作者:老余捞鱼
原创不易,转载请标明出处及原作者。

本文阅读时间预估约为12~18分钟。
一、一道”错误”的公式,改变了整个金融世界
1973年,美国两位数学家费舍尔·布莱克(Fischer Black)和迈伦·斯科尔斯(Myron Scholes)在学术期刊上发表了一篇论文,给出了一个计算期权合理价格的公式。这个公式后来被称为”B-S期权定价模型”,1997年为它的创作者们赢得了诺贝尔经济学奖。
这道公式的意义,用一句话概括就是:在此之前,期权的价格靠经验和直觉;在此之后,有了数学上的”合理参考价”。它直接推动了全球期权市场的爆炸式增长,芝加哥期权交易所恰好也在同年开始运营,绝非巧合。
但这道公式有一个根本性的问题——它建立在五个假设之上,而这五个假设,在现实市场里几乎全部不成立。
这听起来像是一个致命缺陷。但真正聪明的人发现了另一面:假设与现实之间的每一处偏差,都是可以反复开采的利润空间。这不是理论上的可能性,而是有真实账单可以核查的历史事实——有据可查的数字显示,顶级量化机构靠着系统性利用这些偏差,累计赚取了超过千亿美元。
二、五个假设,五个”金矿”
要理解后面所有的故事,必须先把这五个假设和它们对应的现实偏差搞清楚。这是整篇文章的”底层逻辑”,理解了这一层,后面的案例就会豁然开朗。
① 波动率是固定的
现实:它一直在变
公式假设市场波动幅度是一个固定数字。现实中,市场恐慌指数(VIX)可以从10飙到80以上,而且波动率有”扎堆”的习惯——平静期连着平静,动荡期连着动荡。
利润来源:期权的”标价波动率”(市场定价用的)和”实际波动率”(真实发生的)之间长期存在差距。谁能预测这个差距,谁就能稳定获利。这就是”波动率套利”策略的根基。
② 交易可以随时进行
现实:市场会突然关门
公式假设你可以在任何时刻、以任何数量买卖资产。现实中,股市有涨跌停板,夜盘有缺口,危机时流动性会彻底消失。
利润来源:当市场因为恐慌出现”交易中断”时,定价会严重失真。谁在这时候有子弹、有胆量、有系统,谁就能捡到便宜。1987年美股大崩盘时,索普就靠这个机会锁定了约100万美元的无风险利润。
③ 交易没有任何成本
现实:成本决定生死
公式假设买卖资产不需要任何费用。现实中,每笔交易都有买卖价差、手续费和市场冲击成本。
利润来源:谁能把交易成本压到最低,谁就拥有别人没有的优势。文艺复兴大奖章基金的单笔交易成本约为0.002%~0.003%,而行业平均水平是0.01%以上。这个差距看起来微不足道,但每天执行15万笔交易,复利累积下来,就是别人永远追不上的护城河。
④ 价格涨跌符合正态分布
现实:极端事件远比模型预测的多
公式假设股价变动像掷硬币一样,遵循标准的正态分布(钟形曲线)。按这个假设,1987年美股单日下跌22%这种事,在数学上发生的概率几乎等于零(理论上需要等待10的50次方年)。但它确实发生了。
利润来源:市场实际上存在”厚尾”效应——极端事件发生的频率远高于模型预测。正确理解这一点的人,可以在别人定价偏低的尾部风险上做文章,也可以在别人高估尾部风险时卖出溢价。
⑤ 对冲操作可以无摩擦执行
现实:大仓位会搬起石头砸自己的脚
公式假设你调整持仓时不会影响价格,也不存在保证金追缴的压力。现实中,大规模的对冲操作本身就会推动价格朝着对你不利的方向运动。
利润来源:理解这一点的人会严格控制仓位规模,避免成为”自己的敌人”。不理解这一点的人(比如LTCM),会在最需要对冲的时候,发现自己的对冲操作本身就在加速亏损。
· · ·
三、爱德华·索普:比诺奖得主早六年的男人

1967年,索普在自己的研究笔记里独立推导出了与B-S公式完全相同的期权定价方程。那是布莱克和斯科尔斯发表论文的整整六年之前。他没有急着发表,而是悄悄开始用这个公式在市场里实际操作。
他后来在学术论文里写道:”我在1967年底推算出了这个公式,并从1967年底开始用它来交易权证。”这句话的份量很重——他不是在纸上谈兵,而是拿真金白银去验证了这个公式,并且在诺奖得主们还没发表论文的时候,就已经靠它赚了好几年钱。
