The Wheel 策略美股期权量化研究完全指南

有限状态机 · 多因子打分 · Greeks动态 · TIMS风控 · 深度学习 · Kelly仓位 · 回测归因 · 滚仓决策树 · 工业级Pipeline · 税务执行 · 完整案例

🎡 Wheel专属 📊 15章 📐 80+公式 📋 60+表格 💻 FSM代码 🧠 DL专题 📚 学术文献 💰 税务执行
CHAPTER 01

The Wheel策略概述与有限状态机（FSM）

Wheel策略在实战中绝非简单的"定期卖Put接盘、卖Call离场"。从量化金融视角来看，Wheel策略是一个叠加了波动率风险溢价（VRP）捕获、权益因子筛选以及动态Greeks调控的非线性有限状态机（Finite State Machine, FSM）。本报告从数学建模、因子构造、Greeks演变、Portfolio Margin风控以及工业级工程架构五个维度，对Wheel策略进行深度拆解。

1.1 核心逻辑

The Wheel的本质：用卖出期权（短Theta）的方式，以低于市价的成本获取标的资产，然后以高于成本的价格卖出标的资产，循环往复，持续收取"租金"（权利金）。

阶段操作收入来源风险结果
阶段1：CSP卖出Cash-Secured Put权利金（Premium）标的暴跌→被行权→被迫接货未行权→收权利金→重复CSP；被行权→进入阶段2
阶段2：CC持有股票+卖出Covered Call权利金+股息+潜在增值标的暴涨→被行权→被迫卖出未行权→收权利金→重复CC；被行权→回到阶段1

1.2 收益来源分解

The Wheel年化收益 = 权利金收入(Theta) + 股息收入(Dividend) + 标的增值/减值 ± 滚仓损益 − 交易成本
收益来源典型贡献可控性驱动因子
权利金收入（Theta）年化8–20%高（Delta/DTE/IV选择）Theta、VRP、Skew
股息收入年化0–5%中（选股时确定）基本面
标的增值不确定低（市场决定）Delta
滚仓损益通常为正中（时机选择）IV、时机

1.3 FSM四状态架构图

                   ┌─────────────────────────────────────────┐
                   │  [S0] CASH / MARGIN (纯现金/保证金)       │
                   └────────────────────┬────────────────────┘
                                        │ 触发: Score > T_entry AND Margin < Limit
                                        │ 动作: 卖出 CSP (45 DTE, 0.20 Delta)
                                        ▼
                   ┌─────────────────────────────────────────┐
                   │       [S1] HOLDING_CSP (持仓 CSP)        │
                   └──────┬──────────────────┬───────────────┘
                          │                  │
     触发: Profit ≥ 50%   │                  │ 触发: 到期ITM且展期无Net Credit
     或 DTE≤7且P≤20%     │                  │ 动作: 被动行权以K_put接盘
     动作: Buy to Close   │                  │
                          ▼                  ▼
  ┌───────────────────────────┐  ┌───────────────────────────┐
  │ [S0] CASH (回归)           │  │  [S2] HOLDING_STOCK (持股)  │
  └───────────────────────────┘  └───────────────┬───────────┘
                                                 │ 触发: 波动率企稳, IVR>30%
                                                 │ 动作: 卖出CC (K_call ≥ Adj_Cost)
                                                 ▼
                                 ┌───────────────────────────┐
                                 │ [S3] HOLDING_STOCK_CC      │
                                 └───────────────┬───────────┘
                                                 │ 触发: S_T > K_call (被叫走)
                                                 │ 或 50%止盈
                                                 ▼
                                 ┌───────────────────────────┐
                                 │ [S0] CASH (回归, 循环重启)  │
                                 └───────────────────────────┘

