波动率交易是基金公司期权类交易的主力策略，但是需要特别谨防“黑天鹅”事件造成的波动率脉冲上涨行情。为了解决以上问题，本文尝试利用波动率交易品种分散策略实现风险转移。首先，提出了一种波动率交易品种选择算法；其次，利用案例说明该算法的具体应用；最后，提出该算法可以在一定程度上避免“黑天鹅”事件风险的原因。

A  算法逻辑的具体应用

波动率交易是基金公司期权类交易基金的主力策略，在现实交易中，一旦出现“黑天鹅”事件，则波动率交易基金的净值都会出现大幅度回撤。事实上，如果此时基金的仓位过重，则会造成爆仓事件的发生。

为了预防“黑天鹅”事件，波动率交易基金的常见策略主要有两个：一个是利用多策略分散风险，即在卖出波动率策略之外，增加一个做多波动率的策略，例如gamma scalping策略，两个策略独立并行执行。这样在风险事件发生时，做多波动率策略的盈利可以有效的补偿卖出波动率策略的亏损。另一个是利用多品种波动率交易进行风险分散，即在多个期货品种上，进行卖出波动率交易，利用不同交易品种之间的弱相关性增加抵抗“黑天鹅”事件的能力，例如上证50指数和白糖之间无论是逻辑上，还是数量关系上都存在比较弱的相关关系。因此，同时进行上证50期权和白糖期权的波动率交易可以有效避免基金出现比较大回撤。

本文研究主要聚焦在第二种避免“黑天鹅”事件的方法，也就是利用多个品种的卖出波动率策略分散风险，这个策略中急需解决的问题是交易品种如何选择？本文主要讨论在多品种卖出波动率策略进行过程中，品种选择的算法问题，并进一步给出了一个案例进行解释算法的运行逻辑。

波动率交易品种选择算法方面，卖出期权波动率交易的多品种选择策略包含两条基本原则。原则一是交易品种在逻辑上相关性比较低；原则二是交易品种在数量关系上相关性比较低。这样设计的动机是当两个原则均满足时，则品种之间同时出现“黑天鹅”的概率大幅降低，从而使得基金净值回撤大幅降低。

在原则一的具体执行过程中，我们将品种划分为股指、农产品、能化、黑色和有色五个大类进行初筛，每个大类必须包含一个品种。这样在逻辑上实现了品种之间的不相关性，它通过不同类别在商品属性上的差异性进而实现了品种之间相关系数较低。

在原则二的具体执行过程中，我们基于品种与其他品种相关系数绝对值最低越好原则。这一条实现了品种之间在数量关系上相关性低。原则一和原则二是从商品属性和量化两个视角保证了品种之间的低相关性。

除了以上两个原则，考虑到股指期权成交量远大于商品类期权，因此股指类期权至少包括两个品种。事实上，在境内期权市场，50ETF期权作为第一个推出的期权，直到现在依然是成交量最大的期权品种。此外，根据统计数据，成交量最大的股指期权每天的成交量基本上是商品期权的十倍左右。这两条都表示该策略中至少包含两个以上股指期权类品种的必要性。

品种选择算法方面，基于以上两条原则的卖出波动率策略的品种选择算法包含三个步骤，具体如下：

第一，从股指、农产品、能化、黑色和有色五个大类进行期权品种初筛，每个大类至少选择一个品种。其中，股指至少包含两个品种。

第二，在初筛品种中，进行相关性度量，选出相关系数较低的品种。

第三：度量每个选出品种的波动率特征，进而设计相应的波动率交易原则。需要度量的波动率特性包含四个。一是波动率均值回归性，二是波动率的长记忆性，三是波动率的聚集性，四是波动率非对称性。这四个特性是波动率交易的理论基础。

B  系数比较及描述统计

案例研究方面，第一步，将境内上市的34个期权品种，按照五个类别进行相关性度量，进而在农产品、能化、黑色和有色四个类别中各选一个品种，股指类别中选择两个品种。结果如下：农产品是白糖、能化是PTA、有色是沪锌、黑色是螺纹钢、股指是上证50和中证1000。第二步，度量初筛品种的相关性（如下表所示）。除了黑色中的螺纹钢和沪锌之间相关性，以及螺纹钢和上证50之间的相关性高于0.5之外，其余品种之间相关性都在0.5之下。第三步是度量六个品种的波动率特征，进而设计其波动率策略。

表为6个品种之间的相关系数

需要特别强调的是股指之间的相关性。由上表可知，上证50和中证1000之间的相关系数只有-0.14。这表示当小盘股代表中证1000指数出现“黑天鹅”事件时，上证50指数大概率是保持稳定。这在逻辑上也是合理的，因为上证50指数是大盘的稳定器，当小盘股出现大跌时，国家队一般会进场护盘，买入的通常都是上证50指数。需要特别指出的是，相关系数比较高的品种主要是螺纹钢、上证50和沪锌，这主要是因为螺纹钢主要和房地产息息相关，同时上证50指数和房地产行业也存在着紧密关系。此外，沪锌和螺纹钢都是上期所的品种。最后，农产品一般与其他品种的相关系数比较弱，这点从上表白糖的表现也可以得出。

