隐含波动率冲到极端的那天，是卖期权的最好时机吗？

只有事后看才是。 在一次隐含波动率极端行情的峰值当天卖出期权，赚得最多。但当天没有人知道那就是峰值。按当时能知道的信息，在隐含波动率仍在创新高时卖出，是这段样本里最差的时机；等它停止上涨约两周后再卖，是最好的时机，但优势不足以证明。

• +13.1 对 +4.0 个波动率点：在 11 次极端行情的峰值当天卖出，对比 20 个交易日后再卖。峰值只有事后才知道。
• +2.9 对 +4.4：在隐含波动率第一次越过“当天就能知道的极端线”那天卖出，对比 10 天后再卖（5 次行情，全部在 2024 年及以后）。最大亏损 −38 点正出现在当天。
• −1.3 点：隐含波动率处于高位、并且创出 60 日新高的日子的平均值，尾部最差。峰值后第 10–19 天则是 +4.3。
• 13.2 倍对 7 倍预算：亏了就加倍（1 倍、2 倍、4 倍）在极端行情里赢了，但在更大范围的测试中，最差的起点需要第一轮保证金的 13.2 倍，最终亏掉 3.7 倍。
• 0.95 × 平值隐含波动率：对下个月已实现波动率更好的预测，本站将用它取代“隐含波动率 − 1 点”。
• 不设“刚刚飙升”惩罚：事先定好的检验（2015–2020 年拟合，2021–2026 年检验）不支持它。

问题是什么

期权卖方赚到的溢价，是 implied volatility（IV，隐含波动率，即今天期权价格里包含的波动率）减去随后 30 个自然日的 realised volatility（RV，已实现波动率），单位是 vol point（波动率点，1 点 = 1 % 年化波动率）。波动率溢价研究发现，这个溢价平均来看小而为正；文献综述解释了它从哪里来。

A 股的隐含波动率有上限：涨跌停（±10 %，创业板ETF 和科创50ETF 为 ±20 %）限制了 ETF 的移动速度，已实现波动率不会像其他市场那样失控。那么当隐含波动率飙升时，它冲到极端的那天是不是最好的卖出日？还是等几周更好？高隐含波动率能多赚单位风险的收益，还是只多赚波动率点？

设定。 这里的隐含波动率用每只 ETF 公开的 QVIX 指数（类似 VIX 的 30 天隐含波动率），再减去每只 ETF 一个固定差值（0.5–2.2 点），换算成 at-the-money（ATM，平值）隐含波动率的估计值，也就是本站从期权链读取的那个隐含波动率。极端指 QVIX 进入它自身历史的最高 2 %；相隔不到 20 个交易日的读数算同一次行情，几只 ETF 的峰值相距 20 个交易日以内时只算一次（那是同一个市场事件）。这样得到 11 次独立的极端行情：2015-06-29、2015-08-26、2020-02-03、2020-03-17、2020-07-06、2022-10-24、2024-02-05、2024-10-08、2025-04-07、2026-03-23 和 2026-07-30。

分组、阈值、训练期与检验期以及候选惩罚项，都在计算任何结果之前写定。看到结果之后才加入的内容，出现时都有标注。

QVIX 从未到过 100：50ETF 的最高值是 63.8（2015-08-26），只有科创50ETF 接近过（97.4，2024-10-08）。“50ETF 隐含波动率 100”是盘中或单个期权的数字，不是 30 天指数。

事后信息的阶梯

同一个问题，用越来越少的事后信息来问。每一行是一种认定“极端那天”的方法；各列是当天卖出、或 5、10、20 个交易日后卖出的平均溢价（波动率点，平值隐含波动率）。“等待更好”统计晚卖赚得更多的行情次数。

• 第 1 行需要未来信息。 峰值当天，你并不知道明天隐含波动率不会更高。
• 第 2 行仍然需要：最高 2 % 线用了全部历史，包括之后的年份。
• 第 3 行才是卖方当时能交易的：这条线是截至当天所有读数的最高 2 %。只有 5 次行情符合，全部在 2024 年及以后（每个序列先要积累约一年的读数，而 50ETF 的线被 2015 年抬得很高）。这里当天卖出没有任何优势，最差结果是 −37.8 点，前两行分别只有 −6.2 和 −9.5。
• 第 4 行看的是每一个交易日，不只是极端行情：隐含波动率处于高位、刚创出 60 日新高的日子，平均为 −1.3 点，最差 5 % 的平均是 −55.9。

