日历价差策略盈利点：辨析Gamma和Vega的
另一角度
日历价差策略盈利点：
辨析Gamma和Vega的
另一角度
什么是日历价差策略呢？根据开仓时权利金的收支情况，可以将日历价差分为买入日历价差（正向日历价差，Debit Calendar Spread）策略与卖出日历价差（反向日历价差，Credit Calendar Spread）策略。其中，买入日历价差策略具体构成是在卖出近月合约的同时买入同一行权价的远月合约。之所以称之为“买入”，是因为该策略在开仓时卖出的同样行权价的近月合约一般比远月合约要便宜，因此策略开仓时是权利金净支出的状态。反之，如果在卖出远月合约的同时买入近月合约，则构成卖出日历价差策略。乍看之下，日历价差策略似乎是一种赚取时间价值的价差策略，事实确实如此吗？或许我们需要对日历价差的盈利点进行进一步的分析。
对期权有一定了解的投资者知道，期权价格主要取决于标的资产价格、到期时间、波动率和无风险利率等因素。在实务交易中，交易员会从数值角度刻画期权价格对上述相关影响变量的敏感程度，并用Δ（Delta）、Γ（Gamma）、υ（Vega）、Θ（Theta）、ρ（Rho）等五个希腊字母进行标记。其中，Gamma衡量Delta（标的资产价格变化对期权价格的影响）对标的资产价格变化的敏感程度，期权权利方的Gamma总为正，义务方的Gamma总为负，当标的资产价格在期权行权价格附近时，Gamma最大，表明期权价格随标的资产价格变化的速度达到最快；而Vega衡量了隐含波动率对期权价格的影响，期权的Vega值总为正，当标的资产价格越偏离期权行权价，Vega越小，期权价格对标的资产价格变化越不敏感，标的资产价格越接近行权价期权，Vega越大，表明此时标的资产价格的变化对期权价格有巨大的影响。
我们同样可以用希腊字母来直观地衡量单腿或多腿策略的损益归因，其中策略组合的希腊字母等于各腿希腊字母的总和。比如在“做多波动率”的跨式策略或者勒式策略中，如果是买入跨式或者买入勒式策略，那么Gamma和Vega是同为正的，即随着价格波动的加剧策略收益会上升，如果是卖出跨式或者卖出勒式策略，那么Gamma和Vega是同为负的，策略收益会随着价格波动的加剧而下降。在这种Gamma和Vega同号的策略中，投资者可以通过记忆“做多波动率”这一要点，从而知道这种策略的收益是随着标的价格波动而变化的。
然而，日历价差策略的损益却不能简单用“随着价格波动变化”来记忆。由于买入日历价差策略的Gamma为负而同时Vega为正，短期内价格波动反倒会导致策略亏损，但是如果隐含波动率继续上升则策略又会获得正收益。以50ETF来构建日历价差策略来观察，在2016年期间标的波动率平稳下降，反向日历价差策略在Vega上收益较大。而在2018与2019年年初，市场在短期出现了较大的价格波动，这就导致短期内策略的Gamma收益非常高，策略净值在短期会有所提升。
我们回头想想日历价差的盈利点就能理解上述例子中Gamma和Vega的变化是如何影响策略的整体收益的——近月合约主要受标的的实际价格变化也就是Gamma的影响，从标的价格的角度出发可以理解为合约临到期的时候留给标的波动的时间很少。相较之下，标的资产价格波动的可能性更大。不管是买入日历价差还是卖出日历价差，在同样的行权价条件下，在策略构成是一买一卖的情况下其他希腊字母的影响已经抵消了，只有Vega才是日历价差的盈利点所在。
一言以蔽之，真实波动率和隐含波动率对日历价差的损益有着相反方向的影响。从这点上看，我们也能更好理解希腊字母Vega和Gamma的关系——从期权定价公式出发，Gamma是期权定价公式对标的价格的二阶导数，Vega是期权定价公式对于波动率的求导。这两个概念中，Gamma比较好理解，反映的是期权价格变化的“幅度”；Vega则是反映了隐含波动率对期权价格的影响，是为测度衍生品波动所代表价值而发明的参数，这一希腊字母之中隐含波动率。例如，在50ETF现货暴涨暴跌的情况下，虽然会有部分投资者认为波动率上升，但是期权的隐含波动率是下降的，此时做多Vega的策略会遭遇亏损。这就是“已实现波动率/历史波动率”和“真实波动率/隐含波动率”的区别，Vega才是反映期权市场上的投资者真实的情绪的指标。
套用一位业界人士的说法：“如果把股价比喻为一个跑步的人，那么做多Gamma就像是在做多股价的位移，而做多Vega就像在做多股价的路程。”这可能是最简单的记忆Gamma和Vega的赚钱效应的方式。我们可能会遇上上证50ETF的价格从2.40到3.00再回到2.40的情况，虽然最后标的价格没有变化，但是50ETF的衍生品大概率经过了Gamma不变而Vega急剧震荡的过程。反过来，从2019年8月至今的行情看，虽然50ETF的价格时有变化，但是隐含波动率却基本不变甚至有下降的趋势，这个区间做多Vega的策略就较大可能会遭受亏损。