1.4 全生命周期状态转移矩阵（详细版）

源目标触发条件（数学）执行动作资金变化Greeks变化
S0S1Scorei > Tentry
AND Marginused/NLV < 0.80
AND IVR > 35%		Sell 1×Put(Kput, T45)
Δput ∈ [0.15, 0.25]
d₂ ≥ 1.28		占用保证金 = max(S×0.15−OTM, K×0.10)+P₀
收取权利金P₀		+Θ, −Γ, −ν, +|Δ|
S1S0Pt/P₀ ≤ 0.50
或 DTE≤7且Pt/P₀≤0.20		Buy to Close Put释放保证金
锁定50-80%权利金		所有Greeks归零
S1S1St < Kput
AND DTE ≤ 7
AND Roll Net Credit > 0		Roll Down & Out:
BTC旧Put + STO新Put(Knew, Text)		延长30-45天
降低行权价
收取净权利金ΔP		Γ/ν重置
S1S2ST < Kput（到期ITM）
AND 无法Net Credit		行权交割（Assignment）
以Kput买入100股		消耗现金Kput×100
Cbase = Kput − ΣP/100		期权Greeks→0
持有100股（Δ=100）
S2S3St ≥ Cadj·(1−δ)
AND IVR > 30%
AND 无近期除息		Sell 1×Call(Kcall, T30)
Kcall ≥ Cadj		正股冻结为Collateral
收取Pcall		−Θ, −Γ(小), −ν(小)
−|Δ|
S3S0ST > Kcall（到期ITM）正股被叫走
以Kcall卖出100股		收回100×Kcall
实现单轮闭环		所有归零
S3S2ST < Kcall（到期OTM）CC过期无价值保留正股+权利金期权Greeks→0

1.5 适用市场环境

市场环境Wheel表现原因调整
横盘/温和上涨最佳Theta持续收割，不被行权或少被行权标准操作
温和下跌尚可CSP被行权，但权利金提供缓冲降低Delta、增加安全垫
暴跌危险CSP被行权后股票继续暴跌止损、对冲、暂停Wheel
暴涨一般CC被行权，错过上涨空间（收益封顶）提高Call行权价
高波动率（VIX>25）有利IV高→权利金厚→收入增加利用高IV卖出更多期权
低波动率（VIX<14）不利IV低→权利金薄→收入不足暂停或选择高Beta标的
CHAPTER 02

学术理论基础

2.1 波动率风险溢价（VRP）的学术根基

✅ VRP是The Wheel的理论基石

学术研究一致表明，隐含波动率（IV）在大多数时间范围和市场制度下系统性超过已实现波动率（RV），这一持续偏差反映了市场参与者为承担波动率风险所要求的补偿，类似于保险公司收取超过预期赔付的保费。卖权策略正是为随时间捕获这一溢价而设计。

VRP > 0 → 期权被系统性高估 → 卖出策略具有正期望收益。这是Wheel策略盈利的根本来源，也是其与纯方向性策略的本质区别。

VRP = IV − RVforward
Variance Risk Premium = VIX²/10000 − EP[RV²]

实证：VRP年化约3-5个波动率点，在高IV环境中更大（恐慌时保险溢价更高）

2.2 卖权等价性与路径依赖

维度CSPCCWheel含义
到期损益相同行权价下，到期损益结构相同理论上等价
路径依赖保证金 = K×100（现金担保）需持有100股正股CSP资金效率更低
上涨趋势仅收权利金权利金+增值，年化高9.36%牛市中CC更优
下跌趋势权利金提供缓冲正股亏损可能超过权利金熊市中CSP更安全
波动率暴露短Vega（IV下降有利）短Vega（IV下降有利）相同

2.3 学术绩效基准（关键数据）

策略Sharpe说明
卖出最深虚值Put0.90对比平值Put的0.11 → 深度虚值Put风险调整收益最高
卖出最深虚值Call0.20对比平值Call的0.08
卖出2日期权0.05短期并非总是更优
卖出20日期权0.23~20D存在风险调整收益局部最优
卖出45日期权~0.20接近20D但Gamma更可控
💡 学术结论 → Wheel参数选择
  • 0.20-0.30 Delta（深度虚值）：Sharpe最高，被行权概率最低
  • 20-45 DTE：风险调整收益局部最优区间
  • Put端优于Call端：卖出Put的Sharpe（0.90）远高于Call（0.20）
CHAPTER 03

期权定价与Greeks（Wheel视角）

3.1 BSM定价公式

CSP（Put）: P = K·e−rT·N(−d₂) − S·e−qT·N(−d₁)
CC（Call）: C = S·e−qT·N(d₁) − K·e−rT·N(d₂)
d₁ = [ln(S/K) + (r−q+σ²/2)T] / (σ√T)
d₂ = d₁ − σ√T

