Skip to content

5.6 大盘、行业与公司:涨跌和 IV 的三层

难度★★★

This page hasn’t been translated into English yet, so you’re reading the Chinese original. Chapters are being translated one by one.

假设你在 2025 年 1 月看好 Nvidia 的下一代产品,买入了 NVDA 的 call。2025-01-27,市场担心中国 AI 公司 DeepSeek 发布的模型说明 AI 芯片的需求被高估了。整个 AI 芯片行业都在重新定价(Bloomberg、Reuters)。这一天:

  • NVDA 收盘下跌 16.97%,市值减少约 5,890 亿美元;
  • 费城半导体指数下跌约 9.2%;
  • 标普 500 下跌 1.46%。

你对产品的判断没有任何变化,call 却大幅亏损。那么,这 16.97% 的跌幅里,有多少和你的观点有关?

回答这个问题,要把一只股票的涨跌拆成三层:整个市场的那一部分,所在行业的那一部分,和公司自己的那一部分。拆开以后,才知道观点判断的是哪一层,该用哪一层的期权,又有哪几层是你不需要的风险。期权的 IV 也由同样的三层叠成,本节最后再拆 IV。

例子(示例数据,非实时):某天 SPY 下跌 2%,半导体 ETF 下跌 5%,NVDA 下跌 8%。NVDA 的 β 取课程的示例值 1.8,半导体 ETF 的 β 取 1.5。Beta(β)是个股相对大盘的平均联动倍数(3.7):β 为 1.8,表示大盘涨跌 1% 时,这只股票平均涨跌约 1.8%。

第一步,大盘部分。大盘跌了 2%,按 β 1.8,NVDA 平均会跌 1.8 × 2% = 3.6%。只要大盘下跌,这一部分就会发生,与半导体行业和 Nvidia 自己都无关。

第二步,行业部分。半导体 ETF 跌了 5%,但它自己也随大盘涨跌:按它的 β 1.5,大盘跌 2% 时它平均会跌 3%。这 3% 已经计入第一步的大盘部分,所以只有超出的部分 −5% − (−3%) = −2% 才属于行业自己。

第三步,公司部分。从 NVDA 的 −8% 里减去前两部分,剩下 −8% − (−3.6%) − (−2.0%) = −2.4%,这一部分只和 Nvidia 自己有关。

部分 算法 结果
大盘部分 1.8 × (−2%) −3.6%
行业部分 −5% − 1.5 × (−2%) −2.0%
公司部分 −8% − (−3.6%) − (−2.0%) −2.4%
合计 −8%

这一天 NVDA 的跌幅中,约 45% 来自大盘(3.6 ÷ 8),25% 来自行业(2.0 ÷ 8),30% 来自公司自身(2.4 ÷ 8)。如果你的观点只针对公司层面,那么这一天七成的亏损都和观点无关。

一般地,一只股票在一段时间内的涨跌,可以近似地拆成三部分:

R股≈β×R大盘⏟大盘部分+(R行业−β行业×R大盘)⏟行业部分+ε⏟公司部分\begin{aligned} R_{\text{股}} \approx {}& \underbrace{\beta \times R_{\text{大盘}}}_{\text{大盘部分}} \\ &+ \underbrace{\left(R_{\text{行业}} - \beta_{\text{行业}} \times R_{\text{大盘}}\right)}_{\text{行业部分}} \\ &+ \underbrace{\varepsilon}_{\text{公司部分}} \end{aligned}
  • 大盘部分 = β × 大盘的涨跌,大盘用 SPY 代表。
  • 行业部分 = 行业 ETF 的涨跌 − 行业 ETF 的 β × 大盘的涨跌。减去后一项,是因为行业 ETF 随大盘涨跌的那一部分已经计入大盘部分;不减,大盘就被算了两次。
  • 公司部分是减去大盘和行业两部分以后剩下的部分,也叫特质收益(idiosyncratic return),近似代表公司自身的影响;β 估得不准时,误差也会落进这一部分。

三部分同号时,每一部分占多少,按「这一部分 ÷ 合计」计算。三部分不同号时,例如股票上涨、公司部分却为负,比例就没有意义了,直接写出哪一部分为正、哪一部分为负。

这是简化的拆分:股票对行业自己那部分涨跌的敏感度,先按 1 计算。同时估计对大盘和对行业的两个敏感度,在统计上用回归,这里不展开。

β 从哪里来,估错了会怎样。β 用过去一到两年的日收益率或周收益率估计,算的是股票的涨跌平均是 SPY 的几倍。很多行情网站直接给出这个数,但期间和算法不同,结果可能相差很大;危机时 β 往往变大(11.4)。β 的误差会直接带进大盘部分,再原样转到公司部分。β 差 0.2,在大盘下跌 2% 的那天,大盘部分就差 0.2 × 2% = 0.4 个百分点;大盘下跌 5% 时,相差 1 个百分点。所以拆分只是近似,用别人算的 β 时,要记下来源和期间。

