本文讨论的是方向型期权交易里的“合约选择”问题：已经有了看多或看空观点以后，如何从不同到期日、不同执行价、不同交易所的一整条期权链里，挑出更适合表达这个观点的合约。

文中涉及的阈值和示例均用于解释方法，不构成固定参数或投资建议。API 字段与交易规则以交易所最新官方文档为准。本文核对时间：2026 年 8 月。

很多人第一次做期权，会把问题想得很简单：看涨就买 Call，看跌就买 Put，只要方向对了，期权自然赚钱。

真正交易过几次以后，就会发现事情并不是这样。

BTC 涨了，你买的 Call 可能没涨多少；ETH 跌了，你的 Put 甚至可能还是亏的。再极端一点，方向、幅度都判断得不错，最后却被时间价值、波动率回落和买卖价差一起吃掉。

原因并不神秘。短时间内，期权价格变化可以粗略拆成：

\[ \Delta V \approx \Delta\cdot\Delta S +\frac{1}{2}\Gamma(\Delta S)^2 +Vega\cdot\Delta IV +\Theta\cdot\Delta t -\text{交易成本} \]

方向只决定了第一项的一部分。你真正买下来的，是一整组 Delta、Gamma、Vega、Theta 和流动性暴露。

所以我更愿意把期权交易拆成两层：第一层负责回答“BTC/ETH 接下来往哪走”，第二层才回答“用哪一张期权表达这个判断”。这篇文章只讨论第二层。

我把它做成一个四维筛选框架：

1. 凸性：Delta、Gamma 与 Speed——选哪个 Strike。
2. 时间：DTE、IV Term Structure、Basis/Funding——选哪个 Expiry。
3. 估值：IV Smile / Skew / Surface——这张期权到底贵不贵。
4. 执行：Spread、Depth、OI、Volume——理论优势能不能真正成交。

最后再把 Deribit、Binance Options 和 OKX Options 放进同一个候选池里做横向比较。

因为只是一个筛选器策略，主要用于研究分析和测试，所以代码封装的直接调用交易所API

            javascript
            
            
function httpJson(url, source) {
    var raw = null
    try {
        G.requestCount++
        raw = HttpQuery(url, {
            method: "GET",
            timeout: G.cfg.requestTimeoutMs,
            headers: {"User-Agent": "FMZ-Four-Dimensional-Option-Selector/1.0"}
        })
        if (!raw) throw "空响应"
        var parsed = typeof raw === "string" ? JSON.parse(raw) : raw
        if (parsed && parsed.error) throw JSON.stringify(parsed.error)
        if (parsed && parsed.code !== undefined && String(parsed.code) !== "0" && !Array.isArray(parsed)) {
            throw "code=" + parsed.code + ", msg=" + safeText(parsed.msg)
        }
        return parsed
    } catch (e) {
        throw source + " 请求失败: " + e + ", url=" + url
    } finally {
        Sleep(G.cfg.requestGapMs)
    }
}

一、先把三个交易所的数据变成“同一种语言”

这一步比公式更重要。

Deribit、Binance 和 OKX 都能提供比较完整的期权市场数据，但字段命名、报价单位、合约规格、Greek 口径并不完全一致。如果直接拿三个交易所返回的 gamma、权利金或者持仓量互相比较，很容易比较出一个没有意义的结果。

截至本文核对时，三家的公开接口大致可以这样取数：

这已经足够构建一个自动选品器。

不过进入模型前，我不会直接保留交易所原始结构，而是先统一成一条标准记录：

            text
            
            
venue              Deribit / Binance / OKX
underlying         BTC / ETH
symbol              原始合约代码
expiry              到期时间
DTE                 剩余天数
option_type         Call / Put
strike              K
forward             F
bid_price_usd       标准化后的美元买价
ask_price_usd       标准化后的美元卖价
mid_price_usd       中间价
bid_iv              买方 IV
ask_iv              卖方 IV
mark_iv             标记 IV
delta_norm          统一口径 Delta
gamma_norm          统一口径 Gamma
theta_norm          统一口径 Theta
vega_norm           统一口径 Vega
open_interest_usd    标准化 OI
volume_24h_usd       标准化成交量
spread_ratio        相对价差
depth_slippage      目标资金量的预计滑点
quote_age_ms        报价新鲜度

