19 — Quant 基础：PM/BA 必懂的量化概念

不需要成为 Quant，但要能跟 Quant 有效对话

---

1. Greeks：衍生品的”方向盘”

Greeks 衡量衍生品价格对市场变量的敏感度。

Greek	含义	对 PM 的意义
Delta (Δ)	标的价格变动 1 元 → 期权价格变动多少	方向性风险敞口
Gamma (Γ)	Delta 对标的变动的敏感度	凸性风险，Gamma 大 → Delta 变化快
Vega (ν)	波动率变动 1% → 价格变动多少	波动率敞口
Theta (Θ)	每天时间流逝 → 价格变化	”时间损耗”，期权卖家赚钱来源
Rho (ρ)	利率变动 1% → 价格变动多少	利率敞口，长期限产品敏感

PM 实战

• Delta：你有 100M 名义本金的期权组合，Delta = 0.5 → 相当于 50M 标的敞口，要对冲就买/卖 50M 现货
• Gamma：Gamma 大的期权（临近到期平值ATM），Delta 变化剧烈 → 对冲成本高
• Vega：雪球产品 Vega 极大（长期限、高波动率敏感）→ 波动率下跌时产品价值暴跌
• Theta：期权卖方赚的是 Theta，亏的是 Gamma——这就是”收割时间 vs 被突袭打爆”的博弈

BA 关注系统的点

• 系统按什么频率算 Greeks？（日终 vs 实时）
• Greeks 怎么汇总（按交易台、按产品、按对手方）？
• 支持哪些 Greeks？三级 Greeks（如 Vanna、Volga）要不要？

---

2. 波动率曲面（Volatility Surface）

什么是波动率曲面

Black-Scholes 假设波动率是常数，但现实不是。波动率曲面描述了不同行权价（Strike）和不同期限（Tenor）对应的隐含波动率。

        ↑ Vol
Tenor   |  ／
 1Y     |  ／
 3M     |  ／
 1M     | ／
        └──────────→ Strike
           80% 100% 120%

• Skew（偏斜）：同样期限，行权价越低波动率越高（股票市场常见 → “波动率微笑/偏斜”）
• Term Structure（期限结构）：同样行权价，期限越长波动率越高

PM 视角

• 波动率曲面是 Quant 的核心产出之一
• 曲面形状变化直接 P&L 变动：Skew 变陡 → 价外 Put 更贵 → 持有这类期权的人赚
• 曲面校准好 vs 不好的差异 = 定价偏差

曲面数据流

Market Data (Bloomberg/Reuters)
  → 获取期权报价（按 Strike、Tenor）
  → Interpolation（插值）填补空白
  → 生成曲面
  → 发给定价引擎

BA 关注点

• 市场数据源够不够？（国内衍生品数据源比海外少多了）
• 曲面更新的频率？（日终？盘中？）
• 曲面怎么存储？（文件？数据库？Bloomberg BPS？）

---

3. 定价模型（Pricing Models）

模型	复杂度	适用场景	局限
Black-Scholes	低	欧式期权、简单产品	假设常数波动率
Local Volatility	中	复杂期权、奇异期权	不能捕捉波动率随机性
Stochastic Vol (Heston/SABR)	高	雪球、复杂结构化产品	校准复杂、计算慢

PM 听得懂的解释

• Black-Scholes：假设世界很简单（波动率不变），用公式直接算价格
• Local Vol：用曲面数据改善 BS，但假设未来波动率只取决于标的价和时间
• Stochastic Vol：承认波动率本身就是随机的——更真实但更贵（计算成本）

模型验证生命周期

Model Development (Quant 写论文/代码)
  ↓
Model Validation （独立验证团队审）
  ↓
Model Approval （模型委员会批）
  ↓
Production Rollout （部署到生产）
  ↓
Monitoring （日常监控、回测）
  ↓
Review （每年或变更时重新验证）

BA 关注点

• 不同产品用哪个模型？需要配置（Model Inventory）
• 验证团队跟 Quant 团队是分开的吗？（监管要求独立验证）
• 模型变更流程怎么走？（Model Change Management）
• 生产环境跑某个模型出错了怎么回滚？

---

4. 校准（Calibration）与 P&L 归因

校准

Calibration 是调整模型参数，让模型价格与市场价格一致的过程。

市场价格（如期权报价）
  ↓
输入校准引擎
  ↓
调整参数（如波动率曲面）
  ↓
误差 < 阈值 → 完成
误差 > 阈值 → 继续调整

• 每个交易日的开盘校准是标准流程
• 校准质量直接决定定价准确性

P&L Attribution

回答”今天 P&L 为什么变了”：

P&L Change = Delta P&L + Gamma P&L + Vega P&L + Theta P&L + ...

• Delta P&L：标的价格变动贡献
• Vega P&L：波动率变动贡献
• Theta P&L：时间流逝贡献
• 新交易 P&L：新增交易贡献
• 模型/参数变更 P&L：校准参数变化带来的重新估值

对 PM 价值：P&L Attribution 让你知道哪个因子在驱动盈亏，而不是只看一个总数。

---

5. PM/BA 与 Quant 的沟通清单

做新交易前

• 这个产品用什么模型定价？
• 模型验证过了吗？有效期到什么时候？
• 校准曲线哪些参数？
• 这个产品的 Greeks 特性是什么？（高 Vega？高 Gamma？）

日常风险管理

• 今天的曲面跟昨天比变化大吗？
• 哪个 Greeks 今天最大？
• 有没有模型异常信号？

系统集成时

• 定价引擎怎么调用？（API？文件？）
• 模型参数谁维护？（Quant Desk 还是独立团队）
• Greeks 计算性能够吗？（特别是有多少个场景要跑）

---

6. 常见误区

误区	正解
Black-Scholes 就是对的	只是一个近似，复杂产品不能用
波动率越大产品越贵	不一定是，还得看你的头寸方向
Greeks 加起来就是 P&L	高阶 Greeks（Vanna、Volga）和 Cross-Gamma 也会贡献
模型越复杂越好	越复杂越难校准、越难验证、越容易 bug
校准误差无所谓	校准误差 = 定价偏差 = P&L 误差

---

PM/BA 终极理解：你跟 Quant 开会时能听懂他们在争论”vol surface 今天 flattening 了”、“calibration convergence 不好”、“model risk charge 太高”就够了。不需要自己做 Monte Carlo——但需要知道 Monte Carlo 结果什么时候不可信。