1969年,索普创立了普林斯顿纽波特合伙公司,这是全球第一只真正意义上的”市场中性”对冲基金——也就是说,不管市场整体涨还是跌,他的基金都能赚钱,因为他的策略不依赖市场方向,只依赖定价偏差。

有研究机构测算过一个有趣的概率:一个交易者在230个月里只有3个月亏损,这件事发生的概率,比你在地球上随机选中某一个原子还要低上万亿倍。换句话说,这不是运气,这是系统性的、可重复的优势。
索普的核心策略:可转债套利
索普最主要的赚钱方式叫”可转债套利”,直接利用了五大假设中的第1、3、5条。可转债是一种特殊的债券,持有人可以在特定条件下把它换成股票。因为这个转换权利,可转债的定价里隐含了一个”期权价值”。
索普发现,市场上这类可转债的”隐含波动率”(市场定价所用的波动率)经常低于股票的历史实际波动率。简单说,市场把这个期权定便宜了。他的操作流程是这样的:
- 买入被低估的可转债,锁定”便宜的期权”
- 用B-S公式算出”对冲比例”(Delta值,通常在0.5到0.7之间),做空等量的对应股票
- 持有期间收取债券利息,同时收取做空股票所得的利息
- 随着股价变动,持续动态调整对冲比例,锁定利润
这套操作在1961年到1965年间,给他带来了年化约25%的回报。整个职业生涯下来,28.5年年化20%,没有一年亏损。
1987年大崩盘:别人恐慌,他在捡钱
1987年10月19日,美国股市单日暴跌22%,这一天后来被称为”黑色星期一”。这是五大假设中第2条(交易可以连续进行)彻底崩塌的一天——流动性蒸发,很多人想卖卖不掉,想买买不到。
就在所有人都在恐慌的时候,索普的系统发现了一个巨大的定价错误:
| 品种 | 当日价格 | 正常价差 | 当日价差 |
|---|---|---|---|
| 标普500期货 | 185~190点 | 1~2点 | 30~35点(约15%) |
| 标普500股票篮子 | 220点 |
同样的东西,期货比股票便宜了15%。索普的操作很直接:买入500万美元的期货,同时做空1000万美元的股票篮子,锁定了约100万美元的无风险利润。整个操作过程中,他不需要判断市场会涨还是跌,只需要等待这个价差回归正常。
“我们买入了约900万美元的期货多头,同时持有约1000万美元的股票空头,锁定了100万美元的利润。”——爱德华·索普,回忆1987年黑色星期一
· · ·
四、LTCM:诺奖得主是怎么把公式用崩的

LTCM的策略逻辑是清晰的,早期执行也很成功。他们主要做的是”相对价值套利”——找到两个理论上价格应该趋同的资产,买便宜的、做空贵的,等待价差收窄时获利。这类策略单笔利润很薄,所以需要用杠杆放大。
辉煌的四年
美联储的记录显示,LTCM早期的业绩确实亮眼:
| 年份 | 净收益率 | 同期标普500 | 评价 |
|---|---|---|---|
| 1994年 | +20% | +1.3% | 首年即超预期 |
| 1995年 | +43% | +37.6% | 巅峰之年 |
| 1996年 | +41% | +23% | 持续领跑 |
| 1997年 | +17% | +33.4% | 开始落后,杠杆加码 |
三类主要持仓
LTCM的具体操作,从学术案例和监管文件中可以还原出三类主要仓位:
国债套利:买入流动性较差的”旧版”30年期国债,同时做空流动性好的”新版”30年期国债。两者理论上利率相同,但因为流动性差异,价格存在5到10个基点的价差。LTCM用数百亿美元的名义规模来放大这个微小的价差。
荷兰皇家石油/壳牌套利:荷兰皇家石油和壳牌在法律上是同一家公司的两个部分,理论上两者的股价应该保持固定比例。但市场上荷兰皇家的股价长期比壳牌贵8%到10%。LTCM建立了约23亿美元的仓位押注这个价差收窄。
波动率交易:LTCM大量卖出标普500的长期期权,相当于在”赌”市场不会出现极端波动。这是对第4条假设(价格服从正态分布)的直接押注。
致命的杠杆

换个方式来理解这个数字:如果你有100元自有资金,LTCM的玩法相当于借了4900元来投资,总共拿5000元去做交易。只要资产价格朝错误方向走2%,你的100元本金就全没了。