按距峰值的天数。 在隐含波动率处于高位（过去一年分位数 ≥ 0.70）的每个交易日，按距过去 60 个交易日隐含波动率最高点的交易日数统计溢价。95 % 置信区间来自 block bootstrap（分块自助法）：整段 3 个月的日期一起重抽样，因为相互重叠的 30 天窗口和同涨同跌的六只 ETF 会让普通误差线窄得多。

10–19 天这一档是七档之一，是看完全部结果后才注意到的。应该把这一行当作形状来读（峰值当天最差，隐含波动率回落后更好），而不是一个可以直接交易的数字。

2015 年：陷阱

2015-06-29，在 6 月见顶后的暴跌中，50ETF 的 QVIX 升到约 60，看上去就是极端。那天卖出，随后 30 天亏 6 点；一个月后（20 个交易日）再卖，亏 26 点。真正的顶部在 2015-08-26（QVIX 64），那时卖出赚了 +22 点。

极端只有事后看才像极端。当隐含波动率处于高位且仍在上升时，下一次冲击可能把它推得更高，而卖波动率的头寸正好承受这一击。

亏了就加倍？

这个问题是在知道上面的结果之后提出的：在极端那天卖出，如果亏了就把仓位加倍，最多三轮：第一轮用 1 倍资金，然后 2 倍、4 倍，一共是第一轮资金的 7 倍。这就是 martingale（马丁格尔策略，每次亏损后加倍下注）。这样还能赢吗？

在这些极端行情里它赢了，但 5 次或 11 次行情看不出它会怎样输。更大范围的测试显示了输法：6 % 的起点突破了 7 倍的预算，最差的一个需要第一轮保证金的 13.2 倍，最终亏掉第一轮保证金的 3.7 倍。

规则，在计算这些结果之前写定：

• 第一轮在第一次收盘高于“最高 2 %”极端线的那天，卖出一份平值跨式（同一行权价的一个看涨和一个看跌），30 天到期。
• 当整个头寸的亏损达到已收权利金的 50 %，并且距上一次卖出至少 3 个交易日时加仓，按当天的隐含波动率卖出，每轮各自 30 天到期。每轮按交易所保证金定规模：第二轮是第一轮保证金的 2 倍，第三轮是 4 倍。
• 每天收盘时，用 Black–Scholes 按当天的平值隐含波动率给未到期的各轮估值，并按上海证券交易所（SSE）卖出期权的保证金公式重算保证金。
• 对照组：只卖一次（1 倍）；在马丁格尔的加仓日期等量卖出（1-1-1）；分批入场（第一天三分之一，隐含波动率比高点低 10 % 时三分之一，高点已过去 10 个交易日时再三分之一）。

“3 次加仓”按字面理解是 1 + 2 + 4 + 8 = 15 倍。在这些行情里第四轮从未触发，所以 15 倍与 7 倍的结果相同。

在极端行情里。 盈亏以第一轮权利金的倍数计；“每元保证金”是总盈亏除以投入过的全部保证金。

• 为什么赢了： 加仓是在大波动之后触发的。加仓时的隐含波动率更高（2024 年 9 月：从 41 点升到 57 点），而飙升之后价格通常会回来。这和上面峰值后第 10–19 天那一档是同一个“峰值之后再卖”的效应，加倍只是把大部分资金放在了那里。
• 结果取决于触发条件。 如果改为隐含波动率上升 5 点就加仓，而不是亏损后加仓，用当天就能知道的极端线时，马丁格尔亏掉 3.2 份权利金（最差的一次行情 −4.8）。

更大范围的测试。 风险在尾部，而这些行情没有触及尾部。所以把同样的头寸从每一个“隐含波动率处于高位（分位数 ≥ 0.70）并且创出 60 日新高”的日子开始：122 个日期上的 250 个 ETF 日。一次飙升会产生好几个相互重叠的起点，所以这是描述，不是证明。

