EMPIRICAL ANALYSIS OF THE MODEL-FREE VALUATION APPROACH:HEDGING GAPS, CONSERVATISM, AND TRADING OPPORTUNITIES
创建于 更新于
摘要
本论文利用2018-2022年标普500成分股期权数据,系统评估了无模型估值方法与实际期权收益的差异,首次实证量化了该方法的保守性与套期保值绩效。结果显示无模型套期保值策略相比传统模型仅略显保守,并基于此提出了一种风险可控的交易策略,实证检验表明该策略具备盈利能力与良好风险收益特性[page::0][page::1][page::4][page::7][page::8][page::11]。
速读内容
研究目标与数据概况 [page::0][page::1][page::2]
- 研究无模型(super-)套期保值策略与期权实际支付差异,验证其保守性的实证表现。
- 数据涵盖标普500中7大市值股(亚马逊、摩根大通、强生等)2018-2022年交易的看涨期权。
- 计算过程依托线性规划方法求解多步半静态交易策略的对冲价格及策略参数。

区间、期限与不同期权支付的对冲差距表现 [page::4][page::5][page::6]
- 对于前向平值看涨期权,随着从交易日$t0$至权利行权参考日期$t1$的时间间隔缩短,套期保值相对支付的差距中位数及其分布宽度均明显减小。
- 子套期保值策略(sub-hedging)的差距通常为负,且随时间间隔延长差距扩大,但幅度小于super-hedging。
- 对不同支付函数(如对数收益、均值-几何平均差等)重复实验,结果趋同,表明无模型定价对于多样期权均较紧。


与行业标杆模型对比分析 [page::7]
- 与Black-Scholes、Heston及Dupire局部波动率模型对比,无模型对冲策略提供相近的对冲误差分布,其中位范围重叠,反常识地表明无模型策略并非过度保守。
- 对冲误差的统计摘要显示model-free策略的四分位区间与传统模型相近,证实其实用性与保守性适中。

| 策略类型 | 平均误差 | 标准差 | 25%分位 | 75%分位 |
|------------------|----------|--------|---------|---------|
| Black-Scholes | 0.00 | 0.10 | -0.02 | 0.05 |
| Local Volatility | -0.01 | 0.09 | -0.03 | 0.03 |
| Heston | 0.02 | 1.37 | -0.02 | 0.05 |
| Super-Hedging | 0.05 | 0.93 | 0.01 | 0.06 |
| Sub-Hedging | -0.03 | 0.07 | -0.04 | -0.00 |
无模型定价价格界限下的低风险交易策略构建 [page::8][page::9][page::10][page::11]
- 利用模型无关的价格上下界与市场实际价格的偏离度$c$构造交易策略:当市场价距离价格界限足够近时,买入相应无模型套期保值组合,锁定非负收益,且最大亏损限定为$cS_0$。
- 该策略风险可控,最大亏损明确,且统计数据显示低$c$时交易成功概率高,收益风险比优异。
- 通过2018-2020年数据训练,2020-2022年回测,策略展现显著年化正收益、高夏普和Sortino比率,且亏损极限明确。


| 阈值$c$ | 触发交易次数 | 年化平均收益率(%) | 夏普比率 | 最大亏损 |
|---------|--------------|------------------|----------|----------|
| 0.99 | 637 | 2855.59 | 7.78 | 21.11 |
| 0.80 | 2653 | 1293.50 | 3.17 | 24.51 |
| 0.50 | 9211 | 447.80 | 1.62 | 143.69 |
结论与贡献 [page::11]
- 无模型定价方法相比主流模型既保证了定价的稳健不依赖特定风险模型,又具备实用的套期保值效率,实际保守度较低。
- 基于实证发现,该研究提出的交易策略在风险可控条件下实现了显著收益,展现了无模型理论向实际应用的有效连接和推广潜力。
