交易者真正的獵場。

七、策略速覽：用 Greeks 讀三個經典結構

有了 Greeks 與密度的語言，經典選擇權結構可以一眼讀穿。挑三個最有教學價值的，重點不是背損益圖，而是每個結構都是對分布某個部位的精準下注：

跨式（straddle）＝押注波動本身。 同履約價的買權加賣權各一口，通常選在價平——此處買賣權 delta 恰好一正一負抵銷，結構天生 delta 中性。剩下的暴險純粹是波動：大量正 gamma、正 vega，付大量 theta。第三節的漁網比喻在這裡最貼切：買跨式再持續 delta 對沖，就是純付隱含、純收實現的波動率交易——也是研究隱含對實現波動率溢酬的標準載具。

賣權價差（put spread）＝有折扣的下檔保護。 買一口較高履約價的賣權、賣一口較低履約價的賣權。與單買賣權相比，把「跌破下履約價之後」的保護賣回給市場換取權利金折扣。Greeks 讀法：負 delta、價外時正 gamma 負 theta；但結構深入價內後 gamma 翻負、theta 翻正——它的凸性是會變臉的。在偏斜陡峭的市場它特別受歡迎：賣出的低履約價賣權正好站在隱波最貴的位置，等於高價賣出最貴的保險來補貼自己買的保險。

蝶式（butterfly）＝直接購買一格機率。 上一節已經揭曉：買一賣二買一的三腳結構就是 B-L 公式的分子，緊間距蝶式的價格就是市場對「到期落在中間履約價附近」的機率標價。想表達「指數三個月後就停在這附近」的觀點，蝶式是最純粹的工具；反過來，若你自估的真實分布在某價位的機率高於風險中性密度，買那一格的蝶式就是把分布觀點變成部位的直接翻譯。

三個結構合起來的方法論教訓：選擇權市場是一個分布的樂高系統——任何你對「分布形狀」的觀點（波動、偏斜、某一格的機率），都存在一個 Greeks 組合恰好把它分離出來。先想清楚要押分布的哪個部位，再挑結構，順序不能反。

八、誠實限界：Greeks 不是免死金牌

按本課程的慣例，收尾前把工具的邊界說清楚。

Greeks 是局部的。 偏導數只描述小變動。標的跳空 15% 開盤，你的 delta 對沖在跳空瞬間毫無防禦——gamma 的二次項近似在大幅變動下也失準，更別提跳過程中根本無法交易。2021 年初美股散戶軋空事件是活教材：造市商賣出深價外買權後對沖，股價暴漲使 delta 急速膨脹，被迫追買股票、進一步推升股價——對沖行為本身成了火上的油。Greeks 假設「我對沖、市場不動」，當部位大到市場會回應你，這個假設就翻車（第 1 章高頻縮影裡「監督式預測管不了自身市場衝擊」的老問題，換了個舞台重演）。

Greeks 是模型的產物。 delta 的定義人人同意，數值卻因模型而異：BS 假設隱波不隨標的動，但股票市場明明「跌市帶動隱波升」，把這層連動算進來的修正 delta 與 BS delta 可以差出好幾個百分點——對沖比率不同，損益路徑就不同。vega 更麻煩：在單參數的 BS 裡它定義清晰，換到多參數的隨機波動率模型，「波動率動一下」就有平移、變陡、變彎多種動法，一個 vega 攤成一組。用哪個模型的 Greeks 對沖，本質上是在賭哪個模型更接近市場的動力學——這件事沒有免費答案，只能用歷史資料做樣本外對沖回測來裁決（第 4 章樣本外紀律的又一次現身）。

隱含波動率不是預測。 隱波是價格的座標變換，內含風險溢酬；長期而言隱含系統性高於事後實現，把隱波當成對未來波動的無偏預報會一直高估。同理，風險中性密度的厚左尾不等於「市場預測會崩盤」。這些量最有價值的用法從來不是當預言，而是當比價基準：隱含對實現、風險中性對真實估計，差值才是資訊。

流動性是所有公式的隱藏前提。 對沖要成交才算數。深度價外的報價稀疏、價差巨大，B-L 在那裡萃出的「機率」主要是雜訊；壓力時刻價差拉開，連續對沖的成本假設整個失效。曲面最漂亮的部分永遠在流動性最好的價平附近——越往邊角走，越要記得你看的是插值不是市場。