3.2 完整Greeks体系（Wheel相关）

Greek公式CSP（卖Put）CC（卖Call）Wheel含义
Delta (Δ)∂C/∂S+|Δ|（正）−|Δ|（负）|Δ| ≈ 被行权概率；20Δ≈80%胜率
Gamma (Γ)∂²C/∂S²−Γ（短）−Γ（短）标的大幅波动时不利；到期前Gamma→∞
Theta (Θ)∂C/∂t+Θ（正）+Θ（正）Wheel核心收入；30-45DTE衰减最快
Vega (ν)∂C/∂σ−ν（短）−ν（短）IV下降有利；IV飙升产生浮亏
Vanna∂²C/∂S∂σ——IV飙升时Delta恶化（暴跌场景）
Volga∂²C/∂σ²——IV大幅变动时的凸性风险
Charm∂²C/∂S∂t——Delta随时间衰减（到期前漂移）

3.3 Theta衰减曲线（Wheel核心）

ATM期权Theta ≈ −S·σ·N'(d₁) / (2√T)

Theta衰减速度 ∝ 1/√T → 最后30天衰减最快

最优DTE区间: 30-45天（Theta衰减加速但Gamma尚可控）
DTETheta速度Gamma风险权利金Wheel适用
7天极快极高低❌ Gamma风险太大
14天快高中低⚠️ 激进
21天中快中高中⚠️ 临界点
30天中快中中✅ 推荐
45天中中低中高✅ 推荐
60天中慢低高⚠️ 资金效率低
90天慢低高❌ 太长

3.4 美式期权定价（美股个股期权）

模型方法速度精度适用
Bjerksund-Stensland (2002)解析近似极快高大规模Greeks计算（首选）
Barone-Adesi & Whaley二次近似快中高快速定价
CRR二叉树离散DP慢精确验证、奇异期权

校准要点：SOFR利率曲线、Hard-to-Borrow Rate、预期派息（Dividends）、提前行权判断。

CHAPTER 04

IV / RV / VRP 与波动率因子

4.1 核心定义与公式

指标公式Wheel应用阈值
IVBSM反解σ权利金定价基础—
RV（Parkinson）RV = √(365/(252·4ln2·N) · Σ(ln(H/L))²)比Close-to-Close效率更高—
RV（Garman-Klass）RV = √(1/N · Σ[½(ln(H/L))² − (2ln2−1)(ln(C/O))²])×√252利用OHLC，效率更高—
VRPVRP = IV30D − RV30DVRP > 0 → 卖出有利> 3%
VRP Z-ScoreZ = (VRP − μ252) / σ252Z > 1 → 强卖出信号> 1.0
IV Rank(IV−IV52wLow)/(IV52wHigh−IV52wLow)IV相对高低> 35%
IV Percentile过去一年IV低于当前值天数占比IV历史分位> 50%
IV/RV RatioIV / RV20D溢价倍数> 1.2

4.2 VIX环境下的策略调整

VIX区间策略建议预期年化风险Kelly缩放
< 14暂停或缩减仓位2-4%权利金过薄0.25×
14–25正常执行Wheel7-13%最优区间1.0×
25–35扩大行权价距离，降低仓位10-15%权利金高但下行风险大0.7×
> 35暂停开新仓，管理已有仓位—极端风险0×

4.3 Put Skew（波动率偏度）

SkewPut = [IV(15Δ Put) − IV(50Δ ATM)] / (0.50 − 0.15)

Skew越陡 → 卖出OTM Put获得的"下行保险费"越丰厚 → Wheel的Alpha来源之一
CHAPTER 05

Wheel五大因子体系

5.0 因子分类总览

因子大类核心问题典型因子数量
1. 选股因子什么股票适合做Wheel？趋势、波动率、流动性、基本面、股息、事件20-40
2. 合约选择因子选哪个Strike和Expiry？Delta、Theta、Premium/Margin、POP、安全垫、d₂15-30
3. 时机因子什么时候开/平/滚？IV Rank、事件日历、Theta曲线、50%规则、21DTE规则15-25
4. 风控因子如何防爆仓/巨亏？保证金、分散化、下跌保护、流动性、相关性10-20
5. 收益优化因子如何最大化年化？年化收益率、滚仓效率、再投资、税务效率10-15