表为6个品种的已实现波动率的描述性统计

已实现波动率是一个重要的金融指标，通常用于衡量资产价格的波动程度，是风险管理和投资决策中的关键因素之一。常见的波动率可以根据不同的计算方法分为三类，分别是历史波动率、隐含波动率和已实现波动率。其中，历史波动率代表过去的波动率情况，隐含波动率代表市场对于未来波动率的期望，只有已实现波动率代表今天真实波动率的度量。上表给出了6个品种已实现波动率的度量结果。

由商标的均值列Mean可知，中证1000的波动率>螺纹钢的波动率>PTA的波动率>上证50的波动率>沪锌的波动率>白糖的波动率。一般认为，中证1000、上证50都是波动率交易最好的品种，它们每日成交量非常大，滑点小。此外，农产品一般波动率较小，上表也证实了这个结论。

表为6个品种的单位根检验

注：*、**、***分别表示在10%、5%和1%的显著性水平下显著

波动率的均值回归性是指金融市场中，波动率的变化会围绕其长期均值上下波动。当波动率偏离其长期均值时，市场会出现对波动率反应，使得波动率回归到其长期均值。这种现象被称为“波动率的均值回归性”。波动率的均值回归性存在的原因是市场的自我调节机制。当波动率偏离其长期均值时，市场参与者会根据市场变化调整其交易策略，从而使得市场波动率回归到其长期均值。例如，当市场波动率偏高时，投资者通常会减少交易量，降低风险，从而使得市场波动率逐渐回归到其长期均值。波动率的均值回归性一般利用ADF单位根检验进行度量。这表示6个品种的隐含波动率IV最终都会回归到其长期均线附近。

由上表可知，这6个品种在1%的显著性水平下，拒绝存在单位根的原假设。也就是说，这6个品种的已实现波动率都在1%的置信水平下存在均值回归性。

波动率的长记忆性是指金融市场中，过去的波动率对未来的波动率有着长期的影响。这种现象被称为“波动率的长记忆性”。波动率的长记忆性存在的原因是市场的历史信息对市场的影响是长期的。市场参与者在做出决策时，往往会考虑历史信息，这些历史信息对于市场的波动率会产生长期的影响。例如，当市场经历了长期的低波动率时期，市场参与者往往会逐渐习惯于低波动率的市场环境，导致市场波动率长期偏低。波动率的长记忆性可以利用自相关性和偏自相关性进行度量。

C  用卖出策略规避风险

通过度量6个品种已实现波动率的相关性和偏自相关性可以得到以下结论：6个品种都具有长记忆性，这表示6个品种的隐含波动率IV都受到历史波动率HV的影响。

表为6个品种的波动率聚集性度量

波动率的聚集性是指金融市场中，一段时间内高波动率的时期往往会接连出现，而低波动率的时期也会连续出现。这种现象被称为“波动率聚集性”。波动率聚集性的出现是由金融市场的自我调节机制导致的。在市场的高波动率时期，投资者通常会更加谨慎，减少风险，导致市场波动率进一步上升。反之，在市场的低波动率时期，投资者通常会更加乐观，增加风险，导致市场波动率进一步下降。

波动率聚集性一般利用GARCH模型进行度量，其度量结果如上表所示。6个品种的α和β都在1%的置信水平下显著，这表示它们都具有显著的聚集性，即是波动率具有脉冲上涨、缓慢下跌的特征。

波动率的非对称性是指金融市场中，价格上涨和下跌所带来的波动率不同。通常情况下，价格下跌所带来的波动率要比价格上涨所带来的波动率更大。这种现象被称为“波动率的非对称性”。波动率的非对称性存在的原因是市场参与者的心理因素。当市场价格下跌时，投资者往往会更加恐慌和惊慌失措，导致交易活跃度增加，市场波动率进一步上升。相反，当市场价格上涨时，投资者往往会更加冷静和理智，交易活跃度不会增加太多，市场波动率也不会大幅上升。

波动率的非对称性一般利用EGARCH模型进行度量。下表显示，只有中证1000的α显著，其余5个品种均不显著，这表示只有中证1000具有明显的非对称性，其他非对称性都不显著。

本文为了规避市场的“黑天鹅”风险，提出了一种波动率交易的品种选择算法，并在中国市场进行了实证研究，发现了以下结论：

第一，为了规避波动率交易的“黑天鹅”风险，可以同时选择6个期权品种进行交易，它们分别是股指中的上证50和中证1000期权，农产品中的白糖期权、化工中的PTA期权、黑色中的螺纹钢期权、有色中的沪锌期权。同时选择这6个品种进行期权波动率交易，当某一个品种面临“黑天鹅”风险时，会出现其他品种依然盈利的局面，则可以有效规避波动率交易中“黑天鹅”风险的发生。

第二，上证50、中证1000、白糖、PTA、沪锌和螺纹钢这6个期权品种的波动率都满足波动率交易的基本假设——波动率的均值回归性、长记忆性和聚集性。需要特别指出的是，中证1000还满足波动率的非对称性，也就是“黑天鹅”事件发生时，其风险要超过其余5个期权品种。

表为6个品种波动率非对称性EFARCH模型度量结果

注：*、**、***分别表示在10%、5%和1%的显著性水平下显著（作者单位：华融融达期货）