• 最差的起点： 创业板ETF，2024-09-11 卖出，09-26 和 10-08 加仓，正好撞上 2024-09-30 前后的大涨。它亏掉第一轮权利金的 20 倍，即第一轮保证金的 3.7 倍。一次这样的亏损抵掉 25 次平均盈利。
• 10-08 那天，这个头寸需要第一轮保证金的 13.2 倍。光是两轮未到期的仓位就要约 9 倍，所以按 7 倍准备资金的账户，在能下 4 倍那一轮之前就会被追加保证金。

结论：亏了就加倍并不会创造优势。 它把一点小优势变成很多次小赚，加上偶尔一次超出预算的大亏。如果确实要在亏损后加仓，每次加仓的规模应按它在最坏时点可能需要的保证金来定（在这次测试中，单独一轮就达到过自身初始保证金的 3.5 倍），而不是简单加倍。

本节的注意事项：

• 只是个案。 5 次（当天就能知道的极端线）和 11 次（事后）行情；更大范围的测试是 122 个日期上 250 个相互重叠的起点。没有给出置信区间。
• 估值没有考虑偏斜。 未到期的各轮按当天的平值隐含波动率估值。在下跌中，看跌期权会被估得过低，所以亏损、加仓时点和峰值保证金都是下限。
• 只看收盘，不计成本。 保证金只在收盘时检查（盘中追加保证金会来得更早）；不计买卖价差和手续费。没有模拟追加保证金：超出预算的头寸在这里继续持有，所以真实亏损更大（会在最差的时点被强制平仓）。
• 保证金按单腿计算。 没有用交易所对卖出跨式两条腿的保证金优惠，所以突破预算的情况略有高估。

高隐含波动率能多赚单位风险的收益，还是只多赚波动率点？

研究把每个交易日分进事先定好的组：高位（分位数 ≥ 0.70）再分为刚飙升（60 日隐含波动率峰值在最近 5 个交易日内，或 5 日涨幅处在过去一年涨幅的最高 10 %）和已回落（峰值在 10 个或更多交易日之前）；中位；以及低位（分位数 ≤ 0.20）。“平均 ÷ 标准差”是平均溢价除以它的波动，即单位风险的溢价。

括号内是 95 % 区间，来自 3 个月分块自助法。

• 多赚波动率点：是的，多一点。 全部高位减中位 = +1.7 点（−1.3 … +4.9）。
• 多赚单位风险的收益：没有证据。 平均 ÷ 标准差是 0.16 对 0.01，但差值 +0.15 的区间是 −0.20 … +0.42。高隐含波动率的结果也波动得更厉害。
• 多出来的部分全在“已回落”的日子里。 刚飙升减已回落 = −2.7 点（−5.5 … +1.0）；92 % 的自助抽样结果中刚飙升低于已回落。这个排序并不稳固：在 21 个平移过的日期网格上，已回落有 20 个胜过中位，刚飙升只有 12 个；在波动率溢价研究的网格（每 30 天一个样本）上，两者的排序甚至反过来。
• 不对冲的卖出跨式看起来不一样：高隐含波动率之后它赚到权利金的 +16 %，中位组是 −14 %。这个差距来自价格路径，不是波动率溢价：高隐含波动率之后，30 天的价格变动只有已实现波动率所对应幅度的 0.64–0.79 倍（价格回摆），平静的月份之后则是 1.22–1.33 倍（价格单边走）。本站的优势模型是对冲后结构的波动率溢价，所以以波动率点计的那几行才是相关的。

预测：用 0.95 × 隐含波动率取代“隐含波动率 − 1 点”

波动率预测研究保留了对下个月已实现波动率的简单预测 平值隐含波动率 − 1 点。这项研究检验了它的形式。1 点的常数溢价在隐含波动率 12 % 和 60 % 时一样大；隐含波动率的倍数则随隐含波动率增大。

在波动率溢价研究的网格上做样本外检验（每只 ETF 大约每 30 天一个样本；每次预测只用已经结束的窗口拟合）：共 363 个预测。RMSE 是 root mean square error（均方根误差），单位波动率点；log-RMSE 是对 log(RV ÷ 预测) 算的同一指标；QLIKE 是对方差算的一种损失，会重罚预测偏低。Diebold–Mariano（DM）t 逐日比较每种形式与“隐含波动率 − c”的误差：t > 0 表示该形式更好，通常要到 2 左右才算显著。