5.1 选股因子（详细）

子类因子计算/定义阈值逻辑
趋势MA50 vs MA20050日均线 > 200日均线MA50 > MA200 ✓上升趋势中做Wheel更安全
价格位置S / 52周高点> 0.8避免在下跌趋势中接货
ADX14日趋势强度< 25或上升横盘适合Wheel
RSI14日RSI40-70避免极端位置
波动率IV Rank52周位置> 30%IV高→权利金厚
Vol Cone多期限HV范围IV在锥上方IV偏高时卖出有利
Beta对SPX的Beta0.8-1.5太低→权利金薄；太高→风险大
流动性期权日均量20日均量> 100张确保可执行
Bid-Ask Spread(Ask−Bid)/Mid< 2.5%（严格）价差太大会吞噬收益
OI未平仓合约> 1,000市场深度
基本面市值总市值> $10B小盘股波动太大
Altman Z-Score破产风险> 2.9无破产风险
FCF Yield自由现金流收益率> 3%财务健康
Debt/Equity负债率< 1.0低杠杆→抗风险
股息股息率年度股息/股价> 2%（可选）额外收入
股息增长率5年CAGR> 5%长期持有价值
事件财报距离距下次财报天数> DTE + 7天避免财报跳空
行业事件FDA/并购/监管无近期重大事件避免二元事件

5.2 合约选择因子（详细）

因子计算公式CSP应用CC应用阈值
Delta|Δ|20-30Δ OTM Put20-30Δ OTM Call20Δ≈80%胜率
DTE到期日−今天30-45天30-45天Theta最快区间
权利金收益率Premium/(K×100)×(365/DTE)年化收益率同左> 12%
保证金收益率Premium/Margin×(365/DTE)单位保证金年化同左> 15%
POPP(到期OTM) ≈ 1−|Δ|不被行权概率不被Call走概率> 75%
安全垫|S−K|/S × 100%行权价距当前价距离同左> 5%
d₂安全距离d₂ = [ln(S/K)+(r−q−σ²/2)T]/(σ√T)理论OTM概率同左≥ 1.28
Theta/Gamma效率|Θ|/(|Γ|×S₀)时间收入/凸性风险同左越高越好
BreakevenK−Premium（CSP）
K+Premium（CC）		盈亏平衡价同左距当前价越远越安全
CHAPTER 06

高阶多因子打分模型

6.1 核心因子数学定义

(1) VRP Z-Score

VRPt = IV30D,t − RV30D,t
ZVRP,t = (VRPt − μVRP,252) / σVRP,252

(2) d₂安全距离

d₂ = [ln(S₀/K) + (r − q − σ²IV/2)T] / (σIV√T)
要求: d₂ ≥ 1.28（对应90%+理论OTM概率）

(3) Put Skew Slope

SkewPut = [IV(15Δ Put) − IV(50Δ ATM)] / (0.50 − 0.15)

(4) Portfolio Margin年化资金效率（ROCPM）

ROCPM = P₀ / MarginTIMS × (365/DTE)
MarginTIMS ≈ max(S₀×(0.15 − (S₀−K)/S₀), 0.10×K) + P₀

(5) Theta/Gamma效率比

EfficiencyΘ/Γ = |Θ| / (|Γ| × S₀)

6.2 综合打分公式

Scorei = w₁·ZVRP + w₂·SkewPut + w₃·ROCPM + w₄·ZQuality − w₅·βMarket

推荐权重: w₁=0.25, w₂=0.20, w₃=0.25, w₄=0.20, w₅=0.10

6.3 三级过滤流程

===== Wheel选股三级过滤 ===== Level 1: 硬性过滤（Hard Filter） ✓ Bid-Ask Spread / Mid < 2.5% ✓ Open Interest > 1,000 ✓ 距下次财报 > DTE + 7天 ✓ 市值 > $10B → 全美股 ~500 → ~200 Level 2: 质量过滤（Quality Filter） ✓ Altman Z-Score > 2.9 ✓ FCF Yield > 3% ✓ MA50 > MA200 ✓ Debt/Equity < 1.0 → ~200 → ~60 Level 3: 截面因子打分（Scoring） 计算 Z_VRP, Skew, ROC_PM, Quality, Beta Score = 0.25×Z_VRP + 0.20×Skew + 0.25×ROC_PM + 0.20×Quality − 0.10×Beta 排序 → 输出Top 8-12 → ~60 → Top 8-12
CHAPTER 07

FSM全生命周期管理

7.1 CSP阶段（S1）完整管理规则

场景条件操作数学触发
正常持有标的横盘/温和上涨持有到期，收取全部权利金St > Kput AND DTE > 21
50%止盈已获利≥50%初始权利金Buy to Close，锁定收益Pt/P₀ ≤ 0.50
21 DTE规则剩余到期<21天平仓或滚仓DTE ≤ 21
Roll Down & Out标的接近行权价+可获Net CreditBTC旧Put + STO新PutSt0
Assignment到期ITM且无法Net Credit以Kput买入100股→进入S2ST < Kput AND DTE=0
止损标的跌破行权价>10%平仓CSP，接受亏损St < Kput×0.90
VIX飙升VIX > 30暂停新开CSPVIX > 30

