03 期权组合的 PnL 如何分解？——Greeks、对冲与残差

《01 衍生品价格从何而来？》从 market dynamics、replication 与 no-arbitrage 出发，得到给定模型和参数后的 pricing operator；《02 市场报价如何变成模型标价？》把真实市场上的 option quotes 输入这个 operator，通过 calibration 得到当前的 risk-neutral parameters 与 model mark。

因此，到这一篇开始时，我们已经有

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t \mathrel{=} \mathcal C(\boldsymbol\eta_t), \qquad V_t^i \mathrel{=} \mathcal M^{\mathbb Q} \!\left( \mathbf z_{t,i}; \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t \right). $$

这里 $\boldsymbol\eta_t=(\mathbf y_t,\mathbf a_t)$ 是第二篇第 6 节定义的完整 calibration input，$\mathbf z_{t,i}$ 是第 $i$ 个合约直接使用的 market-state vector，而 $V_t^i\in\mathbb R$ 是该合约的标量 mark。第二篇结束于“当前这些衍生品如何被模型标价”；这一篇的问题则是：

当市场从 $t$ 走到 $t+\varepsilon$ 后，这些价格为什么变化？哪些变化可以被 hedge？最终没有解释掉的 PnL 又意味着什么？

这一步是 theory → calibration → risk / hedging 的最后一个接口，也是 Greeks 真正获得交易含义的地方。

Delta、Gamma、Vega 本身并不是风险管理的终点。它们只是一个已经确定的 marking function 在某组 risk-factor coordinates 下的局部导数。真正需要管理的是：这些导数如何进入整个 portfolio 的 PnL，以及能否用真实可交易的 instruments 把相应 exposure 抵消。

---

1. 在分解风险之前，究竟要解释哪个 PnL？

最容易被忽略的问题其实发生在 Greeks 之前：必须先确定被解释的对象。

按照本系列的统一符号，derivative book 的 marked value 为

$$ \mathcal V_t \mathrel{=} \sum_{i=1}^{d_V}n_t^iV_t^i. $$

但交易者持有的并不只有 derivative book。加入 hedge instruments 与 money-market account 后，整个 portfolio 的 marked value 是

$$ \boxed{ \Pi_t \mathrel{=} \mathcal V_t + \sum_{j=1}^{d_X}h_t^jX_t^j + \psi_tB_t. } $$

其中：

• $h_t^j$ 是第 $j$ 个 hedge instrument 的有符号持仓；
• $X_t^j$ 是第 $j$ 个 hedge instrument 的市场价格；
• $\psi_tB_t$ 是 cash / funding position。

这是一个 portfolio accounting identity，而不是定价结论。

因此，后文所有所谓“hedged PnL”都必须始终指同一个对象

$$ \delta_\varepsilon\Pi_t := \Pi_{t+\varepsilon}-\Pi_t, $$

而不能一会儿只解释 option leg，一会儿又把 stock hedge 和 funding 算进去。

如果在 $[t,t+\varepsilon]$ 内暂时冻结持仓，并使用 total-gain prices 处理 dividends、coupons 等中间现金流，那么最基本的 finite-increment accounting 可以写成

$$ \delta_\varepsilon\Pi_t \mathrel{=} \delta_\varepsilon\mathcal V_t + \sum_{j=1}^{d_X} h_t^j\delta_\varepsilon X_t^j + \psi_t\delta_\varepsilon B_t \mathbin{-} \delta_\varepsilon\mathrm{TC}_t. $$

若区间内部发生 rebalancing，就不能再简单地用“最终持仓 × 价格变化”计算 PnL，而必须回到 self-financing gains equation。Transaction costs 也必须单列，因为 Black–Scholes 理论中的 continuous rehedging 默认没有交易摩擦，而现实中的每次调整都可能付出 bid–ask、fees 与 market impact。¹

Frozen mark 与 recalibrated mark

即使 portfolio 已经固定，还要回答另一个问题：用什么 marking convention 解释 derivative-leg move？

假设 $t$ 时刻已经校准得到

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t. $$

到 $t+\varepsilon$ 时，可以保持旧 calibration parameters 不变，只更新 market state：

$$ V_{t+\varepsilon}^{i,F} := \mathcal M^{\mathbb Q} \!\left( \mathbf z_{t+\varepsilon,i}; \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t \right). $$