回到开头的 2025-01-27。行业用费城半导体指数代表,β 仍取示例值(NVDA 1.8,行业 1.5)。先用上面的算法自己算一遍,再往下读。

  1. 大盘部分:1.8 × (−1.46%) ≈ −2.63%。
  2. 行业部分:−9.2% − 1.5 × (−1.46%) ≈ −7.01%。
  3. 公司部分:−16.97% − (−2.63%) − (−7.01%) ≈ −7.33%。

开头的问题有了答案:大盘只贡献了约 2.6 个百分点,跌幅主要来自行业和公司两层,而公司部分(约 −7.33%)甚至略大于行业部分(约 −7.01%)。消息说的是整个行业的需求,受益最多的龙头却受到了最大的冲击。

这里的公司部分,并不都是 Nvidia 自己的消息。本节的简化把 NVDA 对行业部分的敏感度按 1 计算;如果 NVDA 对 AI 需求的变化比整个行业更敏感,超出的那一部分也会落进公司部分。所以公司部分很大、当天却没有公司自己的新闻时,先检查两件事:β 准不准,以及这条行业消息是不是对这家公司格外重要。

案例:2025-04-15 至 16,H20 芯片出口许可(Nvidia 8-K、Business Standard)。

  • 04-15 美股收盘后,Nvidia 在 8-K 文件中披露:H20 芯片对华出口需要许可证,这项要求将无限期有效;第一季度预计计提最多约 55 亿美元的相关费用。盘后 NVDA 下跌约 6%(RTÉ)。
  • 04-16,NVDA 收盘下跌 6.87%。同一天费城半导体指数下跌 4.1%,标普 500 下跌 2.24%;芯片股领跌,美联储的表态也偏谨慎。

用同样的 β 拆分 04-16 的跌幅:

  1. 大盘部分:1.8 × (−2.24%) ≈ −4.03%。
  2. 行业部分:−4.1% − 1.5 × (−2.24%) ≈ −0.74%。
  3. 公司部分:−6.87% − (−4.03%) − (−0.74%) ≈ −2.10%。

按这个结果,这一天大半的跌幅来自大盘,可是消息明明是 Nvidia 自己披露的。原因是这样拆分有一个局限:这一天芯片股本身就在拉低大盘,所以按 β 减去的大盘部分里,也包含芯片股自己的影响。04-15 盘后大盘已经收盘,NVDA 在盘后约 −6% 的跌幅更接近消息本身的影响,用它衡量这条消息,比按 β 拆分更直接。一般地,一只股票或它的行业大到足以带动大盘时,按 β 拆分会把一部分公司或行业的影响算成大盘的。

两次冲击传导的方向也不同。H20 这一次是一家公司先披露,冲击先落在这家公司身上,再通过「同行会不会也受影响」的担忧传到整个行业。4.6 讲的 2022 年出口管制针对具体的产品,冲击先落在整个行业。

DeepSeek 那天主要跌在行业和公司,H20 那天大半来自大盘

按课程的示例 Beta 拆分:NVDA 1.8,半导体 1.5(两个案例用费城半导体指数代表行业)· 条长 = NVDA 当天的跌幅 · 近似

示例日SPY −2%、半导体 ETF −5%

大盘 −3.6%、行业 −2.0%、公司 −2.4%,合计 −8%

2025-01-27DeepSeek 冲击

大盘 −2.63%、行业 −7.01%、公司 −7.33%,合计 −16.97%

2025-04-16H20 出口许可

大盘 −4.03%、行业 −0.74%、公司 −2.10%,合计 −6.87%

  • 大盘部分 = β × 大盘的涨跌
  • 行业部分
  • 公司部分

示例日约 45% 来自大盘、25% 来自行业、30% 来自公司自身。04-15 美股收盘后发布 8-K,盘后 NVDA 下跌约 6%,更接近消息本身的影响。

涨跌拆成三部分 · 示例日、2025-01-27、2025-04-16

相对强弱(relative strength)指把两个价格的比值画成一条线,用来比较谁跑赢谁。例如用半导体 ETF SMH(5.1)代表行业:NVDA ÷ SMH 的比值线向上,说明 NVDA 跑赢行业,公司那一层在起作用;SMH ÷ SPY 的比值线向上,说明半导体跑赢大盘,行业那一层在起作用。比值线不需要估计 β,适合每周看一次,6.6 的每周简报就用它比较各个行业。