崩塌:五大假设同时失效
1998年8月17日,俄罗斯宣布卢布贬值并对债务违约。这件事本身对LTCM的直接影响并不大,但它引发了全球投资者的恐慌性抛售——所有人同时涌向”安全资产”,所有风险资产同时被抛售。
LTCM的模型假设,不同市场的资产之间相关性在0.75到0.90之间。危机爆发后,这个相关性直接变成了1.0——所有资产同时下跌,没有任何分散效果。五大假设在同一个月里全部崩塌:
五大假设同时失效的连锁反应
假设1失效:波动率从正常水平飙升,他们卖出的期权价值暴涨,亏损急剧扩大。
假设2失效:市场流动性消失,想平仓也找不到对手方。
假设3失效:被迫在极度不利的价格下平仓,交易成本变成了灾难性的滑点。
假设4失效:俄罗斯违约就是一个”正态分布之外”的极端事件,模型完全没有考虑到。
假设5失效:LTCM自己的平仓操作,推动价格进一步朝不利方向运动,形成恶性循环。
PBS的纪录片记录了当时的情况:LTCM在整个8月份,每天的账面亏损约为5亿美元。整个8月,亏损总计44亿美元,相当于损失了44%的本金。
美联储出手救场
1998年9月23日,美联储紧急协调14家金融机构,共同出资36.25亿美元接管LTCM,才避免了更大范围的金融系统崩溃。LTCM的法律顾问吉姆·里卡兹后来说:”我们的资产负债表是1000亿美元,但如果算上衍生品的名义价值,是1.3万亿美元……如果LTCM没有被救援,全球所有市场都会关闭。”
| 救援机构 | 出资金额(美元) | 备注 |
|---|---|---|
| 高盛、美林、摩根士丹利等11家 | 各3亿 | 合计33亿 |
| 法国兴业银行 | 1.25亿 | — |
| 雷曼兄弟、巴黎银行 | 各1亿 | — |
| 贝尔斯登 | 拒绝参与 | 十年后自己也倒了 |
救援机构获得了LTCM 90%的股权,原来的合伙人只保留了10%。那两位诺贝尔奖得主,亲手把自己创造的公式用到了极限,然后亲眼看着它崩塌。
· · ·
五、文艺复兴大奖章基金:量化投资的天花板

如果说索普是量化投资的先驱,那西蒙斯就是把这件事做到极致的人。他创立的文艺复兴科技公司旗下的大奖章基金,从1988年到2018年,30年间年化毛收益率66%,扣除高昂费用后净收益率39%,累计为内部员工创造了超过1000亿美元的利润。

作为对比:被称为”股神”的巴菲特,伯克希尔哈撒韦长期年化回报约20%,已经是人类历史上最伟大的价值投资记录之一。大奖章基金的数字,是在另一个维度上。
真正的优势:不是预测准,而是成本低
大奖章基金的核心合伙人罗伯特·默瑟曾说过一句话,是理解这个基金的钥匙:
“我们的判断正确率是50.75%……但靠这个就能赚几十亿。”——罗伯特·默瑟,文艺复兴科技联席CEO
50.75%的正确率,意味着他们每做100笔交易,只比随机多对0.75笔。这个优势微乎其微。但大奖章基金每天执行15万到30万笔交易,每笔交易的成本只有0.002%到0.003%,而行业平均水平是0.01%以上。
这个成本差距,才是真正的护城河。因为成本低,他们可以执行那些对其他人来说根本不划算的交易。他们把五大假设的偏差切成了极薄的切片,每片利润极小,但每天切十几万片,复利累积下来就是别人永远追不上的回报。
IRS税务案揭开的秘密
2021年,文艺复兴科技与美国税务局(IRS)达成了一项70亿美元的税务和解。这个案子的起因是大奖章基金通过德意志银行和巴克莱银行设计的”篮子期权”结构,把短期交易利润转换成了长期资本利得,从而少缴税款。
这个案子的意外收获是,国会听证会上披露了大奖章基金的部分运作细节:基金支付约10%的期权费,银行融资剩余90%,相当于用1块钱的本金撬动了10块钱的操作规模。2002年,基金在50亿美元本金的基础上,持有了600亿美元的头寸。
· · ·
六、做市商的工业化套利:每年300亿美元的机器