这个 frozen mark 回答的是：

如果昨天的 calibrated parameters 今天仍然成立，仅仅因为 spot、rates、time 等状态发生变化，价格应该变多少？

也可以重新使用新的 market quotes 做 calibration：

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q}_{t+\varepsilon} \mathrel{=} \mathcal C(\boldsymbol\eta_{t+\varepsilon}), $$

并得到

$$ V_{t+\varepsilon}^{i,R} := \mathcal M^{\mathbb Q} \!\left( \mathbf z_{t+\varepsilon,i}; \mathcal C(\boldsymbol\eta_{t+\varepsilon}) \right). $$

若 $V_t^i$ 本身是 $t$ 时刻的 calibrated mark，则每个合约都有一个完全精确的 bridge：

$$ V_{t+\varepsilon}^{i,R}-V_t^i \mathrel{=} \underbrace{ \left( V_{t+\varepsilon}^{i,F}-V_t^i \right) }_{\text{frozen-calibration market move}} + \underbrace{ \left( V_{t+\varepsilon}^{i,R}-V_{t+\varepsilon}^{i,F} \right) }_{\text{recalibration effect}}. $$

将该等式乘以固定区间起点持仓 $n_t^i$ 并对 $i$ 求和，就得到 derivative book 的对应 bridge。它还不是最终的 risk attribution，但已经把两个不同问题分开：

1. 给定原有参数，市场动了多少；
2. 为了重新匹配市场，calibration state 又动了多少。

所以 PnL decomposition 不是从“算 Delta”开始，而是从 fixing the book、accounting convention 与 marking policy 开始。

---

2. 为什么定价用 $\mathbb Q$，风险预测却还需要 $\mathbb P$？

前两篇的两条链在这里第一次真正汇合。

Calibration 给出的

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t $$

是为了匹配当前 option prices 的 risk-neutral parameters。Gatheral 在 stochastic-volatility 的讨论中明确区分了 pricing 与 historical dynamics：若目标是拟合 option prices，可以直接在 risk-neutral measure 下参数化；若要解释历史收益，则还需要 statistical measure 与 risk-neutral measure 之间的关系。²

而风险管理问的是另一类问题：

• 明天 spot 下跌 3% 的概率多大？
• 一个月内 volatility surface 出现某种 twist 的概率多大？
• 某个 hedge instrument 与 derivative book 在现实世界里如何共同波动？
• 下一期 portfolio loss 的 tail 有多厚？

这些都是关于未来 market move 如何发生的问题，因此需要 physical measure $\mathbb P$ 下的输入。例如

$$ \delta_\varepsilon\mathbf z_t \mid\mathcal F_t \sim \mathbb P_{\widehat{\boldsymbol\vartheta}^{\mathbb P}_t}, $$

以及 conditional covariance

$$ \Sigma_t^{\mathbb P} := \operatorname{Cov}^{\mathbb P} \!\left( \delta_\varepsilon\mathbf z_t \mid\mathcal F_t \right). $$

因此，两种 measure 的分工可以压缩成一句话：

$$ \boxed{ \mathbb Q\text{ 告诉我们一个 move 如何被定价，} \qquad \mathbb P\text{ 告诉我们这个 move 如何发生。} } $$

例如，一个 option 的 Delta 可以完全由当前 $\mathbb Q$-marking function 给出，但 Delta 本身不会告诉我们明天 spot move 的概率分布。反过来，historical covariance 可以帮助选择 hedge ratio，却不能单独决定今天 option 应该用什么 model mark。

若定义未来 portfolio loss 为

$$ L_{t,t+\varepsilon} := -\delta_\varepsilon\Pi_t, $$

则 conditional VaR 可以写成

$$ \operatorname{VaR}_{\alpha,t}(L) \mathrel{=} \inf \left\lbrace \ell: \mathbb P \left( L\leq \ell\mid\mathcal F_t \right) \geq\alpha \right\rbrace, $$

而 Expected Shortfall 可由 tail quantiles 表示为

$$ \operatorname{ES}_{\alpha,t}(L) \mathrel{=} \frac{1}{1-\alpha} \int_\alpha^1 \operatorname{VaR}_{u,t}(L)\,du. $$

这里真正重要的不是再展开一套 VaR / ES 模型，而是明确它们消费的是 $\mathbb P$ distribution，而不是 $\mathbb Q$-calibration 的自然副产品。