• k × 隐含波动率在每种损失上都胜过“隐含波动率 − c”。 只有平方误差的 t 超过 2。在 21 个平移日期网格中的 21 个上，它的 log-RMSE 也更低（RMSE 更低的有 14 个）。
• k 很稳定：2020 年之前 0.954，2021 年起 0.950。分 ETF 看，从 0.92（500ETF）到 1.02（创业板ETF，按平值口径看不到溢价）。
• 为什么用“已实现波动率均值 ÷ 隐含波动率均值”而不是最小二乘： 最小二乘更看重高隐含波动率的月份，平均会把已实现波动率预测低 0.7 点，在 Kelly 仓位计算里会高估卖方的期望收益。这个版本是看到结果后才加入的；平均来看它没有偏差。
• 拟合的直线 a + b·隐含波动率（b ≈ 0.78）RMSE 更低，但在 log 和 QLIKE 上更差，斜率也不稳定（300ETF 上只有 0.43）。它意味着隐含波动率约 17 % 时没有溢价、更低时溢价为负，而低位组实际赚到 +0.7 点，67 % 的日子为正。

本站将采用它： 预测从平值隐含波动率 − 1 点改为 0.95 × 平值隐含波动率，即溢价为隐含波动率的 5 %：

在样本的平均隐含波动率（约 20 %）附近两者一致。评分仍然要除以风险，所以高隐含波动率的交易按波动率点得到更多优势，但比值并不更好，这正是数据显示的情况。

不设“刚刚飙升”惩罚

其他市场的研究发现，刚刚跳升的隐含波动率往往低估随后的已实现波动率，所以预测可以在这些日子加一个惩罚。研究事先定好了六个候选触发条件，都要求隐含波动率分位数 ≥ 0.70：60 日隐含波动率峰值在最近 5、10、15 或 20 个交易日内；5 日涨幅处在最高 10 %；以及隐含波动率高于它过去各月水平的一个缓慢更新的平均值。每个条件都作为一项加进 RV = a + b·IV + c·触发 来拟合。

• 在 2015-05 至 2020-12 上拟合，最好的触发条件是“隐含波动率峰值在最近 5 个交易日内”：c = +3.1 点，即多出的已实现波动率（−3.2 … +6.9）。区间包含零，第一关就没过。
• 在 2021-01 至 2026-08 上检验：c = +2.4（−2.2 … +5.9），符号相同，但加了惩罚的预测输给了不加的预测（DM t −1.59）：在那些被标记的日子里，卖方赚得更多而不是更少。
• 反过来拟合（用 2021 年起的数据拟合、用更早的年份检验），胜出的是另一个触发条件，而且符号反转。
• 用全部数据：+2.6 点（−1.3 … +5.3）。

所以预测不加飙升惩罚。两个半段的符号都与文献一致，值得在再积累约两年数据后重新检验。

本站据此做什么

• 不给极端那天加分。 在峰值卖出是事后的结论；按当时能知道的信息，高位且仍在上升的隐含波动率是这段样本里最差的卖出时点。
• 预测改为 0.95 × 平值隐含波动率，各 ETF 共用一个 k，每年重新拟合。
• 不设飙升惩罚：事先定好的检验不支持它。
• 一个实用的读法，而不是检验过的规则： 当隐含波动率处于高位且仍在创新高时，等它停止上涨约两周再说。