7.2 CC阶段（S2→S3）完整管理规则

场景条件操作数学触发
开仓条件波动率企稳+IV足够Sell Call, Kcall≥CadjS≥Cadj AND IVR>30%
50%止盈CC权利金获利50%Buy to ClosePt/P₀ ≤ 0.50
被叫走到期ITM股票被卖出→回到S0ST > Kcall
到期未行权到期OTMCC过期→继续卖下一期ST < Kcall
除息日风险外在价值<股息提前平仓或Roll UpExtrinsic < Dividend
标的暴跌股价远低于成本继续卖CC降低成本或止损S < Cadj×0.90

7.3 滚仓（Roll）完整决策树

===== CSP滚仓决策树 ===== 触发条件: S_t < K_put AND DTE ≤ 7 Step 1: 评估标的是否仍适合Wheel ├── 趋势破坏（MA50 < MA200）? → 止损平仓，不滚仓 ├── 基本面恶化? → 止损平仓，不滚仓 └── 仅短期回调? → 继续评估 Step 2: 寻找可获Net Credit的滚仓 ├── Roll Down（降低行权价） │ 新K_new < K_old │ 目标: 增加安全垫 ├── Roll Out（延长到期日） │ 新DTE = 30-45天 │ 目标: 获取更多Theta └── Roll Down & Out（组合） 新K更低 + 新DTE更长 目标: 最大化安全垫+权利金 Step 3: 检查Net Credit ├── Net Credit > 0 → 执行滚仓 ✓ └── Net Credit ≤ 0 → 不滚仓，等待到期 ├── 到期时OTM → 收取全部权利金 └── 到期时ITM → 接受行权（如果愿意持有） 滚仓限制: ✗ 滚仓次数 ≤ 3次 ✗ 每次滚仓必须获得Net Credit ✗ 新行权价不得低于原始行权价的85%

7.4 成本基础管理

✅ 关键规则
  • 有效成本基础 = Put行权价 − 累计收取的权利金/100
  • 例：在$95被行权，收取$2.00权利金 → 有效成本 = $95 − $2.00 = $93
  • CC行权价绝不低于有效成本基础（否则被Call走时亏损）
  • 如果计算出的Kcall < 成本基础 → 不卖Call，持有等待
  • 每次CC收取的权利金进一步降低成本基础
===== 成本基础追踪示例 ===== CSP被行权: K_put = $95, 收取权利金 $2.00 → 成本基础 = $95 - $2.00 = $93.00 CC #1: K_call = $97, 收取权利金 $1.50 → 到期未行权，继续持有 → 成本基础 = $93.00 - $1.50 = $91.50 CC #2: K_call = $96, 收取权利金 $1.20 → 到期未行权，继续持有 → 成本基础 = $91.50 - $1.20 = $90.30 CC #3: K_call = $95, 收取权利金 $1.00 → 到期被行权，以$95卖出 → 总收益 = ($95-$90.30)×100 + $1.00×100 = +$570
CHAPTER 08

Greeks动态演变与暴跌场景

8.1 暴跌场景下的Greeks连锁反应

===== 标的暴跌时CSP的Greeks非线性演变 ===== [标的股价急剧下挫 (S ↓↓)] │ ├── 1. Delta Bleed（Delta恶化）: │ Delta从 -0.20 → -0.50 → -0.80 │ → 变成近乎纯正股多头敞口 │ → 每跌$1，亏损接近$100/合约 │ ├── 2. Gamma Peak（Gamma峰值）: │ 当 S 逼近 K 时，Gamma达到极大值 │ → Delta变化加速度达到极值 │ → 少量价格变动导致Delta剧烈波动 │ ├── 3. Vega膨胀 + Vanna效应: │ ├── IV随恐慌飙升（如从20%→45%） │ │ → Vega产生巨大账面浮亏 │ └── Vanna (∂Δ/∂σ) 作用 │ → IV飙升进一步拉高|Delta| │ → 形成正反馈恶性循环 │ └── 4. Margin Call连锁: TIMS根据增加的IV与负Delta → 保证金要求 2x~4x 动态提额 → 可能触发强制平仓 → 强制平仓进一步压低股价

8.2 数值示例：SPX从4500跌至4000

指标初始（S=4500）暴跌后（S=4000）变化
CSP行权价K=4200K=4200—
Delta−0.20−0.85恶化4.25×
Gamma0.0020.008增大4×
IV18%42%飙升133%
Vega−$12−$35膨胀2.9×
期权价值$3.50$215浮亏$211.50/合约
TIMS保证金$8,500$32,000暴增276%