然而,比值线也没有扣除 β 的影响。在上涨的市场里,β 高于 1 的股票本来就容易跑赢大盘,所以比值线向上,不一定是公司或行业自己的原因。要知道每一层各有多大,仍然要按 β 拆分。

观点在哪一层,就用哪一层的期权

Section titled “观点在哪一层,就用哪一层的期权”

拆分的用处在于选工具。先确定观点在哪一层:

观点在哪一层 用什么表达 不需要的风险怎样处理
公司:新产品、财报、管理层 个股期权 用 SPY 对冲大盘部分;需要时再用行业 ETF 对冲行业部分
行业:油价、利率、监管、需求周期 行业 ETF 期权 用 SPY 或指数期权对冲大盘部分
大盘:宏观、政策 SPY 或指数期权 不需要再拆分

读法:观点在哪一层,就用那一层的期权;比它大的层,是你不需要的风险,要么对冲掉,要么明确接受,并算进账户的上限。观点在行业层却用个股期权,公司自己的财报和新闻就会混进盈亏;观点在公司层却不处理大盘,大盘一跌,判断对了也可能亏损。

对冲大盘部分,先用 Beta 加权 Delta(3.7)把仓位换算成相当于多少股 SPY:

SPY 股数=合计 Delta×股价×βSPY 的价格\text{SPY 股数} = \frac{\text{合计 Delta} \times \text{股价} \times \beta}{\text{SPY 的价格}}

例子(示例价格,非实时):你看好 NVDA 的新产品,但担心大盘回落。

  1. 你持有 NVDA 的看涨期权,合计 Delta 相当于 +300 股 NVDA($225,β 1.8)。
  2. 换算成 SPY($770):300 × 225 × 1.8 ÷ 770 ≈ 158 股。按 β 计算,大盘下跌 1% 时 NVDA 平均下跌 1.8%,这笔仓位约亏损 300 × 225 × 1.8% = $1,215。
  3. 只想去掉大盘部分,就建立一笔合计 Delta 约 −158 股的 SPY 仓位:卖空 158 股 SPY,或者买入 SPY 的 put。例如 30 天期的 SPY 770P 报 $12.30,Delta −0.47,买入 3 张合计 Delta 约 −141,对冲了约九成,权利金共 $3,690。
  4. 对冲之后剩下的,才是你判断的行业和公司两层。对冲有成本:买 put 要支付权利金,卖空 SPY 要放弃大盘上涨的那一部分。put 的 Delta 还会随 SPY 变化(3.2),所以对冲的股数要定期重算。

还要对冲行业部分时,SPY 要少卖。按本节的简化,NVDA 对行业部分的敏感度取 1,所以用半导体 ETF 对冲行业部分,要建立与 NVDA 仓位等值的空头:300 × 225 = $67,500。然而半导体 ETF 本身带有 1.5 的 β,这笔空头同时也去掉了 1.5 × 67,500 = $101,250 的大盘敞口。NVDA 的大盘敞口是 1.8 × 67,500 = $121,500,所以 SPY 只需要对冲剩下的 (1.8 − 1.5) × 67,500 ÷ 770 ≈ 26 股。如果仍然卖出 158 股 SPY,大盘这一层就被对冲了两次,大盘上涨时反而亏损。NVDA 对行业的真实敏感度未必是 1,要另行估计;估计不准,行业这一层就会对冲得过多或过少。

公司自身的那一部分没有工具可以对冲,只能靠张数和限定风险的结构来控制。

你可能同时持有几笔看起来不同的仓位:NVDA 的 call、SMH 的 call、AMD 的卖出看跌。它们是三笔风险,还是一笔?