- 本文补足了无模型估值实证检验的空白,推动稳健金融理论在实务定价和量化交易中的可能应用。
深度阅读
EMPIRICAL ANALYSIS OF THE MODEL-FREE VALUATION APPROACH: HEDGING GAPS, CONSERVATISM, AND TRADING OPPORTUNITIES — 详细分析解读
---
1. 元数据与概览
- 标题: Empirical Analysis of the Model-Free Valuation Approach: Hedging Gaps, Conservatism, and Trading Opportunities
- 作者及机构: Zixing Chen, Yihan Qi, Shanlan Que, Julian Sester, Xiao Zhang(均来自新加坡国立大学数学系)
- 发布日期: 2025年8月26日
- 研究主题: 评估模型无关(model-free)标的衍生品估值方法的实际效果,重点关注模型无关超额对冲策略的表现、其保守性及由此产生的交易机会。
- 核心论点概要:
- 论文系统性地对比了模型无关超额对冲策略的收益与实际衍生品支付,利用2018-2022年标普500中部分大型资产的期权历史数据进行实证分析。
- 发现模型无关的估值方法虽然理论上较为保守,但其实际保守性仅略高于业界常用的模型(如Heston模型),且无需对标的资产的随机过程做假设,体现了模型无关特性。
- 基于此保守性的统计特征,作者提出了一种明确的、风险受控的盈利交易策略,该策略在标的及期权市场流动性良好时可获得正收益。
- 关键词: Model-free price bounds(模型无关价格区间)、Hedging(对冲)、Linear programming(线性规划)、Profitable Trading(盈利交易)。
本报告传递的信息揭示了模型无关方法并非过度保守不可用,反而在风险受控条件下可形成有效交易策略。这在学术及实务上均具重要意义。[page::0,1]
---
2. 逐章深度解读
2.1 引言(Section 1)
- 关键点总结:
- 论文立足于近年来模型无关衍生品定价领域的理论成果,将关注点放在实证验证——即模型无关上界定价(super-hedging价格)相较实际衍生品支付的差距。
- 通过市场数据,系统地定量描述模型无关方法的保守性,并问能否利用该差距构建实际交易策略。
- 推理依据与假设:
- 模型无关方法基于无套利假设,无需对标的价格路径做具体分布假设,考虑所有与市场观测数据一致且无套利的概率模型下的极端价格,贴合Knightian不确定性框架。
- 理论上模型无关定价因覆盖更广泛模型空间,必然导致较高价格(保守)。
- 过往研究多为理论,缺乏系统的实证量化保守性程度,本文试图填补此空白。[page::0]
2.2 数据描述与技术框架(Section 2)
- 数据来源: Wharton Research Data Services,涵盖2018年至2022年间亚马逊、摩根大通、强生、宝洁、沃尔玛、Visa和特斯拉等七大标普500股票的欧式期权买卖盘价格。
- 数据处理透明度: 代码公开于GitHub,但因法律法规限制不公开原始数据。
- 时间跨度及样本规模: 较长的五年数据保证统计意义,涵盖主要大盘蓝筹及具高流动性的期权。
- 利率模型: 利用Nelson-Siegel模型拟合美债收益率,保证所用贴现率的市场合理性。[page::1,4]
2.3 方法论(Section 3)
- 数学框架概述:
- 目标为计算模型无关的衍生品价格上界 \(\overline{P}(\Phi)\),即使用半静态交易策略进行超额对冲的最小成本。
- 半静态策略包括:一次性买入多个标准欧式看涨期权(call options),并动态调整标的资产头寸\(Hi\)。
- 回报函数 \(u{d,(\theta{i,j}),(Hi)}(S{t1}, ..., S{tn})\) 包含三类收益:现金头寸收益、期权头寸收益及动态调整标的资产收益。
- 超额对冲问题被表述为无限维线性规划问题,求解满足对所有资产路径均覆盖衍生品支付的策略,使得整体成本最小。
- 通过离散化资产路径定义的网格,结合三次样条插值方法对动量策略\(Hi\)进行逼近,将问题转化为有限维的线性程序(LP)数值求解。