同时，$\mathbb P$ 下的统计估计自身也有 uncertainty。Taleb 对 fat-tailed variables 的核心提醒之一是：有限样本下，variance、高阶 moments 与 tail quantities 的估计收敛可能极慢，甚至某些 moments 根本不存在。于是“历史样本里没发生过”并不能自动转化为“小概率”。³

来源边界：当前项目来源足以支持 $\mathbb P/\mathbb Q$ 的角色区分以及 fat-tail estimation fragility，但缺少 conditional covariance forecasting、VaR / ES 与一般 $\mathbb P$ time-series estimation 的标准教材来源。因此本文只定义这些 risk inputs 的用途，不展开其估计理论。

---

3. 一个 market move 如何变成 Delta、Gamma 和 Vega PnL？

现在才到了 Greeks。

设一个 derivative 的当前 marking function 为

$$ V \mathrel{=} V(t,\mathbf z;\boldsymbol\vartheta). $$

如果 calibration parameters 暂时 frozen，那么对于足够小的 market move，二阶 Taylor expansion 给出

$$ \delta V^{F} \approx \nabla_{\mathbf z}V^\top \delta\mathbf z + \frac12 \delta\mathbf z^\top \nabla_{\mathbf z}^2V \,\delta\mathbf z + \Theta\,\varepsilon. $$

这里：

• gradient 对应一阶 linear exposure；
• Hessian 对应 curvature 与 cross effects；
• $\Theta\varepsilon$ 记录纯时间流逝带来的局部变化。

二阶项并不是为了“多写一点数学”。在 stochastic calculus 中，具有非零 quadratic variation 的价格过程会留下二阶 contribution，所以对随机价格过程只保留 ordinary first-order chain rule 并不充分。

在 spot / implied-vol coordinates 下

若局部 marking convention 直接采用 BS implied-volatility quote 作为 volatility coordinate，则可以写成

$$ \begin{aligned} \delta V \approx\;& \Delta\,\delta S +\frac12\Gamma(\delta S)^2 +\mathrm{Vega}^{\mathrm{BS}} \delta\sigma_{\mathrm{imp}} \\ &+ \mathrm{Vanna}^{\mathrm{BS}} \delta S\,\delta\sigma_{\mathrm{imp}} + \frac12 \mathrm{Volga}^{\mathrm{BS}} (\delta\sigma_{\mathrm{imp}})^2 + \Theta\varepsilon. \end{aligned} $$

这些名字只有在坐标明确以后才有意义。

例如本系列把

$$ \mathrm{Vega}^{\mathrm{BS}} \mathrel{=} \frac{\partial V^{\mathrm{BS}}}{\partial\sigma} $$

严格限定为对 BS implied-volatility coordinate 的敏感度。

如果使用 Heston 等参数模型，

$$ \frac{\partial V}{\partial\vartheta_i} $$

只是 parameter sensitivity。它最终可能影响 volatility surface，但不能因此自动被称为 Vega。

这一区分很重要，因为 market quote risk 与 model-parameter risk 并不是同一个对象。

Recalibration 又增加了一条路径

第二篇已经把 calibration 写成

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q} \mathrel{=} \mathcal C(\boldsymbol\eta). $$

因此，若 $\mathbf z$ 与 $\boldsymbol\eta$ 已经被定义为不重叠的 risk-factor blocks，那么一阶 recalibration contribution 为

$$ \partial_{\boldsymbol\vartheta}V\, J_{\mathcal C}(\boldsymbol\eta)\, \delta\boldsymbol\eta. $$

此时可以把局部 attribution 写成

$$ \delta V \approx \nabla_{\mathbf z}V^\top\delta\mathbf z + \frac12 \delta\mathbf z^\top\nabla_{\mathbf z}^2V\,\delta\mathbf z + \partial_{\boldsymbol\vartheta}V\, J_{\mathcal C}(\boldsymbol\eta)\, \delta\boldsymbol\eta + \Theta\varepsilon. $$

这个式子有意保留 direct-state move 的二阶项，却只保留 recalibration channel 的一阶项；它不是完整复合函数的二阶 Taylor formula。若 holding period、quote move 或 parameter response 不够小，还会遗漏 direct/recalibration cross terms、calibration curvature 与更高阶项，届时应使用 full revaluation 或明确的 bump-and-recalibrate。