如果说大奖章基金是量化套利的”精品店”,那城堡证券(Citadel Securities)和简街资本(Jane Street)就是工厂化流水线。他们的商业模式,是把五大假设的第3条(无交易成本)利用到了极致。
2024年,这两家机构的营收合计达到302亿美元——其中简街资本205亿,城堡证券97亿。这笔钱主要来自一件事:给散户和机构提供期权交易的对手方服务,同时用B-S公式进行实时对冲。
四步赚钱机器:以一笔期权交易为例
- 收取价差:散户下单买入一张看涨期权,做市商以”卖出价”成交,每张合约收取0.05到0.15美元的买卖价差。这是第一层利润,在交易完成的瞬间就已锁定。
- 立即对冲:假设这张期权的Delta值是0.5(价格变动1元,期权变动0.5元),做市商立刻买入50股对应的股票,把方向性风险清零。现在的仓位,对市场涨跌无感。
- 持续调整,机械套利(Gamma Scalping):股价每涨1元,Delta变成0.55,做市商卖出5股(高价卖出);股价每跌1元,Delta变成0.45,做市商买入5股(低价买入)。每一次价格波动,都是一次机械性的低买高卖。这是第二层利润,靠的是五大假设第1条的失效——实际波动率和定价波动率之间的差距。
- 信息优势:做市商是全市场最先看到散户订单流向的人。大量散户同时买入某只股票的看涨期权,这个信号本身就有价值。
城堡证券在2024年为了获得这些散户订单,向各大券商支付了9.43亿美元的”订单流报酬”(其中7.32亿专门用于期权订单)。这笔钱是他们的成本,而实际获得的交易利润是这个数字的好几倍。
做市商的对冲如何放大市场波动
这里有一个很多散户不知道的市场机制,值得单独说一下。当做市商整体上处于”净空Gamma”状态(也就是卖出了大量期权给散户),他们的对冲操作会形成一种机械性的价格放大效应:
| 市场方向 | 做市商的对冲动作 | 对价格的影响 |
|---|---|---|
| 股价上涨 | Delta增大 → 被迫买入更多股票 | 进一步推高价格 |
| 股价下跌 | Delta减小 → 被迫卖出股票 | 进一步压低价格 |
这就解释了为什么很多时候,市场在某个方向上的单日走势会不断加速——不是因为有什么大消息,而是做市商的对冲程序在机械性地放大每一次价格波动。这不是阴谋,这是公式驱动的必然结果。
· · ·
七、两种高阶策略:波动率套利与分散交易
在索普、大奖章基金和做市商之外,还有两种更纯粹地利用B-S公式漏洞的策略,值得单独介绍。这两种策略在专业机构中广泛使用,理解它们有助于看清整个量化生态的逻辑。
策略一:波动率套利——赌”标价”和”实价”的差距
期权有一个特殊的属性:它的价格里隐含了一个”预期波动率”(也叫隐含波动率)。这个数字是市场对未来波动的预测。而市场实际发生的波动(实际波动率),往往和这个预测不一样。
波动率套利的逻辑就是:预测实际波动率,然后和市场的隐含波动率比较,如果差距足够大,就建立仓位。
- 预测未来实际波动率为20%
- 市场当前隐含波动率为30%——期权被高估了
- 做空这张被高估的期权
- 用B-S公式持续对冲Delta风险,消除方向性敞口
- 等到期权到期,实际波动率低于隐含波动率,获利
学术界对这个策略有过系统性的回测,结果显示在特定样本期内,年化收益在14%到26%之间(夏普比率0.34到0.40)。这不是未来的承诺,但它证明了这个结构性偏差的真实存在。
策略二:分散交易——收割”过度恐惧”的溢价
有一个长期存在的市场现象:投资者在对整个市场做风险对冲时,愿意支付比对单只股票对冲更高的价格。原因很直观——大家都怕”系统性崩盘”,所以对”大盘期权”的需求更旺盛,推高了它的隐含波动率。
分散交易就是利用这个现象:大盘指数期权的隐含波动率,长期系统性地高于其成分股期权的平均隐含波动率。这个差距就是”相关性风险溢价”,是可以稳定收割的。
- 做空大盘指数的平值期权组合(收取高隐含波动率的溢价)
- 做多一篮子成分股的平值期权组合(支付较低的单股隐含波动率)
- 用B-S公式对整个组合持续对冲Delta风险
- 当各成分股走势分化、大盘整体震荡时获利——也就是”分散”比”同向”多的时候赚钱