下一章把這套「定價—敏感度—曲面」的裝備帶進利率、信用與外匯市場——那裡的曲面不只一張，而且互相糾纏。

§03原書對照

本課以部位風險的敘事線重組了原書第 11、12 兩章，以下內容原書有、本課未展開。其一，Greeks 的模型相依性專節：delta、theta 這類概念在任何模型都存在，vega 卻完全繫於所選的隨機過程；Heston 模型裡沒有單一波動率參數，長期均衡波動與初始波動兩個參數對應出「平移曲面」等多種 vega 定義，並討論寬客需把務實模型的風險映射回 BS 語言與交易員溝通的日常困境（pp.274–275）。其二，smile-adjusted delta 的完整處理：以鏈鎖律把「標的動時隱波跟著動」寫進 delta，並以美元兌巴西幣選擇權為例，校準 Heston 後比較三種 delta 的數值差異（pp.276–278，式 11.14–11.18）。其三，對沖實務專節：行事曆式與觸價式兩種重平衡規則的取捨、vega 對沖以價平跨式為工具的對沖比率公式（式 11.20），以及用歷史資料做 Greeks 的樣本外驗證——最好的對沖定義為歷史損益變異最小者（pp.278–281）。其四，交易結構圖鑑：掩護性買權、買賣權價差、跨式與勒式、蝶式與兀鷹、日曆價差、風險逆轉、一比二價差各配損益圖與多空波動屬性表（pp.282–291）。其五，「波動率作為資產類別」與隱含對實現波動率溢酬的實證：以 VIX 對照標普實現波動率，量測平均約 3.5% 的正溢酬，並警告溢酬伴隨崩盤時的巨幅回吐——賣方處境被喻為「a proverbial penny in front of a steamroller」（p.294）（pp.291–294）。其六，GameStop 個案：散戶集中買進深價外買權，造市商 delta 對沖的追買形成回饋迴圈的完整敘事（pp.295–296）。其七，第 12 章的密度萃取進階路線：非參數密度的最佳化框架——以機率向量為變數、市價為約束（式 12.10–12.16）；加權蒙地卡羅法以最大熵或對先驗分布的相對熵為目標函數（式 12.17–12.26），能把買賣價差寫成不等式約束、並以加權模擬路徑串接不同到期日的密度（pp.303–308）。其八，數位選擇權與買權價差逼近累積分布的關係（pp.302–303）。其九，風險中性對真實測度的比較實務：以拔靴法建真實分布、辨識兩測度分歧處的風險溢酬，並以蝶式做多真實測度質量較高的區段（pp.310–312）。其十，參數式與非參數式定價的總評：非參數法把過度決定問題翻轉為欠決定問題的代價是 Greeks 失去自然定義（p.313）。原書第 11 章對應印刷頁 pp.265–296、第 12 章 pp.297–313。

§04作業和解答

import numpy as np
from math import erf, sqrt, exp, log, pi

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))
def phi(x): return exp(-0.5 * x * x) / sqrt(2.0 * pi)

S0, K, r, sig, T = 100.0, 100.0, 0.02, 0.25, 0.25
d1 = (log(S0/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T)); d2 = d1 - sig*sqrt(T)

C = S0*Phi(d1) - K*exp(-r*T)*Phi(d2)
P_parity = C - S0 + K*exp(-r*T)                       # (1) 平價關係
P_direct = K*exp(-r*T)*Phi(-d2) - S0*Phi(-d1)
print(f"平價推得賣權 {P_parity:.4f}｜直接公式 {P_direct:.4f}")
# 輸出：平價推得賣權 4.7257｜直接公式 4.7257

delta_p = Phi(d1) - 1.0                               # (2) 賣權 delta
theta_p = (-S0*phi(d1)*sig/(2*sqrt(T)) + r*K*exp(-r*T)*Phi(-d2)) / 365
def bs_put(S):
    dd1 = (log(S/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T))
    return K*exp(-r*T)*Phi(-(dd1 - sig*sqrt(T))) - S*Phi(-dd1)
eps = 0.01
delta_fd = (bs_put(S0+eps) - bs_put(S0-eps)) / (2*eps)
print(f"賣權 delta {delta_p:.4f}（差分 {delta_fd:.4f}）｜theta/日 {theta_p:.4f}")
# 輸出：賣權 delta -0.4592（差分 -0.4592）｜theta/日 -0.0244

gamma_p = (bs_put(S0-eps) - 2*bs_put(S0) + bs_put(S0+eps)) / eps**2   # (3)
print(f"賣權差分 gamma {gamma_p:.6f}（買權解析 {phi(d1)/(S0*sig*sqrt(T)):.6f}）")
# 輸出：賣權差分 gamma 0.031748（買權解析 0.031748）

import numpy as np
from math import erf, sqrt, exp, log

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))