但这里还有一个不能跳过的 bookkeeping 条件：

如果 $\mathbf z$ 与 $\boldsymbol\eta$ 含有同一个市场变量，不能把两组 shocks 当成彼此独立再直接相加，否则会 double count。

例如 spot 可能既直接进入 pricing function，又参与 volatility surface 的构造。此时必须先定义一组不重复的 primitive market factors

$$ \mathbf f, $$

再写成

$$ \mathbf z=Z(\mathbf f), \qquad \boldsymbol\eta=E(\mathbf f). $$

于是当前 calibrated marking function 实际上是复合映射

$$ V(\mathbf f) \mathrel{=} \mathcal M^{\mathbb Q} \!\left( Z(\mathbf f); \mathcal C(E(\mathbf f)) \right), $$

其 total first derivative 为

$$ \boxed{ D_{\mathbf f}V \mathrel{=} D_{\mathbf z}\mathcal M^{\mathbb Q}\,DZ + D_{\boldsymbol\vartheta}\mathcal M^{\mathbb Q}\, J_{\mathcal C}\,DE. } $$

这样，同一个 primitive shock 只出现一次；它可以同时通过 direct market-state channel 与 recalibration channel 影响价格，却不会被重复计数。

这也是 frozen Greeks 与 recalibrated sensitivities 的真正区别：

• frozen sensitivity 是对当前 model parameters 条件化后的 partial derivative；
• recalibrated sensitivity 是把 calibration map 一并纳入后的 total derivative。

Gatheral 与 Bergomi 对 stochastic-volatility / smile dynamics 的讨论进一步说明：两个模型即使今天都能拟合相似的 vanilla surface，也可能隐含完全不同的未来 smile dynamics，从而生成不同的 hedge ratios 与 forward-smile risk。^{2 4}

来源边界：calibration-map total derivative / recalibration-risk attribution 在当前项目 source map 中没有直接的正式文献来源。上面的表达是由第二篇已经定义的 calibration map 与 multivariable chain rule 得到的 attribution convention。

---

4. 有了 Greeks，为什么还不能说风险已经被 hedge？

因为 sensitivity 是 exposure，hedge 是 position。

本节因为同时处理多个 risk factors 与多个 hedge instruments，局部引入向量与矩阵记号。设 derivative book 对选定 risk factors 的一阶 exposure 为

$$ \mathbf g := \frac{\partial\mathcal V}{\partial\mathbf z}. $$

假设市场中有 $d_X$ 个可交易 hedge instruments，其 sensitivity matrix 为

$$ G_{jk} := \frac{\partial X^k}{\partial z_j}. $$

若存在 hedge position $\mathbf h$ 满足

$$ \boxed{ G\mathbf h=-\mathbf g, } $$

那么在当前 state、当前 model、当前 coordinates 下，这些一阶 exposures 可以被 locally neutralize。

这里的限定词 “locally” 非常重要。

即使 $G\mathbf h=-\mathbf g$ 有解，也不意味着我们重新得到了第一篇第 3 节意义上的 exact replication：

1. Greeks 会随市场状态变化；
2. hedge 因而需要不断 rebalance；
3. 二阶及更高阶 exposure 仍可能存在；
4. jump、liquidity 与 execution constraints 可能使理论 position 无法实现。

如果 $G$ 的 column space 根本不能 span $\mathbf g$，那么无法消掉的部分首先是 unspanned market risk，而不是 model risk。

Neutral Greek 并不是唯一 hedge objective

交易者也可能不要求某些 Greeks 精确为零，而是选择在给定 hedge universe 下最小化下一期 PnL variance：

$$ \mathbf h^* \mathrel{=} \arg\min_{\mathbf h} \operatorname{Var}^{\mathbb P} \!\left( \delta_\varepsilon\mathcal V_t + \mathbf h^\top\delta_\varepsilon\mathbf X_t \mid\mathcal F_t \right). $$

定义

$$ \Sigma_{XX} \mathrel{=} \operatorname{Cov}^{\mathbb P} \!\left( \delta_\varepsilon\mathbf X_t, \delta_\varepsilon\mathbf X_t \mid\mathcal F_t \right), $$

以及

$$ \Sigma_{X\mathcal V} \mathrel{=} \operatorname{Cov}^{\mathbb P} \!\left( \delta_\varepsilon\mathbf X_t, \delta_\varepsilon\mathcal V_t \mid\mathcal F_t \right). $$

