交易的本质

发布于 2026-09-04

Jinetes en el Cielolluvia nj

最近读完《期权交易仓位管理高级指南》，昨天白天读了专注日内期权的《期权墙》。ChatGPT推送消息，小非农数据出来后，偏鸽，US10Y跌回4.80%，属于提前泄题，我猜测晚上纳指会涨，毕竟被鹰了这么久。到了晚上，我一边玩游戏，一边刷长桥，持仓较重的TSLA和CRCL涨势也很好，当日收益都不错，我很开心。到了凌晨，我察觉自己的期权策略似乎还有些优化空间，又专门调研，甚至兴奋的优化了一版。同时想起来前两天扫到高IV PL，我知道今天盘后 PL 要发财报，又看了下当前极大的IV，然后卖出一笔跨式期权，我知道大概率我会赚到这笔钱，两天时间，10%的收益。

然而凌晨2点，我睡不着，我呆呆的望着电脑屏幕。我脑子时不时有些空，毕竟那么晚了，转速很慢。

凌晨两点，交易者独自坐在书桌前，周围漂浮着手绘的价格线和市场信号 — 人在信号里寻找确定性，直到凌晨。

我很忙，总尝试捕捉交易信号。

我极少做日内，但也不是价值投资中的一员。有时候我想我可能是中短期趋势投资者，有时候做左侧交易，有时候做右侧交易，主要看当日是阴天还是晴天。有时候又觉得自己是短期赌狗，最多的时候，持仓40个标的，一个月交易了300多次。但我硬扛MVLL暴跌的时候，我告诉自己是价值投资。有时候我做方向交易，有时候又想从波动率上赚点钱。

我学了技术，看各种线，MACD金叉、RSI、成本线、压力位、期权墙、IV、Delta、Theta、GEX等等。很多位置很多机会，作出一些极好的买入卖出点。我还学了宏观，开始盯着美国政府又有什么信号，CPI、PMI、就业，鹰还是鸽，VIX到哪了。我随波追逐。我还学了交易心理学，损失厌恶、处置效应、近期偏差。我从恐惧中赚钱。我还学了读财报，看季度变化，哪些信息在网络上提前暴露，哪些在财报中才得以体现，我开始略有心得。我还写了很多程序，用Agent分析新闻评估走势概率，用多因子做量化探索网格极限，用概率统计24种期权模拟分布，筛出不少好的交易提醒。

然而，技术上假突破比比皆是，宏观信号也会被置若罔闻，黑天鹅总会找到角度，财报超预期市场却暴跌，价值投资亏损50%死扛不动，买对方向输给时间Call归零，SellPut想小赚却变股东，Gamma为负却随时V起来，量化过拟合实战处处都是坑。

最终，我意识到，作为个人交易者，仅凭少量可见信号，持续、稳定地预测短期方向，远比想象中困难。这不是说我们会预测准确度低于50%，稍微幸运点，连续3/5次的成功并非难事。

如果将这些信号，加上一些前置条件，比如固定很多变量（当然是无法做到），这些信号又变得极其准确。所以有些人，加上杠杆赌上几次就变成大神。有些人，长期价值投资，复利到恐怖的收益，捧为神圣。

一切归概率。当一些前置条件下，且这个前置条件被触发持续一段时间，所有人都可以成神。

手绘图对比只观察信号与同时观察流动性、仓位和时机时的收益分布宽度 — 信号本身只给出宽分布；隐藏的市场状态，决定分布能否收窄。

什么驱动了价格？上面提到这些信号（信息），参与的这些人（认知&行为），无数的自动化执行的程序，基本面，混合在一起，指引单只股票的走向。

手绘结构图展示慢状态、突发冲击、内生反馈和模型残差共同作用于收益率 — 价格不是一条单线因果，而是不同速度、不同方向的力量叠加。

为了统一不同价格区间和时间尺度，我们先把下一周期的价格变化写成对数收益率：

\boxed{ r_{t,t+\Delta t} = \ln\frac{P_{t+\Delta t}}{P_t} }

再将这个收益率近似拆成四类驱动因素：

\boxed{ r_{t,t+\Delta t} = \underbrace{T_t}_{\text{结构性趋势}} + \underbrace{I_t}_{\text{信息冲击}} + \underbrace{O_t}_{\text{期权反馈}} + \underbrace{\epsilon_t}_{\text{未解释扰动}} }