- 对偶理论表明,这样定义的超额对冲价格是所有校准概率模型下的最大期望价格。
- 数据处理细节:
- 选择同一标的、同一到期时间差下交易量最活跃的20个看涨期权对,使用Cohen等(2020)的无套利修复方法调整价差以避免套利如蝴蝶套利。
- 标的动态与计算细节:
- 利用Nelson-Siegel模型估计贴现利率。
- 使用裁剪平面算法(Cutting plane algorithm)迭代求解LP,直到满足容差阈值为止。
- 逻辑结构清晰,数学严谨且注重计算可行性。
- 亮点:在模型无关框架下实证实施超额对冲策略测算,在历史数据上计算超额对冲与衍生品支付差距,提出衡量“保守程度”的实证指标。
- 公式解读:
- (3.1) 中交易策略包括现金头寸、买入和卖出看涨期权头寸、以及动态标的头寸。
- (3.2) 超额对冲价格为最小成本满足策略支付覆盖衍生品支付。
- (3.4)/(3.5) 两步时间点具体LP表示,以及网格空间离散求解方法。[page::1,2,3,4]
2.4 实证分析结果(Section 4)
4.1 不同到期时长下的超额对冲支付差距
- 概念: 考察具有“前置起始(at-the-money forward start)”看涨期权 \(\Phi = (S
- 关键发现(图1):
- 随着合约成立日期 \(t0\) 接近确定起始期 \(t1\)(故时间间隔缩短),gap中位数和分布宽度均收敛下降,体现出到期时间越短,标的价格不确定性越低,保守性降低。
- 长期样本数目减少导致估计稳定性下降。
- 对应直觉: 时间靠近到期,风险减小,超额对冲过度保守的空间减小。
- 子对冲(Sub-hedging)结果(图2):
- gap多为负,即超额覆盖的相反方向,部分正gap因算法容忍误差及无交易成本假设造成。
- 总体规律与超额对冲相似且偏小,显示模型无关下界行之有效。
- 该部分数据强调模型无关策略在实际数据中不仅保守有限且稳定。[page::4,5]
4.2 不同支付函数下的gap表现
- 支付函数:
- \(\frac{S{t1}+S{t2}}{2} - \sqrt{S{t1} \cdot S{t2}}\)(图3)
- \(\log(S{t2} / S{t1})\)(图4)
- \(\sqrt{S{t1} \cdot S{t2}}\)(图5)
- 观察: 各支付结构gap中位数均逼近0,分布与时间间隔长短的规律与前述类似,超额/子对冲策略gap均有良好表现。
- 结论: 模型无关方法对多种支付类型均显示稳健且保守性不高的特征。[page::6]
4.3 与模型驱动对冲的比较
- 对比模型: 经典Black-Scholes,Dupire Local Volatility模型,及Heston随机波动率模型。
- 对冲策略方法: 使用delta对冲并结合Gamma和Theta调整。
- 主要结果(图6、表1):
- 各模型基对冲的gap中位数及四分位区间与模型无关超、子对冲策略的gap大小相近,范围均较窄,符合实际交易中容许损失范围。
- 模型无关策略的中位gap略大但非完全保守过度,与业界模型高度接近,质疑了学界常见的模型无关“过度保守,难以实际应用”的观点。
- 模型无关定价形成的区间与模型校准的定价相符,具有较高实际可贸易性。
- 统计指标解读:
- 均值、标准差、极值和四分位严格说明了保守度。
- Heston模型波动较大,可能因模型拟合特性。[page::7]
2.5 基于模型无关价格区间的交易策略(Section 5)
- 策略思想:
- 利用市场观察价 \( \mathfrak{M}(\Phi) \) 与模型无关上下价格区间 \([\underline{P}(\Phi), \overline{P}(\Phi)]\) 的偏离构造套利(无负亏损)交易机会。
- 当市场价靠近上下界的某一边时,构建相应的超额或子对冲策略,锁定非负、概率可控的获利机会。
- 根据经验概率分布 \(\widehat{\mathbb{P}}\) 计算gap超过阈值\(c\)的概率 \(q(c)\),以调节交易风险/收益的权衡。
- 策略的数学框架:
- 触发交易条件 \(\min\{ \mathfrak{M} - \underline{P}, \overline{P} - \mathfrak{M} \} \le c \cdot S0\),其中 \(c\) 是可设定的风险控制阈值。