在无额外约束且 $\Sigma_{XX}$ 可逆时，一阶条件给出

$$ \boxed{ \mathbf h^* \mathrel{=} -\Sigma_{XX}^{-1}\Sigma_{X\mathcal V}. } $$

这恰好说明为什么第三篇必须保留一条独立的 $\mathbb P$ branch：

• $\mathbb Q$-marking function 与 Greeks 描述 portfolio 对 market factors 如何反应；
• $\mathbb P$-covariance 描述这些 market moves 在现实世界里如何共同发生。

实际交易还会加入 liquidity、transaction costs、position limits、lot size、funding 等约束。Wilmott 对动态 hedging 的讨论以及 Sebastian–Taylor 对 market-maker risk management 的实践描述，都强调 hedge 是在真实 instrument universe 中做出的交易决策，而不是把一个 Greek 数字机械地设为零。^{1 5}

来源边界：当前项目缺少 general constrained hedging / minimum-variance hedging 的正式来源，因此这里只保留基础优化形式，不展开一般 portfolio-optimization 理论。

---

5. Delta hedge 之后的钱究竟从哪里赚、又从哪里亏？

有了同一个 portfolio、同一个 marking convention 和明确的 hedge positions，现在才能讨论 PnL attribution。

先考虑最简单的情形：一单位 long option，用 underlying 做

$$ h_t=-\Delta_t $$

的 delta hedge。

对很短的 holding period 做 frozen local expansion，一阶 spot term 被 hedge 抵消，于是

$$ \delta_\varepsilon\Pi_t \approx \Theta_t\varepsilon + \frac12 \Gamma_t (\delta_\varepsilon S_t)^2 + \text{vol / cross / funding terms}. $$

Wilmott 对 discrete delta hedge 的推导正是从这里出发：hedge 去掉一阶 stock move 后，剩余的 spot contribution 主要与 $(\delta S)^2$ 相关；在离散 hedging 下，这一关系只能在平均意义上逼近 continuous-hedging limit。¹

Gamma–Theta 与 realized–implied variance

在更理想化的 Black–Scholes marking convention 下，假设：

• deterministic rates / dividends；
• underlying path 连续；
• 使用 total-gain accounting；
• implied-vol mark 在局部区间内 frozen；
• continuous self-financing delta hedge；
• 忽略 transaction costs。

BS pricing PDE 为

$$ \Theta_t + [r(t)-q(t)]S_t\Delta_t + \frac12 \sigma_{\mathrm{imp}}^2(t;K,T) S_t^2\Gamma_t \mathbin{-} r(t)V_t \mathrel{=} 0. $$

真实 spot path 则贡献 quadratic variation

$$ d\langle S\rangle_t. $$

将一阶 $dS_t$ term 通过 delta hedge 消掉，并利用 BS PDE 消去 Theta / financing terms，可以得到局部 financing-adjusted PnL

$$ \boxed{ d\Pi_t-r(t)\Pi_t\,dt \approx \frac12\Gamma_t \left[ d\langle S\rangle_t \mathbin{-} \sigma_{\mathrm{imp}}^2(t;K,T)S_t^2dt \right]. } $$

若连续路径下进一步写成

$$ d\langle S\rangle_t \mathrel{=} v_t S_t^2dt, $$

则

$$ \boxed{ d\Pi_t-r(t)\Pi_tdt \approx \frac12 \Gamma_tS_t^2 \left( v_t \mathbin{-} \sigma_{\mathrm{imp}}^2(t;K,T) \right)dt. } $$

因此，对一个正 Gamma position，理想化 delta-hedged local PnL 可以理解成一个

$$ \text{Gamma-weighted realized variance} \quad\text{vs}\quad \text{implied variance} $$

的差。

这里 $v_t:=S_t^{-2}\,d\langle S\rangle_t/dt$ 是连续路径下的 realized instantaneous variance，而不是历史窗口估计量。Gatheral 从 stochastic-volatility 的角度得到相同的经济解释：delta-hedged option 的收益中会出现实际 instantaneous variance 与 option mark 所隐含 variance 之间的差，并由 Gamma 对这一区别进行加权。²