局限与注意事项

• 样本小。 历史大约相当于 135 个有效月份；11 次独立极端行情，其中只有 5 次可以用当天就能知道的线来判断，而且全部在 2024 年及以后；11 次里有 5 次只是一两天的飙升。2015–2019 年只有 50ETF，2023 年起六只 ETF 共同经历每一次事件，所以在一次危机中六个序列只算一个观测。没有任何一组在波动率点上的差异在 95 % 水平上显著。
• 平值隐含波动率是估计值。 它是 QVIX 加每只 ETF 一个固定差值，差值在一个平静的年份（2025 年 10 月至 2026 年 9 月）测得。在压力时期，QVIX 与平值隐含波动率的差距会随 skew（波动率偏斜）扩大，所以高位组和极端行情的平值溢价是上限。完整报告里的 QVIX 各行讲的是同一个故事。
• 2024 年之前没有买卖价差数据。 跨式组合用 Black–Scholes 按估计的平值隐含波动率定价，持有到期，不计手续费、保证金或提前平仓。在隐含波动率极端时，真实成交的价差很宽。
• 窗口相互重叠。 每天一个新样本，每个都往后看 30 天；所有区间都对 3 个月的日期分块重抽样，所有 ETF 一起，从不用标准差 ÷ √n。
• 阶梯的前两行含事后信息。 它们用的是全部历史的极端线；当时可知的那一行去掉了这一点，只剩 5 次行情。
• 看到结果之后才加入的： 阶梯里当时可知的那一行、k = 已实现波动率均值 ÷ 隐含波动率均值的形式、10–19 天这一档的突出地位，以及“亏了就加倍”这个问题（它的规则在计算它自己的结果之前写定）。

自己复现

下面的脚本用公开数据重建本页的数字，不需要账号或密钥，只有一个固定输入例外：平值隐含波动率的差值。

数据（免费，通过 AKShare）：

唯一的固定输入。 平值隐含波动率 = QVIX + 每只 ETF 一个差值：2025-10-01 至 2026-09-29 期间（本站平值隐含波动率 − QVIX）的中位数。本站的平值隐含波动率来自不公开的期权链数据，所以这六个差值直接写在脚本里：50ETF −1.79、300ETF −2.19、500ETF −0.52、创业板ETF −1.14、科创50ETF −2.02、深100ETF −1.43 点。

当时可知的特征（只用当天及之前的读数）：

hist = qvix[day - 365 days : day]                      # 含当天
iv_pct = hist 中（经 2 倍标准差过滤后）<= 当天的比例    # 本站的隐含波动率分位数
last60 = qvix[-60:]                                     # 最近 60 个读数
days_since_peak = max(last60) 的位置，从当天往回数（0 = 当天；相同时取最近的）

溢价，对 t 日卖出：100 * (atm_iv[t] - rv_next_30_days[t])，RV 是 (t, t + 30 个自然日] 内每个交易日收益的收盘到收盘波动率，用 √252 年化。

极端行情： QVIX ≥ 它自身的第 98 百分位（用全部历史；当时可知的那一行用 qvix.expanding(min_periods=250).quantile(0.98)）；相隔不到 20 个读数的越线算同一次行情；几只 ETF 的峰值相距 20 个交易日以内时算一次独立行情，结果先在它的各只 ETF 间平均。

预测形式，每个日期只用已经结束的窗口拟合：

closed = df["origin"] + pd.Timedelta(days=30) <= t
c = (iv[closed] - rv[closed]).mean()          # 隐含波动率 - c
k = rv[closed].sum() / iv[closed].sum()       # k x 隐含波动率，k = RV 均值 / IV 均值
forecast_today = max(k * iv_today, 0.01)

置信区间： 按卖出日所在的自然月做 moving-block bootstrap（移动分块自助法），每块 3 个月，2,000 次抽样，种子 11；每个统计量都由按月汇总的和重建，同一个月里的所有 ETF 一起移动。

运行：

pip install -r requirements.txt
python iv_timing.py --cache-dir data      # 只下载一次，之后几秒钟
python iv_timing.py --end none            # 包含发布之后的数据

这些 CSV 与波动率预测脚本的相同，所以一个 --cache-dir 两个脚本都能用。

本页与脚本对照。 2026 年 10 月 12 日运行，研究保存的数据和重新从 AKShare 下载的数据都试过，截至 2026 年 9 月 30 日（默认的 --end）：

容差： 每个数字都与显示的最后一位一致。在同样的数据上，可以预期误差在 ±0.1 波动率点以内。数据提供方可能修订旧数据，--end none 会加入发布之后结束的月份；两者都会让每个数字略有变动，全部历史的极端线和行情次数也可能改变。跨式和方差的结果、亏了就加倍的头寸、其他状态变量、带截距或取 log 的预测形式，以及图表，都在完整研究里，不在脚本中。