S0, K, r, sig, T = 100.0, 100.0, 0.02, 0.25, 0.25
d1 = (log(S0/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T))
C0 = S0*Phi(d1) - K*exp(-r*T)*Phi(d1 - sig*sqrt(T))

def hedge_std(n_steps, seed):
    rng = np.random.default_rng(seed)
    dt = T / n_steps
    S = np.full(20000, S0); dlt = np.full(20000, Phi(d1)); cash = -C0 + dlt*S0
    for i in range(1, n_steps + 1):
        S = S * np.exp((r - 0.5*sig**2)*dt + sig*sqrt(dt)*rng.standard_normal(20000))
        cash *= exp(r*dt); tau = T - i*dt
        if i < n_steps:
            d1v = (np.log(S/K) + (r + 0.5*sig**2)*tau) / (sig*np.sqrt(tau))
            nd = 0.5*(1.0 + np.vectorize(erf)(d1v / sqrt(2.0)))
        else:
            nd = (S > K).astype(float)
        cash += (nd - dlt)*S; dlt = nd
    return (np.maximum(S - K, 0.0) + cash - dlt*S).std()

for n in (13, 63, 252):
    print(f"N={n:>3d}：殘餘損益標準差 {hedge_std(n, 7):.4f}")
# 輸出：
# N= 13：殘餘損益標準差 1.1526
# N= 63：殘餘損益標準差 0.5417
# N=252：殘餘損益標準差 0.2730

import numpy as np
from math import erf, sqrt, exp, log

def Phi(x): return 0.5 * (1.0 + erf(x / sqrt(2.0)))

S0, r, T = 100.0, 0.02, 0.25
def smile(K):
    m = log(K / (S0*exp(r*T)))
    return (0.22 + 0.05*exp(-2.0*T)) - (0.24/sqrt(T))*m + (0.35/sqrt(T))*m**2*0.5
def bs_call(K, sig):
    d1 = (log(S0/K) + (r + 0.5*sig**2)*T) / (sig*sqrt(T))
    return S0*Phi(d1) - K*exp(-r*T)*Phi(d1 - sig*sqrt(T))

rng = np.random.default_rng(7)
Ks, h = np.arange(60.0, 140.0 + 1e-9, 2.5), 2.5        # 粗網格
c = np.array([bs_call(k, smile(k)) for k in Ks])
c_noisy = c + rng.uniform(-0.05, 0.05, size=len(Ks))   # ±5 美分中價雜訊
dens = exp(r*T) * (c_noisy[:-2] - 2*c_noisy[1:-1] + c_noisy[2:]) / h**2
print(f"負密度點 {(dens < 0).sum()} / {len(dens)}｜積分 {np.trapz(dens, Ks[1:-1]):.4f}")
# 輸出：負密度點 7 / 31｜積分 0.9760

§05參考資料

• Greeks (finance) — Wikipedia — 各階 Greeks 的定義、閉式解與符號慣例的完整彙整，本章第二節的速查表。
• Volatility smile — Wikipedia — 微笑、偏斜與期限結構的現象整理，含 1987 年股災前後股票偏斜形態轉變的背景。
• Gatheral, J. & Jacquier, A. (2012). Arbitrage-free SVI Volatility Surfaces. arXiv:1204.0646 — 業界最常用的曲面參數化 SVI 及其無套利條件，本章第五節「插值必須過無套利閘門」的嚴格版。
• Malz, A. M. (2014). A Simple and Reliable Way to Compute Option-Based Risk-Neutral Distributions. NY Fed Staff Report 677 — 在隱波空間平滑後萃取風險中性密度的實務方法，正是作業三補救方向的完整實作。
• Risk-neutral measure — Wikipedia — 風險中性測度與真實測度的關係，理解第六節「密度＝機率×風險偏好」的理論底座。
• Cboe VIX Index 官方頁 — 以整排選擇權價格加權出的隱含波動率指數：波動率曲面資訊被壓縮成單一數字的最著名應用。
• Kelliher, C. (2022). Quantitative Finance with Python. CRC Press / Taylor & Francis — 本課程 Part 4 對照之原書，第 11 章 pp.265–296、第 12 章 pp.297–313。