相关性(correlation)指两个资产一起涨跌的程度,取值从 −1 到 +1:+1 表示总是同涨同跌,0 表示涨跌互不相干,−1 表示总是一涨一跌。同一行业的股票面对相同的客户、成本和监管,相关性较高;不同行业之间较低。所以平时把仓位分散到几个行业,能降低整体的波动。然而危机时相关性会升高,分散的作用暂时失效(4.4)。

案例:2023 年 3 月,地区银行(美联储、ETF.com、Reuters)。3-10,硅谷银行(SVB)被监管机构关闭。3-12(周日),美联储推出银行定期融资计划。然而 3-13(周一),地区银行 ETF KRE 仍收盘下跌 12.3%;整个 3 月,KRE 下跌约 28.8%。

一家银行的问题,通过储户「存款会不会也从我的银行流走」的担忧,变成了整个行业的问题;周日的政策公告也没有阻止周一的跳空(4.5)。假如你在三家地区银行上各卖出了一笔 put,每一笔都不大,那个周一它们也会一起亏损。

集中度(concentration)指风险集中在同一标的、行业或方向上的程度。NVDA 的看涨、SMH 的看涨和 AMD 的卖出看跌,看起来是三只标的,判断的却都是「半导体不跌」。所以同一行业的几笔仓位,要合成一笔计算。

例子(示例价格,非实时):在上面那笔 NVDA 之外,你还有 AMD 和 SMH 两笔,都换算成 SPY($770):

仓位 合计 Delta 股价、β 相当于 SPY
NVDA 看涨期权 +300 股 $225、1.8 约 158 股
AMD 卖出看跌 +100 股 $160、1.9 约 39 股
SMH 看涨期权 +80 股 $280、1.5 约 44 股
  1. 逐笔换算:AMD 100 × 160 × 1.9 ÷ 770 ≈ 39 股;SMH 80 × 280 × 1.5 ÷ 770 ≈ 44 股。
  2. 合成一笔:按 β 计算的美元敞口 = 121,500 + 30,400 + 33,600 = $185,500,约 241 股 SPY。
  3. 大盘下跌 1% 时,三笔一起亏损约 $1,855。如果行业还额外下跌,三笔还会一起亏损行业那一部分;像 2025-01-27 那样的一天,行业部分比大盘部分大得多。

所以,每写一张观点卡,都标明它属于哪个行业;同一行业的几笔仓位按一笔计算,与单笔上限和账户的上限比较(11.4)。危机时 β 和相关性同时升高,按 β 算出的亏损会偏低,最坏情况要用压力测试来算(11.5)。

个股的 IV 同样包含大盘、行业和公司三层。从个股到行业 ETF,再到指数,篮子越来越大,成分各自的涨跌相互抵消得越来越多。所以指数的 IV 通常低于行业 ETF,行业 ETF 的 IV 又低于个股。抵消多少,取决于成分一起涨跌的程度,也就是相关性。

例子(示例数据,非实时):某行业 ETF 的主要成分股,30 天 IV 平均 35%,两两之间的平均相关性 0.6。

  1. 平时:ETF 的 IV ≈ 35% × √0.6 ≈ 35% × 0.775 ≈ 27.1%,比成分股低约 8 个百分点。
  2. 相关性升高:一次行业冲击(例如出口管制公告)使相关性升到 0.9。这时 ETF 的 IV ≈ 35% × √0.9 ≈ 33.2%。成分股的 IV 没有变化,ETF 的 IV 却上升了约 6 个点。
  3. 两者同时上升:实际上,冲击到来时成分股的 IV 也会上升。假设它升到 45%,那么 ETF 的 IV ≈ 45% × √0.9 ≈ 42.7%。这比原来高约 15.6 个点,比成分股上升的 10 个点还多。

一般地,成分等权、数量较多时:

一篮子的波动率≈成分的平均波动率×平均相关性\text{一篮子的波动率} \approx \text{成分的平均波动率} \times \sqrt{\text{平均相关性}}

这个近似是这样得来的。把每只成分股的涨跌看成两部分:一部分是所有成分共同的变动,另一部分是它自己的变动。平均相关性为 ρ 时,每只股票的方差(标准差的平方,见 0.6)里,共同的部分约占 ρ,自己的部分约占 1 − ρ:相关性说的正是两只股票的变动有多大比例来自同一个原因,相关性为 1 时全部共同,为 0 时全部各自。成分足够多时,各自的部分有涨有跌,互相抵消到接近 0,只剩下共同的部分。所以篮子的方差 ≈ ρ × σ²,开平方就是 σ × √ρ。平均相关性小于 1 时,篮子的波动率低于成分的平均波动率;相关性升到 1 时,没有任何抵消,两者相等。

行业 ETF 的 IV 与平均相关性 · 成分股 IV 35% 与 45%

例外是必需消费(XLP)、公用事业(XLU)这类低波动的行业:它们的 ETF 的 IV 常常和 SPY 差不多,有时更低。

延伸阅读:成分不多时的完整公式

上面的近似省略了一项。N 只成分等权、每只的波动率都是 σ、平均相关性为 ρ 时,篮子的方差是:

σ篮子2=σ2[ρ+1−ρN]\sigma_{\text{篮子}}^2 = \sigma^2 \left[\rho + \frac{1 - \rho}{N}\right]

第二项 (1 − ρ) ÷ N 是各成分自己的波动在分散之后剩下的部分,N 越大越接近 0。以 25 只等权的成分为例,σ 35%、ρ 0.6 时,完整公式给出 35% × √(0.6 + 0.4 ÷ 25) = 35% × √0.616 ≈ 27.5%,近似式给出 27.1%,相差不大。成分很少,或者权重集中在几只大股票上时,第二项不能忽略:按近似式反推的相关性会偏高。6.3 用「有效成分股数」处理权重集中的情形。

反过来,报价里预期了多大的相关性。期权链上能直接看到 ETF 和成分股的 IV。把上面的近似式反过来,解出相关性,得到的就是隐含相关性(implied correlation),即市场的报价里预期的平均相关性:

隐含相关性≈(ETF 或指数的 IV成分股的平均 IV)2\text{隐含相关性} \approx \left(\frac{\text{ETF 或指数的 IV}}{\text{成分股的平均 IV}}\right)^2

例子(示例数据,非实时):同一只 ETF,成分股的 30 天 IV 仍是平均 35%,期权链上 ETF 自己的 30 天 IV 是 24.5%。隐含相关性 ≈ (24.5 ÷ 35)² = 0.7² = 0.49。它低于上面假设的 0.6,说明市场预期成分股比你假设的更分散:按 0.6 估算,ETF 的 IV 应当是 27.1%,市场只给 24.5%。

比较时两边取同一到期日的平值 IV。成分股在这个到期日以前有财报时,它们的 IV 含有事件溢价,反推的隐含相关性会偏低。

所以,看到 IV 升高时,可以先问升的是哪一层。财报季个股的 IV 升高,多半是公司那一层在升高。宏观冲击时,指数的 IV 升高既来自成分股 IV 的升高,也来自相关性的升高:上面例子的第 3 步,ETF 的 IV 共升 15.6 个点,相关性贡献约 6.1 个点,成分股 IV 的升高贡献约 9.5 个点。相关性贡献了多少,看 ETF 和指数的 IV 向成分股靠拢了多少,或者直接看 Cboe 的隐含相关性指数 COR1M、COR3M:它们用标普 500 市值最大的 50 只成分股编制,给出市场对成分股一起变动的预期。它的编制方法和集中度的修正见 6.3。

卖方的压力测试。平时卖出行业 ETF 的期权,因为分散的作用,收到的权利金比卖出成分股的期权少。冲击一来,分散的作用消失得最快,ETF 的 IV 比成分股升得还多(上面例子的第 3 步)。所以卖方做压力测试时:

  • 相关性按接近 1 计算,ETF 的 IV 就取成分股的 IV;
  • 成分股的 IV 也按冲击时升高以后的水平计算,例如上例的 45%;
  • ETF 的空头和同一行业成分股的空头合成一笔,按同一次下跌计算亏损(11.5)。
  • 先写出观点在哪一层,再选标的:公司层用个股期权,行业层用行业 ETF 的期权,大盘层用 SPY 或指数的期权。观点卡上标明这只标的属于哪个行业。
  • 买入个股期权时,你支付的 IV 里也包含大盘和行业两层。观点只在公司层时,大盘的涨跌按 Beta 加权 Delta 用 SPY 对冲;这只对冲方向,不对冲 IV,大盘的 IV 回落时,个股的 IV 也会随之回落。行业那一层要么用行业 ETF 对冲,要么算进集中度。
  • 判断 IV 升在哪一层:财报前是公司那一层,看个股覆盖财报的到期日(2.6);宏观或行业冲击时,成分股的 IV 和相关性一起升高,相关性贡献了多少,看 ETF 和指数的 IV 向成分股靠拢了多少,或者看 COR1M、COR3M。
  • 卖出行业 ETF 的期权,权利金少不说明风险小:压力测试按相关性接近 1 来做,同一行业的空头合成一笔;学习阶段只用限定风险的结构(第8、9章)。

随堂练习(示例数据,非实时):