- 最大亏损即为初始投入 \(c \cdot S0\),为确定的风险上限。
- 非负支付(路径无亏损)体现模型无关策略保障的风险可控性。
- 示例(Example 5.1):
- Tesla期权,spot=800,模型无关上下界分别34和44,市场价42.5,距上界1.5小于阈值,交易触发。
- 预期利润正,风险可控,回报率高达100%。
- 策略风险-收益特征:
- \(c\)越大,风险/收益权衡越渐进但交易次数增多,反之则交易更谨慎。
- 由于模型无关方法的路径无亏损性质,策略适合低风险配置。
- 实证测试(Section 5.2):
- 利用2018年-2022年数据划分训练和测试期,使用标普500数据。
- 缺失历史衍生品价,使用校准Heston模型生成衍生品价格模拟。
- 实证结果(图8,表2-4)显示,随着阈值\(c\)变化,交易成功概率 \(\overline{q}(c), \underline{q}(c)\)和年化收益率呈递减趋势,交易频率随阈值增大显著提升。
- 高Sharpe和Sortino比率表明策略收益稳健且波动性低,最大亏损受控。
- 结论: 基于模型无关估值形成的交易策略在真实数据上可实现持续盈利且风险可控,有望在交易实务中推广。[page::8,9,10,11]
2.6 结论总结(Section 6)
- 主要发现:
- 模型无关超额(及子)对冲策略在实证数据上呈现与主流模型对冲相近的表现,保守性被合理量化且未至不可使用。
- 构建的基于模型无关价格区间的交易策略展现了显著的风险控制及盈利潜力。
- 传统上认为“模型无关方法过度保守难以实用”的观点受到挑战。
- 应用前景: 本研究为模型无关金融方法在行业中的普及打开了通路,尤其在流动性强及市场数据丰富的环境下。
- 学术和实践贡献明显。[page::11]
---
3. 图表深度解读
图1(第5页)
- 描述: 展示了连续25%-75%、10%-90%等多个分位区间模型无关超额对冲gap随时间到期日变化的分布及样本容量。
- 趋势解读:
- gap中位数与其分布宽度随距起始时点\(t0\)与起始行权时间\(t_1\)的间距减少而下降,符合到期日临近时风险减少的金融逻辑。
- 样本容量随时间间隔增长显著下降,数据的可靠度随长时间跨度下降。
- 数据验证: 统计上gap仍维持较低水平,表明模型无关超额对冲策略保守度可控。
图2(第5页)
- 描述: 与图1对应的子对冲gap分布。
- 关键点: gap总体趋势负向,分布稳定,模拟交易成本和算法细节导致部分正gap出现,显示模型无关下界策略有效。
图3-5(第6页)
- 描述: 不同非线性支付函数的超额和子对冲gap分布。
- 趋势: gap基本接近0,且随到期日变化表现可靠,模型无关策略适用范围广泛。
- 视觉: 色块深浅展示不同分位统计区间,表明统计稳健。
图6(第7页)
- 描述: 模型驱动(Black-Scholes、Local Volatility、Heston)和模型无关超额、子对冲gap的直方图及箱形图比较。
- 分析: 各方法的gap均在同一数量级,模型无关策略的中间50%区间最接近模型驱动结果。
- 意义: 客观反驳模型无关保守过度的质疑,增强交易实务应用信心。
图7(第9页)
- 描述: 交易策略理论结构图,展示市场价格距上下界的距离区间对应不同交易区域及成交获利概率。
- 关键点: 蓝色阴影代表交易区,白色为无交易区,曲线分别表示超额和子对冲获得利润的概率函数,形状均递减。
图8(第10页)
- 描述: 训练期间策略触发交易成功概率\(q(c)\)随阈值\(c\)递减趋势,及交易平均回报随阈值变化情况。
- 结论: 阈值越小交易越谨慎,成功概率高但交易次数少;阈值越大交易频繁但平均盈利降低。
图9-10(第14页)
- 描述: 算法性能相关超参数(初始网格点个数n,最大网格点数N)对算法运行时间、迭代次数和gap大小的影响图。
- 结论:
- 运行时间随n增大且受N影响显著。
- 迭代次数与n负相关。
- gap百分比随n及N变化不大,体现参数调整对结果鲁棒性。
- 适用性: 选取此组合参数可兼顾计算效率和结果精准。
图11-14(第15-16页)
- 描述: 不同支付函数对应的超额和子对冲gap分布直方图。
- 解读: 分布偏斜但集中,绝大多数gap在严格正负值范围内,验证模型无关策略的良好覆盖特性。
---
4. 估值分析