8.3 TIMS压力测试矩阵

场景ΔSΔσCSP冲击保证金影响
Scenario 1+15%不变+Premium（安全）不变
Scenario 2+7.5%−10%+Premium（加速收息）略降
Scenario 5−7.5%+15%浮亏≈1.5×Premium+50%
Scenario 8−15%+30%最大风险点+250%
Scenario 10−15%+50%极端风险+350%
CHAPTER 09

合约选择最优化

9.1 最优Delta选择

Delta胜率权利金安全垫Sharpe适用
10Δ~90%低大—极度保守
20Δ~80%中中大0.90标准Wheel（推荐）
30Δ~70%中高中—积极/高IV
40Δ~60%高小—激进

9.2 Pin Risk与到期日管理

🔴 Pin Risk（钉扎风险）

到期日（DTE=0），若ST ≈ Kput，Gamma→∞，少量交易即可导致期权在ITM/OTM间剧烈摆动。若未平仓，交易者无法确认是否会被Assignment，可能导致周末暴露巨大的未经对冲的隔夜正股风险。

硬性规则：到期日当天15:00 EST前，无条件平仓所有 |ST−K|/ST < 1.5% 的合约。

9.3 除息日提前行权（Call侧特异性风险）

Extrinsic Value = Cmarket − max(0, St − Kcall)

若 Extrinsic Value < Net Dividend → 理性买方会在除息日前一交易日提前行权

规则：除息日前2天扫描该条件，若满足，提前平仓CC或Roll Up，避免正股被提前强平导致失去股息收益。

CHAPTER 10

风控体系

10.1 仓位管理规则

规则参数目的
单笔仓位< 5%组合分散风险
总期权暴露< 30%组合控制整体风险
总保证金占用< 70-80%预留缓冲
行业集中度单行业 < 40%避免行业风险
标的数量5-15个分散化
相关性标的间相关系数 < 0.7避免同涨同跌
最大回撤止损> 15% → 减仓50%保护本金

10.2 Kelly-VIX混合仓位管理

Kelly: f* = (p·b − q) / b
p = 胜率(0.70-0.80), q = 1−p, b = 赔率(Premium/MaxLoss)

实际仓位 = 分数Kelly(1/4~1/2) × VIX缩放因子
VIX区间缩放因子实际仓位
< 140.25×极小
14-251.0×标准
25-350.7×缩减
> 350×暂停

10.3 下跌保护五层体系

层级工具触发操作
第一层权利金缓冲下跌 < 权利金自动保护
第二层Roll Down & Out接近行权价滚到更低Strike
第三层止损跌破K > 10%平仓CSP
第四层Protective Put / Collar持有股票时限制最大亏损
第五层暂停所有WheelVIX > 35等待市场稳定

10.4 系统化风控检查清单

检查项标准原因
购买力现金足以覆盖行权（K×100）防止保证金不足
标的质量Altman Z>2.9, FCF>3%避免被行权后陷入困境
IV Rank> 50（保守）或 > 35确保权利金覆盖风险
权利金目标最低0.5%/周或2%/月确保策略经济性
单笔仓位< 5%组合分散风险
到期日30-45 DTE最优Theta区间
止盈50%利润时平仓锁定收益，缩短Vega暴露
止损仓位亏损20%+时触发限制下行风险
CHAPTER 11

回测与收益归因

11.1 回测框架

要素参数说明
回测期间至少5年（含2020.03、2022熊市）覆盖不同市场环境
标的池S&P 500或流动性前500确保流动性
执行价格Bid（卖出）/ Ask（买入）不用Mid！
滑点Spread × 0.25保守估计
佣金$0.65/张典型美股期权佣金
保证金Reg T（现金担保）或PM（TIMS）CSP需全额现金

11.2 历史绩效数据

策略净收益年化最大回撤Sharpe
SPY Wheel（2020-2025）+41%~7.1%-13%~0.6
QQQ Wheel—9-13%——
SPY买入持有+129%—-22%—
CBOE BXM+51.3%———
LLM+BN混合（19年样本外）—15.3%-8.2%1.08

11.3 因子收益归因

收益来源因子贡献占比驱动因素
Theta衰减Theta40-50%时间价值衰减，30-45DTE最陡
波动率风险溢价VRP20-30%IV系统性高于RV
偏斜溢价IV Skew10-15%虚值Put的额外溢价
股票方向性Delta10-20%正股价格上涨
波动率均值回归Vega5-10%IV回归均值
CHAPTER 12