  1. 某天 SPY 上涨 1.4%,金融 ETF XLF 上涨 2.8%,美国银行(BAC)上涨 4.6%。BAC 的 β 取 1.3,XLF 的 β 取 1.1。
    • BAC 的涨幅里,大盘、行业、公司三部分各是多少?各占多少?
    • 你看好的是 BAC 自己的信用卡业务。这一天的涨幅里,有多少和你的观点无关?
  2. 你持有 AAPL 的看涨期权,合计 Delta 相当于 +400 股($340,β 1.1);还卖出了 NVDA 的看跌期权,合计 Delta 相当于 +120 股($225,β 1.8)。SPY $770。
    • 你对 AAPL 的观点是「下一季的服务收入超出预期」,应当用哪个标的的期权表达?如果观点是「企业的软件和硬件开支下半年回升」呢?
    • AAPL 这一笔相当于多少股 SPY?只对冲大盘部分,要建立多少股的 SPY 空头 Delta?
    • AAPL 和 NVDA 同属 GICS 的信息技术行业。两笔合成一笔,相当于多少股 SPY?按 β 计算,大盘下跌 2% 时约亏损多少?
  3. 某行业 ETF 的主要成分股,30 天 IV 平均 40%。
    • 平均相关性 0.5 时,ETF 的 IV 约是多少?相关性升到 0.8 呢?
    • 期权链上这只 ETF 的 30 天 IV 是 26%,成分股仍是 40%。隐含相关性约是多少?与 0.5 相比,市场预期成分股更同步还是更分散?
    • 你卖出了这只 ETF 的看跌价差(第8章),也卖出了其中两只成分股的看跌价差。压力测试时,假设成分股的 IV 升到 50%,ETF 的 IV 按多少计算?三笔仓位怎样计算亏损?
参考解答
  1. 三部分:
    • 大盘部分 = 1.3 × 1.4% = 1.82%;行业部分 = 2.8% − 1.1 × 1.4% = 2.8% − 1.54% = 1.26%;公司部分 = 4.6% − 1.82% − 1.26% = 1.52%。三部分都为正,分别约占 40%(1.82 ÷ 4.6)、27%(1.26 ÷ 4.6)和 33%(1.52 ÷ 4.6)。
    • 观点在公司层,大盘和行业两部分合计 3.08%,约占 67%,都和观点无关。这一天 BAC 大涨,只有约三分之一可以算作对公司观点的印证;β 是估计值,所以这个比例也只是近似。
  2. 三问:
    • 服务收入是公司层的观点,用 AAPL 的期权。企业的软硬件开支是整个行业的需求,属于行业层,用信息技术 ETF XLK 的期权。
    • AAPL:400 × 340 × 1.1 ÷ 770 = 149,600 ÷ 770 ≈ 194 股。只对冲大盘部分,要建立约 −194 股的 SPY Delta,例如卖空 194 股 SPY,或者买入 Delta 合计约 −194 的 SPY put。
    • NVDA:120 × 225 × 1.8 ÷ 770 = 48,600 ÷ 770 ≈ 63 股。合成一笔:(149,600 + 48,600) ÷ 770 = 198,200 ÷ 770 ≈ 257 股。大盘下跌 2% 时约亏损 198,200 × 2% ≈ $3,964。两笔判断的都是科技行业不跌,行业额外下跌时还会一起亏损,所以按一笔与上限比较。
  3. 三问:
    • 40% × √0.5 ≈ 40% × 0.707 ≈ 28.3%;相关性升到 0.8 时,40% × √0.8 ≈ 40% × 0.894 ≈ 35.8%。
    • 隐含相关性 ≈ (26 ÷ 40)² = 0.65² ≈ 0.42,低于 0.5,说明市场预期成分股更分散;按 0.5 估算,ETF 的 IV 应当约 28.3%,市场只给 26%。
    • 相关性按接近 1 计算,ETF 的 IV 取成分股的 IV,即 50%,比现在的 26% 高 24 个点。三笔判断的都是这个行业不跌,所以合成一笔,按同一次下跌计算合计的亏损,再与单笔上限比较(11.5)。

常见误区:

  • 「股票跌了,就是公司出了问题。」——应当先减去大盘和行业两部分。2025-04-16,NVDA 下跌 6.87%,按示例 β 拆分,公司部分只有约 −2.1%。
  • 「公司部分大,说明公司自己有消息。」——2025-01-27 NVDA 的公司部分约 −7.33%,消息却是整个行业的。本节的简化把对行业的敏感度按 1 计算,龙头对行业消息更敏感时,超出的部分也落进公司部分;β 估得不准时也一样。
  • 「Beta 是固定的。」——β 随估计的期间和算法而变化,危机时往往变大,所以拆分只是近似。
  • 「三笔仓位分在三只标的上,风险就分散了。」——同一行业的股票相关性本来就高,危机时还会升高,三笔会一起亏损,所以要合成一笔计算。
  • 「对冲了大盘,就没有风险了。」——还剩下行业和公司两层风险;而且对冲的比例来自历史 β,未必符合以后实际的联动。
  • 「行业 ETF 的 IV 低,说明行业风险小。」——ETF 的 IV 低主要是分散的结果。冲击时相关性升高,ETF 的 IV 向成分股靠拢,升得比成分股还多。
  • 「相对强弱线往上走,说明这只股票会继续涨。」——比值线描述的是过去的表现;而且在上涨的市场里,高 β 的股票本来就容易跑赢大盘。