这个策略有一个现实门槛:你需要同时操作500只成分股的期权,每一只都有自己的买卖价差和风险参数。一旦你付出的买卖价差超过了策略本身的收益,优势就消失了。这个策略只在机构级别的算法执行能力下才能存活,是第3条假设(无交易成本)失效的直接产物。
· · ·
八、优势衰减铁律:所有策略都有保质期
读到这里,你可能会想:既然这些策略这么好,为什么不是所有人都在用?答案是:他们都在用,正因为如此,这些策略的优势在不断缩水。
这是一条贯穿整个量化投资历史的铁律:任何一个基于B-S公式漏洞的套利策略,其预期收益都会随着参与者数量的增加而趋近于零。第一个发现这个漏洞的人,可以赚40%;第十个人进来,只能赚5%;第二十个人进来,大概率亏钱。
| 策略 | 发现者 | 鼎盛期收益 | 衰退信号 | 结局 |
|---|---|---|---|---|
| 可转债套利 | 索普 | 年化25% | 市场参与者增多,价差收窄 | 主动关闭普林斯顿纽波特 |
| 统计套利 | 索普(脊岭合伙) | 年化26% | 收益从20%+压缩到低双位数 | 2002年主动清盘 |
| 国债价差套利 | LTCM等 | 稳定但薄 | 所罗门兄弟、美林持有相同仓位 | 1998年崩盘,被迫救援 |
| 波动率卖出 | 多家机构 | 稳定收租 | 2002年波动率未如期回升 | 大量机构爆仓 |
索普对这个规律看得最透彻。他关闭普林斯顿纽波特时,可转债套利还没有完全失效;他关闭脊岭合伙时,统计套利还有利润,只是利润在缩水。他选择在优势消退之前主动离场,而不是等到优势完全消失才被迫退出。
“市场竞争加剧导致收益下降。”——爱德华·索普,解释关闭脊岭合伙的原因
LTCM的故事是这个规律的极端版本。当所罗门兄弟、美林证券和多家对冲基金都持有完全相同的仓位时,所谓的”套利”已经变成了一个没有对手方的拥挤赌注。当所有人同时想退出时,只有卖家,没有买家。模型里假设相关性在0.75到0.90之间的资产,在恐慌时刻相关性全部变成1.0——所有资产同时下跌,所有对冲同时失效。
· · ·
九、赢家和输家的对比:六十年的证据说了什么
把索普、西蒙斯、城堡证券、简街资本(赢家)和LTCM(输家)放在一起比较,会发现一个清晰的模式。这不是运气的差别,而是系统性的行为差别。
| 维度 | 赢家(索普、西蒙斯等) | 输家(LTCM) |
|---|---|---|
| 仓位规模 | 始终小于市场流动性,不影响自身价格 | 仓位巨大,平仓时自己砸自己 |
| 交易成本 | 文艺复兴0.002%,远低于行业均值 | 成本随规模扩大而急剧上升 |
| 策略更新 | 持续进化,索普从权证到可转债到统计套利 | 固守原有策略,优势消退后继续加码 |
| 持仓周期 | 文艺复兴平均不足两天,降低模型失效风险 | 持有大量长期、流动性差的头寸 |
| 杠杆控制 | 严格控制,保留足够缓冲空间 | 高峰期50倍杠杆,没有任何容错空间 |
| 拥挤信号 | 识别并提前退出拥挤交易 | 忽视早期亏损信号,继续加仓 |
| 模型态度 | 把模型当工具,知道它的边界 | 把模型当真理,忘记了假设的前提 |
这张表里最核心的差别,是最后一条:对模型的态度。赢家们从来不相信B-S公式是对的,他们只是利用它的”不对”来赚钱,同时清楚地知道这种”不对”在什么条件下会反噬自己。LTCM的团队里有公式的创作者本人,他们太懂这个公式了,懂到忘记了它只是一个模型,而不是现实。
· · ·
十、对普通投资者的启示:这些和我有什么关系?
读到这里,也许有人会说:这些都是顶级机构的游戏,和我这个普通投资者有什么关系?
关系其实很大,只是方向不同。你不需要去做波动率套利或者分散交易,但这些故事里藏着几个对所有投资者都适用的底层逻辑。
①模型是地图,不是地形
B-S公式是一张地图,它描述了一个理想化的市场。地图有用,但地图不是真实的地形。任何投资模型都有它的适用范围和失效条件。在使用任何分析工具时,都要问一句:这个工具的假设是什么?在什么情况下这些假设会失效?