但必须强调：这并不是一般期权组合 PnL 的恒等式。

为什么这个关系不能被无限推广？

首先，如果 implied volatility surface 自身发生变化，PnL 中会重新出现

$$ \mathrm{Vega}, \qquad \mathrm{Vanna}, \qquad \mathrm{Volga}, $$

以及更一般的 skew、term-structure 与 recalibration terms。

其次，如果 hedge 是离散的，两次 rebalance 之间会残留 Delta exposure。Wilmott 明确指出，Black–Scholes 的 continuous-hedging limit 消除了这种 hedging error，但现实中 finite rebalancing interval 只会近似这一极限。¹

再次，如果存在 jumps，价格会发生有限幅度的不连续变化。此时一个局部二阶 Taylor expansion 通常不足以完整重建 jump PnL。

最后，如果存在 transaction costs、bid–ask、funding 或 liquidity constraints，频繁 rehedging 本身就在消耗 PnL。

因此，

“Long Gamma = long realized volatility” 是一个带有严格条件的局部解释，而不是无条件的市场定律。

即便所有这些项都已经尽量建模，实际 accounting PnL 与 model attribution 之间仍然可能存在差额。定义

$$ \widehat{\delta_\varepsilon\Pi_t}^{\,\mathrm{attr}} $$

为事先规定的 attribution model 所解释的 PnL，则 residual 为

$$ \boxed{ R_{t,t+\varepsilon} := \delta_\varepsilon\Pi_t \mathbin{-} \widehat{\delta_\varepsilon\Pi_t}^{\,\mathrm{attr}}. } $$

这个 $R$ 才是 residual PnL。

但 residual 仍然不等于 model risk。

来源边界：当前项目没有 empirical realized-vs-implied variance premium 与 jump-risk premium 的专门实证来源。因此本文只推导局部 PnL identity，不进一步声称市场中长期、稳定地存在某个经验 variance risk premium。

---

6. Residual PnL 中，哪些是 market risk，哪些才是 model risk？

假设某天一个 delta-hedged book 出现了很大的 loss。

如果直接把这笔 loss 叫作“模型风险”，实际上跳过了至少五类更基础的解释。

本文固定采用以下 operational residual taxonomy。它是一套预先规定的 attribution convention，不是声称现实世界天然存在唯一的 PnL 分解。

1. Deliberately unhedged exposure

交易者主动选择保留的 Delta、Vega、curve、skew 等 exposure。

这类 PnL 是风险承担的结果，不是模型错误。

2. Unspanned market factors

模型识别出了某个 market risk，但现有 hedge instruments 无法 span。

例如某些 smile、jump、liquidity 或 long-dated volatility exposure 可能没有合适的 hedge instrument。

这首先是 market incompleteness / hedge-universe limitation，而不是 model failure。

3. Frictions：discrete hedge、jumps、liquidity、funding、transaction costs

即使模型的局部 sensitivities 完全正确，现实执行也可能产生 residual：

• rebalance 不连续；
• market jump 穿过 hedge；
• bid–ask 与 fees；
• liquidity 不足；
• funding 与 collateral carry。

这些属于 implementation environment 下的 trading frictions。

4. Quote / data / calibration-state changes

例如：

• market quote 本身变化；
• quote cleaning 或 surface construction 改变；
• calibration universe 变化；
• fitted parameters 因新 quotes 而发生移动；
• frozen mark 与 recalibrated mark 出现明显差异。

Parameter change 本身不代表 model failure。市场 surface 当然可以真实地发生变化。

5. Taylor truncation 与 numerical error

Greeks attribution 是局部 approximation。

如果 move 太大、curvature 太强、cross terms 被遗漏，Taylor residual 会自然增大。另一方面，pricing engine、finite differences、Monte Carlo noise、optimizer tolerance 等也可能产生 numerical reconciliation gap。

这些首先属于 approximation / numerical error。

6. Model specification / parameterization / implementation / misuse

只有在前面这些来源被合理排除后，才真正进入 model risk：

• state variables 缺失；
• dynamics 错误；
• smile dynamics 与现实不符；
• parameterization 对关键风险方向表达能力不足；
• calibration map specification 系统性失真；
• implementation bug；
• 模型被用于超出其适用范围的产品或 regime。

因此 residual 可以按照预先固定的 attribution rules 写成

$$ \boxed{ R \mathrel{=} R^{\mathrm{unhedged}} + R^{\mathrm{unspanned}} + R^{\mathrm{friction}} + R^{\mathrm{data/cal}} + R^{\mathrm{approx}} + R^{\mathrm{model}}. } $$