思考题:

  1. 某天 SPY 上涨 1.2%,能源 ETF XLE 上涨 3.5%,一只油气股上涨 2.4%。油气股的 β 取 0.8,XLE 的 β 取 0.9(示例数据,非实时)。你看好的是这家公司自己的新油田。这一天股价上涨了,能说明你的观点得到了印证吗?(答:大盘部分 = 0.8 × 1.2% = 0.96%;行业部分 = 3.5% − 0.9 × 1.2% = 2.42%;公司部分 = 2.4% − 0.96% − 2.42% = −0.98%。股价的上涨全部来自大盘和行业,公司部分反而为负,说明它跑输了同行。三部分不同号,不必算比例。这一天不能算作对公司观点的印证。)
  2. 某行业 ETF 的成分股 30 天 IV 平均 30%,平均相关性 0.4(示例数据,非实时)。ETF 的 IV 大约多少?相关性升到 0.8 呢?你卖出了这只 ETF 的宽跨式,按哪个 IV 做压力测试?(答:ETF 的 IV ≈ 30% × √0.4 ≈ 19.0%;相关性升到 0.8 时,ETF 的 IV ≈ 30% × √0.8 ≈ 26.8%。成分股的 IV 没有变化,ETF 的 IV 却上升了约 8 个点。压力测试按相关性接近 1,ETF 的 IV 至少取成分股的 30%;冲击时成分股的 IV 也会升高,所以还要按升高以后的水平再算一次。)
  3. 你持有 100 股 NVDA($225,β 1.8),想同时去掉大盘和行业两部分:卖空了 $22,500 的半导体 ETF(β 1.5),又按 β 1.8 卖空了 SPY($770)。SPY 卖空了多少股?应当卖空多少股?大盘上涨 2% 时,多卖的部分约亏多少?(示例价格,非实时)(答:按 β 1.8 卖空的是 100 × 225 × 1.8 ÷ 770 ≈ 53 股。半导体 ETF 的空头已经去掉了 1.5 × 22,500 = $33,750 的大盘敞口,所以 SPY 只应卖空 (1.8 − 1.5) × 22,500 ÷ 770 ≈ 9 股,多卖了约 44 股。大盘上涨 2% 时,多出来的空头约亏 33,750 × 2% = $675。)

本节要点:

  1. 个股的涨跌 ≈ 大盘部分(β × 大盘)+ 行业部分(行业 ETF − 它的 β × 大盘)+ 公司部分(剩下的);行业部分要减去行业 ETF 随大盘的那一部分,否则大盘被算了两次。
  2. 观点只在公司层时,大盘和行业两部分都和观点无关;三部分同号时按「这一部分 ÷ 合计」说出各占多少。
  3. 拆分依赖估计的 β,只是近似:β 的误差原样转到公司部分,龙头对行业消息格外敏感的部分也会落进公司部分;个股或行业大到带动大盘时,它们的一部分影响会被算成大盘的。
  4. 观点在哪一层,就用哪一层的期权;对冲大盘的 SPY 股数 = 合计 Delta × 股价 × β ÷ SPY 的价格,同时用行业 ETF 对冲行业时,SPY 要相应少卖。
  5. 同一行业的几笔仓位判断的是同一件事,按 Beta 加权 Delta 合成一笔,再与上限比较;它只反映小幅变动,卖出期权的仓位在大跌时亏损会加速,最坏情况用压力测试计算(11.5)。
  6. 一篮子的波动率 ≈ 成分的平均波动率 × √平均相关性,所以指数的 IV 通常低于行业 ETF,行业 ETF 通常低于个股;必需消费、公用事业这类低波动行业的 ETF 例外,IV 常常和 SPY 差不多;反过来,隐含相关性 ≈ (ETF 或指数的 IV ÷ 成分股的平均 IV)²。
  7. 冲击时相关性和成分股的 IV 一起升高,ETF 的 IV 升得最多;卖方按相关性接近 1 做压力测试,并把同一行业的空头合成一笔。