因此价格也可以写成：

\boxed{ P_{t+\Delta t} = P_t e^{T_t+I_t+O_t+\epsilon_t} }

四个部分分别为：

项	含义
$T_t$	结构性趋势：行业趋势 + 公司/团队质量 + 估值 + 宏观环境
$I_t$	信息冲击：新闻、财报、政策等新信息
$O_t$	期权反馈：做市商 Delta/Gamma 对冲等市场结构影响
$\epsilon_t$	未解释扰动：模型没有解释的随机扰动、资金行为与其他未知因素

～详细解释，可以跳过～

将上面公式拆解下：

\boxed{ \ln\frac{P_{t+\Delta t}}{P_t} = \underbrace{ \beta_S S_t + \beta_C C_t + \beta_V V_t + \beta_M M_t }_{\text{结构性趋势}} + \underbrace{ \sum_i w_i\lambda_iD_{i,t}\ln(1+A_{i,t}) }_{\text{信息}} + \underbrace{ \phi(GEX_t,\Gamma_t,OI_t,L_t) }_{\text{期权}} + \underbrace{ \epsilon_t }_{\text{未知扰动}} }

再详细分析：

① 结构性趋势 $T_t$

\boxed{ T_t = \beta_S S_t + \beta_C C_t + \beta_V V_t + \beta_M M_t }

含义：

即使今天没有任何新闻，这家公司本身有没有持续向某个方向运动的力量。

行业趋势 $S_t$

可以代表：

行业景气周期
行业收入增长
资本开支周期
技术周期
市场资金对该行业的偏好
行业估值扩张 / 收缩

例如 2023–2025 年 AI 基础设施行业整体处于强景气状态，那么：

S_t>0

即使 NVIDIA 某一天没有新闻，行业本身仍可能提供一个向上的 drift。

$\beta_S$ 则表示：

这家公司对行业趋势有多敏感。

例如：

\beta_S^{NVDA}> \beta_S^{MSFT}

AI GPU 景气变化对 NVIDIA 的影响显然比对微软更直接。

参数	含义
$S_t$	Sector / 行业状态
$C_t$	Company / 公司质量与执行
$V_t$	Valuation / 当前估值状态
$M_t$	Macro / 利率、流动性等宏观环境

公司 / 团队因子 $C_t$

这个变量可以理解得比较宽：

公司自身持续创造价值的能力。

可以包含：

C_t = f( \mathrm{Growth}_t, \mathrm{Margin}_t, \mathrm{Execution}_t, \mathrm{Allocation}_t, \mathrm{Quality}_t )

其中：

符号	含义
$\mathrm{Growth}_t$	Growth，业务增长
$\mathrm{Margin}_t$	Margin，盈利能力
$\mathrm{Execution}_t$	Execution，执行力
$\mathrm{Allocation}_t$	Allocation，资本配置能力
$\mathrm{Quality}_t$	Management / Business quality，管理层与商业质量

所以你所谓的“团队情况”，可以理解为：

管理层质量 + 执行能力。

② 信息冲击 $I_t$

\boxed{ I_t = \sum_{i=1}^{n} w_i\lambda_iD_{i,t}\ln(1+A_{i,t}) }

这是模型里的“Surprise”。

例如：

财报超预期
新产品
CEO 辞职
FDA 批准
政策变化
竞争对手事件
宏观数据
战争 / 地缘政治

其中：

$w_i$ ：第 $i$ 个事件与标的的相关度、信息质量或可信度权重
$\lambda_i$ ：市场对该类事件的历史敏感度
$A_{i,t}$ ：第 $i$ 个事件经过标准化后的、无量纲的 Surprise 强度

方向由 $D_{i,t}$ 表示：

D_{i,t}\in[-1,1]

表示方向：

$D>0$ ：利好
$D<0$ ：利空

而：

A_{i,t}\geq0

表示事件的Surprise。

于是：

I_t = \sum_i w_i \lambda_i D_{i,t} \ln(1+A_{i,t})

ln(新闻Surprise) 本身无法表达新闻到底是利好还是利空。

③ 期权市场反馈 $O_t$

\boxed{ O_t = \phi(GEX_t,\Gamma_t,OI_t,L_t) }

一般来说，我们写成：

\alpha GEX_t

因为 GEX 本身通常并不能直接转换成一个收益率。

一个更严谨的写法是：

\phi(\cdot)