深度学习在Wheel中的应用

12.1 方法对比

方法核心机制年化Sharpe最大回撤可解释性
规则法固定Delta/DTE~7%~0.6-13%完全
纯LLM直接输出决策不稳定——低
静态贝叶斯网络固定结构BN中等——高
DRL（PPO/DQN）序贯决策优化策略依赖——中
LLM+贝叶斯网络LLM构建上下文BN15.3%1.08-8.2%完全（27因子）

12.2 LLM+贝叶斯网络混合架构（Kuang & Lin, 2025）

🧠 核心机制
  • LLM不作为直接决策者，而是根据当前市场条件构建上下文特定的贝叶斯网络
  • 从18.75年、8,919笔交易的历史数据中选择类似情景填充条件概率表
  • 通过反馈循环迭代优化网络结构和数据选择
  • 0%行权率（通过战略滚仓实现）
  • 每笔决策平均使用27个可解释因子
  • 纯LLM、静态BN和规则法在收益和风险调整指标上均显著落后

12.3 DRL动态行权价选择

要素定义
状态IV水平、IV偏斜、期限结构、标的价格、Greeks、VRP、VIX、DTE、市场状态
动作卖Put/卖Call/持有/滚仓/平仓；行权价（Delta）；到期日
奖励单步：权利金−交易成本−风险惩罚；终端：完整周期Sharpe
约束资金、成本基础（Kcall≥Cadj）、流动性
架构Actor-Critic + LSTM/GRU + Attention

12.4 其他DL应用

应用方法说明
IV曲面特征提取CNN从Delta×Maturity矩阵提取预测特征
波动率预测TransformerMonte Carlo采样生成"波动率云"
被行权预测XGBoost输入：Delta、DTE、标的走势→输出：被行权概率
多标的组合优化DRL+均值方差标的选择、仓位分配、风险分散
CHAPTER 13

执行、成本与税务

13.1 执行优化

  • 严禁Market Order：使用Limit Order
  • IBKR Adaptive Algo：在Mid价挂单，以1美分/秒节奏推进，捕捉≥70% Mid-Spread
  • 买卖价差：优先选择Spread < $0.10的标的
  • 大仓位：>10手时流动性成为关键约束

13.2 交易成本

成本项金额说明
佣金$0.65/张典型美股期权佣金
滑点½ × Bid-Ask Spread流动性不足时可达5-15%
年化交易成本~权利金的1.4%每周期权策略
行权/到期$0不产生额外成本

13.3 税务（Wash Sale）

🔴 Wash Sale是Wheel最大的税务风险
  • Wheel策略反复进入相同标的→可能触发Wash Sale
  • 损失被永久不允许扣除
  • 即使Roth IRA本身不欠税，若应税账户也有同一标的交易，仍触发
  • Put权利金仅在到期或平仓时产生税务事件
  • 大多数Wheel收入按普通所得税率征税
CHAPTER 14

进阶策略变体

策略描述与Wheel关系适用场景
标准WheelCSP→CC循环基准震荡/温和上涨
ITM-Put Wheel卖出深度ITM Put（~70Δ）更高权利金+Delta高IV，愿意立即接货
PMCC买深度ITM LEAPS Call+卖短期OTM CallCC的杠杆版资金不足时
Collar持股+买OTM Put+卖OTM CallCC+下跌保护持股阶段
看跌垂直价差卖OTM Put+买更低Put定义风险版CSP风险规避
Jade Lizard卖OTM Put+卖Call SpreadCSP+Call Spread温和看涨
Wheel on ETF在SPY/QQQ/IWM上做Wheel指数版不想选个股
多标的Wheel组合5-15标的分散化Wheel组合版标准实盘
✅ ITM-Put Wheel数据

在相同价格路径上，ITM Wheel收益 = $11.80权利金 + $4.65资本利得，而买入持有仅捕获$6.25未实现增值。约70%的隐含波动率转化为更丰厚的权利金流。