②杠杆是放大器,不是引擎
LTCM的失败不是因为策略错了,而是因为杠杆太高,没有留下任何容错空间。一个正确的策略加上过高的杠杆,在极端情况下仍然会导致彻底的失败。杠杆放大收益,也放大亏损,更重要的是,它压缩了你在”市场暂时不理性”时坚持下去的能力。
③人人都知道的机会,已经不是机会
索普说得最直白:”当你发现一个机会时,要在人群之前行动。”当一个策略、一个赛道、一个概念已经被所有人谈论,当媒体开始报道它的神奇收益,这个策略的最好时光通常已经过去了。优势的本质是信息差和执行差,这两者都会随着时间和竞争者的增加而消失。
④成本是看不见的收益杀手
文艺复兴靠着比同行低五倍的交易成本,在50.75%的正确率下赚了千亿。对普通投资者来说,基金费率、交易手续费、税收摩擦,都是长期复利的无声消耗。把成本降到最低,是每一个投资者都能做到、也最容易被忽视的优化。
⑤活下去,才能等到机会
索普19年没有一个亏损年份,不是因为他每年都判断正确,而是因为他的仓位控制让他永远有子弹。市场的极端机会(比如1987年的大崩盘)只属于那些在危机时刻还有余力行动的人。保持足够的流动性和心理余量,是参与长期游戏的基本前提。
· · ·
十一、终章:这个公式会永远产生机会
B-S公式的五大假设,在1973年发表的那一天就是错的,在今天仍然是错的,在未来也永远是错的。因为它描述的那个世界——波动率固定、交易无成本、价格完美正态分布——根本不存在,也永远不会存在。
这意味着,这五大假设所产生的定价偏差,会永远存在于市场中。只要有期权市场,就会有隐含波动率和实际波动率之间的差距;只要有人类参与交易,就会有恐慌时刻的流动性消失;只要有交易成本,就会有执行能力更强的人占据优势。
但同样永远成立的是:任何对这些偏差的具体利用方式,一旦被足够多的资金发现并跟随,就会走向拥挤和失效。赚钱的不是公式,是发现偏差的速度、执行的效率,以及在优势消退之前离场的判断力。
“当你发现一个机会,要在人群之前行动。当所有人都知道一个B-S套利机会时,它已经消失了。公式只是数学,真正持久的优势在于:知道哪个假设正在失效,用比任何人都低的成本去利用它,仓位小到足以在市场不认同你之前全身而退,并且在优势消退之前认出它。”——爱德华·索普
西蒙斯用数学赚了320亿美元个人财富,文艺复兴大奖章基金累计利润超千亿,证明了这个优势是真实的、巨大的。LTCM用同一个公式,在一个月内亏掉45亿美元,证明了杠杆和拥挤可以摧毁任何理论上正确的策略。
这两个故事的主角,用的是同一道公式,面对的是同一个市场。区别只在于:一个人把公式当成了发现机会的望远镜,另一个人把它当成了可以无限依赖的真理。
望远镜帮你看得更远。但当你忘记自己站在地上,以为自己已经飞起来的时候,望远镜救不了你。
· · ·
文章总结
B-S期权定价公式的五大假设与现实市场存在系统性偏差,这种偏差既是量化高手的利润来源,也是过度依赖模型者的致命陷阱。真正的赢家不是把公式当真理,而是把公式的”错误”当成可以反复开采的矿藏,同时严格控制规模与杠杆,在优势消退前主动离场。
① B-S公式的五大假设在现实中全部失效,每一处失效都是可重复利用的套利空间。
② 索普比B-S公式发表早六年独立推导出相同结论,19年零亏损印证了”先发现、先离场”的铁律。
③ 文艺复兴大奖章基金的核心优势不是预测准确率(仅50.75%),而是交易成本极低加上超高频次的复利积累。
④ LTCM的失败不是因为公式用错了,而是50倍杠杆叠加拥挤交易,让五大假设在同一时刻全部崩塌。
⑤ 任何套利策略都有生命周期——发现、利用、拥挤、衰退。赢家的关键动作是在第三阶段之前主动退出。
风险提示:本文所有历史数据、案例及策略描述均来源于公开资料及学术文献,仅供研究学习参考,不构成任何投资建议。金融市场存在风险,历史业绩不代表未来表现,请根据自身情况理性决策。版权声明:本文为原创内容,转载请注明出处。
#量化投资 #期权定价 #对冲基金 #风险管理 #金融模型 #西蒙斯 #大奖章基金 #套利策略 #数字金融 #AI量化
Be First to Comment