这里的等号是一套 reconciliation convention，不是天然唯一的数学分解。不同 desk 只要使用不同的 ordering、bump rule 或 cross-term allocation，就可能把同一笔 PnL 分进不同 buckets。

因此真正重要的不是“有没有 residual”，而是 residual 是否表现出稳定的结构。

可以检查：

• conditional bias；
• serial dependence；
• 与某个遗漏 factor 的持续相关；
• tail concentration；
• regime dependence；
• bump-and-reprice 与 Greek attribution 的 reconciliation；
• frozen mark 与 recalibrated mark 的 reconciliation。

如果 residual 主要集中在 quote cleaning、objective、parameter instability 或 recalibration mapping 上，问题应反馈到第二篇第 2、4—6 节的 calibration layer。

如果在这些检查之后，residual 仍稳定地指向 missing state variable、错误 dynamics、错误 smile evolution、jump exposure 或错误 pricing assumption，则才应该反馈到第一篇第 1、5、6 节的 model specification layer。

Bergomi 对 local volatility 的讨论提供了一个典型例子：一个模型可以很好地拟合今天的 vanilla surface，却因为其隐含的未来 smile dynamics 不合理，而对 forward-smile / volatility risk 给出错误的 hedge behavior。这里的问题不在于“今天 fit 得差”，而在于从今天的 surface 到未来风险的动态映射错了。⁴

Fat-tail 环境还会让 residual diagnostics 更困难：少量 extreme observations 可能主导 variance-based statistics，因此一个巨大 residual 既不能自动忽略，也不能仅凭一次观察就宣告 model failure。³

来源边界：当前项目没有 formal model-risk definition、taxonomy 与 governance framework 的正式来源。上面的六层 residual 分类是为了闭合 theory → calibration → risk 逻辑而采用的 operational taxonomy，不应被当作监管意义上的统一 model-risk 定义。

---

结语：Greeks 不是风险，Greeks 是模型与风险之间的坐标系

至此，三篇文章之间的接口才真正闭合。

第一篇给出

$$ \mathcal M^{\mathbb Q}, $$

即在明确 market、pricing measure 与 model assumptions 后，如何从 state 和 parameters 得到 derivative value。

第二篇给出

$$ \widehat{\boldsymbol\vartheta}^{\mathbb Q}_t \mathrel{=} \mathcal C(\boldsymbol\eta_t), $$

把这个 pricing operator 与当前 option market 连接起来。

第三篇则把二者组合成当前 marking function，并研究它对 market factors 的局部 derivatives：

$$ \text{mark} \longrightarrow \text{sensitivities} \longrightarrow \text{hedge} \longrightarrow \text{PnL attribution}. $$

其中：

• $\mathbb Q$ 决定当前 mark 如何响应一个给定 move；
• $\mathbb P$ 提供未来 market moves 的 conditional distribution 与 statistical hedge input；
• hedge instruments 决定哪些 exposure 可以实际被抵消；
• actual portfolio gains 与 model attribution 之间的差额形成 residual；
• residual 经过分类和 diagnostics 后，才可能成为 model-risk evidence。

因此整条链可以写成

$$ \boxed{ \text{model assumptions} \longrightarrow \mathcal M^{\mathbb Q} \longrightarrow \mathcal C \longrightarrow V_t \longrightarrow \text{sensitivities} \longrightarrow \text{hedge} \longrightarrow \text{PnL attribution} \longrightarrow \text{residual diagnostics}. } $$

这也解释了为什么一个 option pricing model 在交易中的作用远不只是输出一个“理论价格”。

模型真正提供的是一套可重复的映射：

把市场变化翻译成价格变化，把价格变化翻译成 exposure，再把 exposure 翻译成 hedge 与 PnL。

而 model risk 真正值得被怀疑的时刻，是这套映射关系在排除未对冲风险、交易摩擦、calibration-state changes 与 numerical error 后，仍然持续、系统性地失效。

---

参考文献与来源边界

当前 source map 明确仍缺少以下正式来源：

1. $\mathbb P$ time-series estimation、conditional covariance forecasting 与 VaR / ES 的标准来源；
2. calibration-map total derivative / recalibration-risk attribution 的直接来源；
3. general constrained / minimum-variance hedging 的正式来源；
4. empirical realized-vs-implied variance premium 与 jump-risk premium 的实证来源；
5. formal model-risk definition、taxonomy 与 governance framework。