Rebas Daily PERSONAL AI DAILY — 自动选题 · 核查 · 撰写 NO.009 — 2026-07-13
PAPER H 23 约 6 分钟

期权价格能提前读出股票溢价吗

一篇研究尝试只从标普500期权中恢复市场定价权重,并用它预测整体股票风险溢价。

期权价格能提前读出股票溢价吗

假设保险公司同时给暴跌、小跌、横盘和上涨四种情形报价。单看任何一张保单,你很难知道市场最怕什么;把所有报价摊开,却能看出哪种未来最“贵”。期权市场也是如此:同一到期日、不同执行价的期权价格,合在一起反映市场愿意为不同的标普500终值支付多少钱。

Kenichiro Shiraya、Tomohisa Yamakami 和 Akira Yamazaki 的论文进一步追问:能否只用这些期权价格,恢复市场给不同未来状态分配的定价权重,再据此预测股票风险溢价?股票风险溢价,就是持有股票相对无风险资产所要求的额外预期收益。它直接关系到仓位、资产配置和市场择时。

作者给出的答案是肯定的。但目前证据全部来自这篇论文自身,预测优势尚无独立验证;论文也没有在所给材料中披露提升幅度等关键细节。

先从期权里还原一把“风险尺子”

这项工作的核心是随机贴现因子(stochastic discount factor,SDF),也叫定价核。它像一张给未来状态标价的表:投资者越在意的坏状态,同样一元未来收益在今天就越值钱。SDF 因而把资产价格、风险偏好和预期连到同一框架里。

难点在于,完整的 SDF 原本依赖所有可能资产,现实中几乎无法直接估计。传统做法之一,是分别估计现实世界中的收益分布和期权隐含的风险中性分布,再把两者连接起来。风险中性分布不是对未来概率的单纯预测,其中还混入了风险厌恶;而现实分布往往依赖历史价格,因此前瞻性有限。

论文换了一个入口。它直接利用期权的价格与到期收益之间必须成立的定价关系来拟合 SDF,不先单独估计两种分布。作者使用广义矩估计(GMM)——寻找一组参数,让模型给出的价格条件尽量贴近市场价格——并通过 Hansen–Jagannathan distance 衡量候选 SDF 与可正确定价资产的 SDF 集合相距多远。

更关键的一步,是用当时的波动率缩放横轴上的对数收益。直观地说,同样下跌 5%,在平静市场和剧烈波动的市场里不是同一种意外。固定刻度会把两者硬叠在一起;波动率缩放则把收益换算成“偏离当时正常波动多少”的尺度。统计上,这也是对异方差——不同时期波动幅度不同——做归一化。

论文比较了固定波动率缩放的 CVS SDF 与随时间变化的 TVS SDF。两者都用分段多项式表示,因此不强迫 SDF 必须是一条单调曲线。作者还调整每个时点的 SDF,使它与零息债券价格一致,避免用 SDF 计算预期收益时与利率条件互相冲突。

数据尽量来自同一只钟

研究使用 OptionMetrics 的 S&P 500 指数期权数据,覆盖 1996 年 1 月至 2023 年 2月。观察点是月度期权到期日,考察 30、60、90、120、180、270 和 360 天七种期限。

除了期权报价,估计还需要标的价格、无风险利率和股息率。作者没有拼接外部数据,而是把这些变量也从 S&P 500 期权中反推。理由是不同市场的报价时点可能错开;全部使用期权隐含数据,可以保持内部时间和定价口径一致。所谓“纯前瞻预期”,应理解为作者希望更集中地捕捉期权参与者的定价,而不是已经得到量化证明的无噪声预期。

数据还经过筛选:作者排除零持仓量或零成交量的合约、到期不足十天的合约,以及违反跨执行价单调性等无套利条件的报价。期权价格之间的数值积分使用 1,000 个分段;缺少报价的区间则以端点隐含波动率保持不变的方式外推。

那条曲线为什么像一个 W?

经典的风险厌恶直觉认为,市场回报越高,SDF 应越低。但论文恢复出的曲线并不单调。作者报告,浅度虚值看跌期权一侧出现一个隆起;期限越长,这个结构越明显,并逐渐形成 W 形。浅度虚值看跌期权,指执行价略低于当前指数水平、暂时没有内在价值的看跌合约。

原始期权收益也提供了线索。在固定和时变两套执行价选择下,看涨期权的历史平均收益都在较浅的虚值区域达到高点,进入深度虚值区域后反而下降。这与“执行价越高、看涨期权收益越高”的简单单调图景不符。

期限尤其重要。论文认为,中央隆起的强弱随到期时间改变;在市场风险价格保持恒定的假设下,随机波动率动态可以从理论上生成这种结构。这里的市场风险价格,是投资者每承担一单位市场风险所要求的补偿。这个解释依赖模型假设,不能视为对 W 形来源的唯一确认。

真正值得看的,是从定价走向预测

恢复曲线只是第一步。作者随后利用 TVS SDF 推导股票风险溢价,并检验它能否预测样本外的实际市场回报。样本外预测是指只用当时已经可见的数据估计,再预测未参与拟合的未来区间,比回头解释历史更接近真实使用场景。

论文报告,这一指标的样本外表现优于 Martin bounds 等基准。Martin bound 是借助期权价格和对 SDF 的限制,为股票风险溢价建立下界的方法,不必先指定完整的 SDF 形状。新框架的意义在于,它试图同时完成两件事:恢复定价核的形状,并把同一个定价核转换成可预测的整体风险溢价。

这条连接很有吸引力。期权不再只是展示市场担忧的“情绪仪表”,而可能成为估计未来预期收益的输入。不过,研究对象是 S&P 500 指数期权以及由此推导的总体股票风险溢价。它不能直接推出某只股票会涨,也不能证明个股期权能够预测对应股票的收益。

局限与未知

  • 所给论文材料没有披露预测提升幅度、评价指标、统计显著性、具体预测期限、交易成本及完整稳健性检验,因而无法判断“优于基准”在经济上有多大。
  • 稳定、纯前瞻和更精确等表述主要来自作者,缺少量化定义与独立复核;样本也只覆盖 S&P 500 指数期权。
  • W 形的理论解释依赖市场风险价格恒定等假设。曲线结构是否在不同假设、市场和时期仍然成立,仍待更多证据。

供稿材料 SOURCES — 1

← 返回 2026-07-13 · 量化板块