- 估值方法:
- 模型无关超额对冲价格为无套利条件下,在所有符合市场观测欧式期权价格的马氏测度中所能达到的最大期望值,实质为无模型假设下的定价区间上界。
- 通过线性规划和有限差分的数值方法逼近执行。
- 对偶理论确保定价的严谨性。
- 对比估值:
- 传统对冲模型包括Black-Scholes、Heston及Dupire Local Volatility模型,参数根据市场期权价格进行校准,每日更新Delta及Gamma等对冲希腊字母。
- 估值结论:
- 模型无关估值区间宽度有限,且其价格不低于任何合理校准模型的价格,体现自然保守但实际中价格紧凑。
- 优势: 模型无关定价具备风险管理优越性,规避了模型错配带来的系统性风险。
---
5. 风险因素评估
- 潜在风险含义:
- 数据质量:历史期权价格缺失或错误可能扭曲估值及对冲策略。
- 市场流动性:模型无关策略依赖多条流动性良好的期权曲线支撑,流动性不足时定价与执行困难。
- 计算复杂度:无限维LP离散求解可能带来近似误差和计算瓶颈。
- 模型风险:尽管模型无关,估算经验分布\(\widehat{\mathbb{P}}\)引入统计风险。
- 缓解:
- 数据预处理、无套利校正保证有效输入。
- 低频调整和半静态交易限制了交易成本影响。
- 切割平面算法保证数值收敛。
- 策略层面: 最大亏损由投资阈值\(c\)直接控制,降低潜在损失。
---
6. 审慎视角与细微差别
- 可能局限:
- 研究假设市场持续流动,实时数据可用,对极端市场供求冲击和突发事件尚无明确容忍机制。
- 算法对网格密度和超参数敏感,实务中需考虑时间和计算资源权衡。
- 实证基于部分大型美股及其期权,行业和市场适用性需进一步验证。
- 交易实操中忽略了交易成本与市场冲击,可能影响策略收益。
- 偏见识别:
- 突出模型无关方法优势,较少描绘潜在市场异常情况的影响。
- 利用经过修正的市场价格可能掩盖实际套利难度。
- 整体仍为严谨且开拓性强的研究,突破传统偏见。
---
7. 结论性综合
本论文基于2018至2022年标普500部分大型上市公司的期权市场数据,首次系统实证检验了模型无关衍生品定价及超额对冲策略的实际有效性和保守性,核心贡献与发现如下:
- 保守性浅显且可控: 实证表明模型无关超额对冲策略与市场主流模型相比仅有轻微溢价,其生成的支付gap中位数和分布区间均较紧,远非传统意义上的“过度保守”。
- 多支付结构适用性: 对于ATM前置看涨期权及多类非线性支付函数,模型无关策略均能保持其优异的统计表现,验证理论适用广泛性。
- 算法创新实现可计算性: 通过线性规划与切割平面算法解决无限维问题,并利用数据预处理保证市场数据无套利进入算法。
- 建立低风险高收益的交易策略: 论文根据实证gap分布构造了基于模型无关价格边界的交易策略,可控亏损且在回测模拟中获得显著的风险调整后收益,这对金融行业强烈的风险管理及稳健交易需求具有吸引力。
- 策略风险可视化且经验验证充分: 利用历史数据分段验证,强调策略在实际操作中对交易阈值\(c\)的灵活调节,实现风险和收益的平衡。
- 行业启示与未来: 本研究为模型无关估价和对冲方法的实务应用提供了坚实基础,有望促进该理论在监管强约束及市场高不确定性环境中的推广使用,提高金融体系的稳健性。
综上,论文突破了模型无关方法实践中被视为“过度保守不可用”的认知,证明其在高流动市场环境中实现了理论与实践的统一。不但深化了学术界对无模型风险管理的理解,也为工业界提供了创新工具,体现了现代金融数学结合数据驱动方法的典范。[page::0–11]
---
附录精选
- 附录A(算法实现): 详细描述了切割平面算法,实现对超额对冲价格问题的迭代解法,保证误差在容差内收敛。
- 附录B(超参数调整): 系统调试算法输入的网格大小及收敛阈值,平衡准确性与计算效率。
- 附录C(gap分布直方图): 直观展现不同支付及对冲下gap的概率分布,验证策略鲁棒性。
- 附录D(基准模型介绍): 介绍了Black-Scholes、Heston随机波动率及Dupire局部波动率模型的定价与Delta计算方法,用于对比分析。[page::13–16]
---
总评
本研究不仅对模型无关估值的理论体系提供了鲜活数据支撑,更通过创新计算方法和实证交易策略验证了其在现实市场中的可行性,实为当前金融数学及风险管理领域中一项重要学术与应用成果。