它一个非线性函数。

核心机制是：

\Delta_{\text{dealer}} \rightarrow \text{Hedge Flow} \rightarrow P

也就是：

期权仓位

\Leftarrow

做市商 Delta 对冲

\Downarrow

被动买卖股票

\Downarrow

进一步影响股价

例如，在假设做市商总体处于正 Gamma、并进行动态 Delta 对冲的情况下：

正 Gamma 环境

通常表现为：

P\uparrow \Rightarrow Dealer\ Sell

P\downarrow \Rightarrow Dealer\ Buy

形成：

\text{Mean Reversion}

即压制波动。

反过来，负 Gamma 环境可能产生： $\text{Trend Amplification}$ 放大价格运动。

左右对照图展示正 Gamma 的负反馈与负 Gamma 的正反馈对冲路径 — 同样是价格变化，正 Gamma 把偏离拉回，负 Gamma 却可能把偏离继续推远。

④ 未解释扰动 $\epsilon_t$

最后：

\boxed{\epsilon_t}

代表模型没有解释的剩余扰动。它不只包含异常资金，也包含未纳入模型的变量、测量误差、未识别的信息以及其他随机行为。

其中可能包括：

某基金突然清仓
大股东突然减持
主权基金突然买入
CTA 强制去杠杆
Margin Call
某机构内部风险模型触发
单一巨鲸订单
不公开的信息交易

扰动信号很少会出现在正式新闻上，大都躲在角落。这些信息并非毫无用处，只是透明度很差，个人很难发现。对于偏日内的短期交易者，会在K线图上看到突发的神秘力量。其在K线图上的影响力，也主要依赖交易时机，有可能会触发某些关键点位导致V的飞起。而事后的讯息以何种形式呈现，以及其影响力，就看它被挖掘的效果。

这个框架可以用来理解很多看似矛盾的投资理念。参数之间具有一定相关性，比如某笔大量资金突然流入某标的（噪音），大概率会影响相关几天的行情，而行业方向的变动，也会影响公司的整体基本面。但整体而言，随着 $\Delta t$ 拉长，短期订单流、期权反馈和市场微观结构的相对解释力通常下降，而公司基本面、行业趋势、宏观环境和估值的相对解释力逐渐上升。

时间尺度	核心变量
秒～分钟	Order Flow / Liquidity / Market Microstructure
分钟～天	Positioning / GEX / 技术结构 / 情绪
天～月	信息 Surprise / 宏观 / Earnings
月～年	行业 / 公司基本面 / 估值
多年	盈利增长 / ROIC / 资本配置 / 估值回归

手绘坐标图展示基本面、信息冲击、期权微观结构和残差的解释力随持有时间迁移 — 时间拉长不是风险消失，而是主导收益的解释变量发生了迁移。

以价值投资理念为例，后面两个参数 $O_t$ 和 $\epsilon_t$ 在长期投资决策中通常可以大幅降权，许多短期信息冲击 $I_t$ 也可以作为噪音处理。相比短期订单流和市场情绪，企业竞争力、盈利能力和资本配置通常变化得慢得多。对于长期投资者而言，如果企业竞争优势和盈利能力能够持续兑现，而买入估值（ $V_t$ ）又不过度透支未来，那么随着持有周期拉长，企业盈利增长、资本回报与估值变化会逐渐成为收益的主要来源。

而另外一个端，就是日内交易，这个时候 $T_t$ 的相对权重就没那么高。日内交易员更加关注订单流、流动性、仓位结构、即时信息和市场微观结构；技术形态则是这些行为最终反映在价格上的一种表现。短期交易者也类似。时间的颗粒度越小，情绪越明显，外部的干扰因素/黑天鹅就会越多。一个对于价值投资者来说影响很小的新闻，在短期交易上可能非常致命。某个未知大佬突然想买一个小目标的某股票，也属于黑天鹅级别的事件了。因此仓位管理、风险控制和退出机制成为短周期交易的核心能力。

一个人选择什么样的投资风格，就会产生什么样的结果。价值投资者拿到以年为尺度等待收益兑现。短周期策略理论上可以通过更高的资金周转率获得更高收益，但同时承担更高的交易成本、模型失效和尾部风险。

而正因个人习惯的不同，风格的不同，所以市场总会出现各种的声音。价值投资者说值得长期持有，技术派则已看到了死叉突破线，宏观派可能看到了流动性枯竭。

价格是复杂的，但个人交易行为则是具体的。个人同时持有多种交易风格并不罕见（比如我），但需要提醒的是，当我们发起某只股票的某次交易时候，需要清晰的知道这是一笔什么风格的交易，知道自己可能面临哪些影响因素，哪些是要忽略的，哪些是要认真对待的，定好预期收益和止损逻辑。

写在最后：投资最忌讳的就是，买入的时候做趋势交易，套牢了就变价值投资，反之亦然。理解交易的本质，知道价格波动的来源，想好自己要关注哪些，丢弃哪些。

交易的本质

① 结构性趋势 TtT_tTt​

行业趋势 StS_tSt​

公司 / 团队因子 CtC_tCt​

② 信息冲击 ItI_tIt​

③ 期权市场反馈 OtO_tOt​