CHAPTER 15

经典案例、学习路径与核心结论

15.1 十大常见错误

#错误正确做法
1选高Beta/Meme股（TSLA、GME）Beta 0.8-1.5，大中盘，Altman Z>2.9
2仓位过重（>10%）单笔<5%，总暴露<30%
3下跌趋势中开CSPMA50>MA200，趋势向上
4财报前开仓距财报>DTE+7天
5不止损，无限滚仓跌破K>10%→止损；滚仓≤3次
6Mid价回测Bid/Ask+滑点
7忽略流动性OI>1000, Spread<2.5%
8CC行权价<成本基础Kcall≥Cadj，否则不卖
9保证金>90%<70-80%
10VIX>35继续开仓VIX>30暂停，>35全部停止

15.2 学习路径

🌱
阶段一（1-2月）
• BSM、Greeks、Put-Call Parity
• CSP/CC基本概念
• FSM循环逻辑
• 模拟账户练习
• Hull + tastytrade
📐
阶段二（2-4月）
• 五大因子体系
• 高阶打分模型（VRP Z、d₂、Skew）
• IV/RV/VRP、IV Rank
• Theta衰减曲线
• 建立选股扫描器
🔬
阶段三（4-8月）
• FSM完整操作（CSP→CC循环）
• 滚仓策略（Down/Out/Up）
• TIMS保证金、Kelly仓位
• 回测（含所有摩擦）
• 小资金实盘
🚀
阶段四（8月+）
• PMCC、Collar、ITM-Put Wheel
• LLM+贝叶斯网络
• DRL动态行权价选择
• 多标的组合优化
• 税务、长期复利

15.3 核心结论

1️⃣ The Wheel是"非线性有限状态机"
4个状态（CASH→CSP→STOCK→STOCK+CC→CASH）× 6种转移条件。每个转移都有精确的数学触发条件和执行动作。不是"定期卖Put"，而是一个动态决策系统。
2️⃣ VRP是理论基石，但不是免费午餐
IV>RV是Wheel盈利的根本来源。但VRP是对承担尾部风险的补偿——2018.02和2020.03证明了这一点。必须配尾部保护和严格止损。
3️⃣ 选股 > 选合约 > 选时机
Wheel最大的风险不是期权定价错误，而是选错标的。Altman Z>2.9、FCF Yield>3%、MA50>MA200、Beta 0.8-1.5——这些选股因子比Delta/DTE选择更重要。
4️⃣ 20Δ + 30-45 DTE是学术最优区间
深度虚值Put的Sharpe 0.90 vs 平值0.11。20-45 DTE是Theta衰减最快且Gamma可控的区间。d₂≥1.28确保90%+ OTM概率。
5️⃣ 收益封顶是Wheel的代价
SPY Wheel五年+41% vs 买入持有+129%。Wheel用收益上限换取了风险下限（-13% vs -22%）。在牛市中必然跑输，在震荡/熊市中显著优于。
6️⃣ LLM+贝叶斯网络是当前最优DL架构
15.3%年化、Sharpe 1.08、-8.2%回撤、0%行权率、27个可解释因子。LLM不直接决策，而是构建上下文贝叶斯网络——可解释性是核心竞争力。
7️⃣ 风控比收益更重要
单笔<5%、总暴露<30%、保证金<70-80%、VIX>30暂停、跌破K>10%止损、到期日15:00前平仓ATM合约。这些规则是生存的关键。
8️⃣ Kelly-VIX混合仓位管理
分数Kelly（1/4-1/2）× VIX缩放因子。VIX9D比VIX30D更能预测短期风险。低波动时缩减，高波动时暂停。
9️⃣ 终极原则
The Wheel的核心不是预测方向，而是"选好标的、卖好价格、控好风险、循环收租"。它更像一个"期权房东"——出租资本（保证金），收取租金（权利金），但必须确保"房子"（标的）不会倒塌。最终目标不是用DL替代交易纪律，而是将金融理论与因子逻辑作为约束嵌入模型，构建可解释、自适应、成本感知的Wheel策略研究体系。

15.4 未来方向

  • 因果推断：从相关性建模转向因果机制识别，提升因子稳健性
  • 多模态融合：IV曲面+新闻文本+微观结构联合建模
  • 端到端组合优化：从IV曲面直接到期权组合权重
  • 联邦学习：跨机构联合训练Wheel模型
  • 0DTE Wheel：适应0DTE期权崛起的新策略变体

报告说明：本报告聚焦The Wheel策略（CSP+CC循环），综合多份工业级研究报告。涵盖FSM架构、多因子打分、Greeks动态、TIMS风控、深度学习、回测归因、执行税务等。所有参数需根据个人风险偏好、账户规模和市场环境调整。

© 2026 The Wheel策略美股期权量化研究完全指南（终极深度版）· 仅供学习参考，不构成投资建议