如果你花更贵的钱买了一份“高级版”体检，最后发现九成指标都能由普通体检推出来，你真正该问的不是高级版有没有信息，而是它有没有提供普通体检看不到的那几项。期权因子也面临同样的问题：从期权价格里提炼出的信号，究竟揭示了新的风险溢价，还是把股票因子重新包装了一遍？
Alexander Walter、Lukas Zimmer和Maxim Ulrich在论文《Taming the Option Factor Zoo》中，用2004年至2023年的美国股票与期权数据做了一次高维清点。结论很克制：期权信号大体能被股票因子解释，但并非毫无增量；留下来的信息集中在少数尾部风险和分布形状指标上。本文数字与判断均来自这篇论文，属于单一研究团队的样本内结果。
先把137个信号压到20个
所谓“因子动物园”，是指学术界不断发现看似能解释收益的指标，数量越积越多，其中难免混入偶然相关和重复信号。论文构建了137个期权隐含特征——也就是从期权价格、隐含波动率和尾部风险等信息中提炼的股票排序信号。
这些特征覆盖风险中性波动率、偏度和峰度，跳跃与左右尾部风险，隐含波动率曲面的形状，以及由期权估算的实际收益分布。研究者在每个月末按特征给S&P 500成分股排序，买入最高十分位、卖空最低十分位，持有一个月，由此得到多空因子。
问题是，137个信号高度重叠：91%的特征，其方差膨胀因子高于10；62%甚至高于100。直观地说，许多指标像同一道菜换了切法，例如只改变跳跃风险的阈值。全部一起检验，不仅容易遇到数值问题，也会平白增加“试得越多、撞上显著结果越容易”的多重检验负担。
论文因此先用梯度提升树和SHAP做筛选。梯度提升树是一种逐步修正预测误差的机器学习方法；SHAP则把模型结果拆回各输入变量，衡量每个信号贡献了多少。这里的目标不是预测未来，而是观察哪些期权因子与当月测试资产的平均收益最同步。最终留下20个代表性因子，合计覆盖89.3%的模型归因。
“代表性”很重要。137变成20，不表示其余117个已被判定无效。筛选只是从高度相似的信号群里挑代表，而且换期权期限或子样本时，被选中的具体成员会变化。
股票因子能复制多少
研究随后拿这20个期权因子，与160个股票因子比较。这里的“张成”可以理解为复制：如果若干股票因子的组合已经能重现某个期权因子的收益变化，那么后者的独立信息就可能有限。
样本内，160个股票因子平均解释了20个期权因子约91%的月度方差。作为参照，同样维度的纯噪声也能解释约69%。反过来，20个期权因子解释了股票因子约35%的方差，纯噪声参照约为9%。这说明两组信号确实共享大量变化，但高维样本内拟合本身就会机械地抬高解释度，91%不能读成未来也能预测91%。
投资组合层面的答案同样谨慎。只用股票因子时，样本内最大Sharpe ratio为3.35；加入期权因子后升至3.74。Sharpe ratio衡量每承担一单位波动获得多少超额收益。不过论文的正式检验没有发现这次提升达到统计显著。因此，准确说法是“没有检出可靠提升”，不是“证明提升为零”。
真正留下的是哪几类信息
接下来，论文使用double-selection LASSO逐一检验20个因子。LASSO会把大量候选变量中较弱的系数压缩掉，留下较有解释力的一组；“双重选择”则分别寻找能帮助定价的股票因子，以及一旦遗漏就可能扭曲期权因子估计的股票因子，以减少遗漏变量偏差。
检验关注的是期权因子的SDF loading。SDF即随机贴现因子，可以粗略理解为市场给不同状态下收益标出的价格；loading衡量一个期权因子在控制股票因子后，是否仍对应独立的定价维度。它不是该因子的平均收益，两者甚至可能符号相反。
在5%的常规显著性水平下，20个代表性因子中有8个的SDF loading不为零，主要涉及跳跃尾部、峰度和隐含波动率凸度。由于同时检验20次会提高误报概率，论文又采用Bonferroni correction——把显著性门槛按检验次数收紧。校正后仍有4个通过：
- 隐含波动率凸度；
- 大幅跳跃占风险中性方差的比例；
- 左尾跳跃变动；
- 风险中性峰度。
这四项共同指向一个主题：普通股票因子最难完全复制的，不是又一套宽泛的选股规律，而是期权价格中关于极端跳跃、厚尾和波动率曲面弯曲程度的信息。
但标题里的“还剩多少”不能简单回答成“137个只剩4个”。137到20是代表性筛选；8个是控制160个股票因子后，在常规门槛下具有非零SDF载荷；4个则是在更严格的多重检验校正后仍显著。三组数字回答的是不同问题。
为什么这项结果值得看
期权价格被视为更偏前瞻的信息源，还能呈现收益分布的尾部。直觉上，它理应补充只依赖历史价格和财务数据的股票因子。但这篇论文提醒我们：信息来源不同，不等于最终形成的交易因子也彼此独立。
它的价值不在于宣布“期权因子无效”，而在于把问题拆得更清楚。大部分期权因子的共同波动，可以由庞大的股票因子库复现；少数与极端风险有关的维度仍显示增量。用作者自己的概括，期权增加的是几个与定价相关的维度，而不是另建一座因子动物园。这仍是论文基于当前设计得出的概括，不是多方研究已经确认的定论。
局限与未知
- 所有筛选、解释度、最大Sharpe ratio和显著性检验都在样本内完成，而且筛选与后续检验使用同一时期数据，结果以该筛选步骤为条件。
- 研究报告的是毛收益，全程忽略交易成本；期权数据可得性也把最终股票范围收窄到有足够期权数据的标的。因此，统计上的独立定价信息不等于可直接兑现的净交易利润。
- 论文发现换期限或子样本后，具体入选代表会变化。作者将其解释为近似重复指标之间的替换；现有设计也没有识别这些尾部风险信号为何被定价。