本节任务:选一只你关注的股票和它所属的行业 ETF,找出最近一次单日大涨或大跌。查出当天 SPY、行业 ETF 和这只股票的涨跌,以及两个 β,注明来源(哪个网站、按多长的期间计算)。按本节的表拆成三部分,写下公司部分占多少,以及当天有没有公司自己的新闻。最后写一句:如果观点只在公司层面,用什么期权、对冲哪一层。

关键术语:

中文 English 释义
特质收益 idiosyncratic return 减去大盘和行业两部分之后剩下的涨跌,近似代表公司自身的影响
相对强弱 relative strength 两个价格的比值线,用来比较谁跑赢谁
相关性 correlation 两个资产一起涨跌的程度,取值从 −1 到 +1
隐含相关性 implied correlation 由指数与成分股 IV 反推的预期平均相关性
集中度 concentration 风险或权重集中在少数标的、行业或方向上的程度;衡量指数时常用前十大成分股的权重

课后练习

学完这一节,先独立算下面的题,再展开参考答案核对。做错了就点「收进错题本」,到「复习」页按第 1、3、7 天重做;错因照样记进你自己的错题本。

A6【5.6 三层拆分、集中度与行业 ETF 的 IV】某天 SPY 跌 3%,半导体 ETF 跌 6%,NVDA 跌 9%(示例数据,非实时)。NVDA 的 β 1.8,半导体 ETF 的 β 1.5。(1) NVDA 的跌幅里,大盘、行业、公司三部分各是多少?(2) 你有三笔半导体仓位:NVDA 看涨期权合计 Delta +200 股($225,β 1.8)、AMD 卖出看跌合计 Delta +150 股($160,β 1.9)、SMH 看涨合计 Delta +100 股($280,β 1.5),价格和 Beta 都是示例数据。换算成 SPY($770)一共多少股?(3) 按 Beta 计算,大盘下跌 3% 时三笔合计约亏损多少?(4) 某行业 ETF 的主要成分股 30 天 IV 平均 30%,两两之间的平均相关性 0.64(示例数据,非实时)。按「一篮子的波动率 ≈ 平均波动率 × √平均相关性」,ETF 的 IV 大约多少?(5) 一次行业冲击让相关性升到 0.9,成分股的 IV 不变,ETF 的 IV 约升到多少?升了几个点?这对卖出这只 ETF 期权的人意味着什么?

参考答案
  1. 大盘部分 = 1.8 × (−3%) = −5.4%;行业部分 = −6% − 1.5 × (−3%) = −1.5%;公司部分 = −9% − (−5.4%) − (−1.5%) = −2.1%。

  2. 用 Beta 加权 Delta(3.7)逐笔换算。NVDA:200 × 1.8 × 225 ÷ 770 ≈ 105 股;AMD:150 × 1.9 × 160 ÷ 770 ≈ 59 股;SMH:100 × 1.5 × 280 ÷ 770 ≈ 55 股。合计约 219 股 SPY。

  3. 按 Beta 计算的美元敞口合计 = 81,000 + 45,600 + 42,000 = $168,600;大盘下跌 3% 时,约亏损 168,600 × 3% ≈ $5,058。三笔看起来是三只标的,判断的却都是「半导体不跌」,所以大盘一跌,它们会一起亏损;如果行业再额外下跌,还要多亏损行业那一部分。这正是集中度需要设上限的原因(11.4)。

  4. ETF 的 IV ≈ 30% × √0.64 = 30% × 0.8 = 24%。

  5. 相关性升到 0.9 时,ETF 的 IV ≈ 30% × √0.9 ≈ 28.5%,上升了约 4.5 个点,而成分股的 IV 没有变化。在真实的冲击中,成分股的 IV 通常也会上升,所以 ETF 的 IV 升得更多。卖出这只 ETF 期权的人,平时因为分散的作用,收到的权利金较少;冲击一来,分散的作用消失得最快。所以压力测试要按相关性接近 1 来计算(11.5)。

换一组数字再练

题目参数每次随机生成,答完点「检查」即时判对错。价格是示例、不是实时行情;答数量时按提示的单位填写,亏损或下跌填负数。

需要启用 JavaScript 才能自动出题。

问 AI 导师

卡住了,或者想换个角度再学一遍?把下面这段提示词交给 Claude 或其他 AI 助手,它会按本课程的教学规则一对一带你学这一节。提示词可以先改再复制。

AI 也会算错:它给的数字请自己复算,拿不准时以正文和答案页为准。

仅供学习,不构成投资建议。课程里的价格和数据都是标注过的示例,不是实时行情。