这里有两个原则。

第一，价格先换成统一的美元经济价值再比较。不同平台的权利金报价、合约乘数和结算资产可能不同，不能看见 0.02 比 800 小，就说前者便宜。

第二，Greeks 最好自己按统一模型重新计算一次。交易所返回的 Greeks 很有用，可以做校验和实时展示，但跨交易所排名时，我更倾向于使用同一套 Forward、IV、DTE 和模型重新算一遍。这样至少保证比较的是同一种 Delta 和 Gamma。

对加密期权来说，用对应期限的远期价格 \(F\) 而不是单纯拿现货 \(S\) 去比较执行价，通常更自然。于是 Moneyness 可以统一写成：

\[ k=\ln\left(\frac{K}{F}\right) \]

ATM 附近 \(k\approx0\)，Call 虚值时 \(k>0\)，Put 虚值时 \(k<0\)。有了这个变量，三个交易所不同的 Strike 网格就能放到同一个坐标系里。

二、第一维：Delta、Gamma、Speed——不是“买便宜”，而是买凸性

方向交易里最容易犯的一个错误，是把“虚值”直接等同于“高赔率”。

一张极深虚值 Call 的确便宜，但它可能同时具有很低的 Delta、很差的流动性和很快的时间价值衰减。标的涨了一点，它仍然可以像没发生什么一样。

我真正关心的是另外一个问题：

如果 BTC 按我的方向移动，这张期权的 Delta 会不会迅速增加？

Delta 是期权对标的价格的一阶敏感度：

\[ \Delta=\frac{\partial V}{\partial S} \]

Gamma 是 Delta 的变化速度：

\[ \Gamma=\frac{\partial \Delta}{\partial S} \]

而 Speed 再往前一步：

\[ Speed=\frac{\partial \Gamma}{\partial S} \]

这三个量放在一起，就能描述一张期权从“还不太跟随标的”到“越来越像标的”的加速过程。

假设我买入一张 Delta 只有 0.18 的 BTC Call。开始时 BTC 每涨 100 美元，期权理论上只获得大约 18 美元的一阶价格暴露；如果 BTC 持续向执行价靠近，Gamma 上升，Delta 可能从 0.18 逐步变成 0.25、0.35、0.50。真正有意思的不是“0.18”这个数字本身，而是这条 Delta 路径有没有加速。

不把 Delta=0.15 当成神奇数字

很多实盘经验会偏好 0.10～0.20 Delta 的虚值期权，这个区域的确经常有不错的杠杆感，但不能把某个固定 Delta 写成数学定律。

Speed 的极值位置会随着 IV、DTE、Forward、Strike 和模型假设移动。BTC 在低波动、30 天到期时的最佳区域，不一定等于 ETH 在高波动、3 天到期时的最佳区域。

所以程序里我只把 Delta 当成第一层候选过滤器。例如方向做多时，可以先扫描：

            text
            
            
0.10 <= Delta <= 0.30

做空时扫描：

            text
            
            
-0.30 <= Delta <= -0.10

这不是最终答案，只是把明显太深虚值、已经太接近实值的合约先排除掉。之后再看 Gamma、Speed 和权利金成本。

Speed 不一定要相信交易所，自己“扰动”一次就能算

Speed 可以用模型解析式求，也可以用一个很实用的有限差分近似。

先把 Forward 向上、向下各扰动一个很小比例 \(\varepsilon\)，重新计算 Gamma：

\[ Speed\approx \frac{\Gamma(F(1+\varepsilon))-\Gamma(F(1-\varepsilon))} {2\varepsilon F} \]

这样做的好处是：Deribit、Binance、OKX 不需要原生返回 Speed，只要我们有 Strike、DTE、IV 和 Forward，就可以按同一个模型自己算。

我更喜欢看“单位权利金买到了多少凸性”

单独比较 Gamma 也有问题，因为 ATM 期权通常 Gamma 很高，但权利金也贵。

于是可以构造一个很粗但实用的凸性效率指标：

\[ GammaEfficiency=\frac{\Gamma F^2}{Premium} \]

它不是新的金融定律，只是一个排序指标：同样花 1 美元权利金，哪一张合约给了我更多二阶价格暴露。

最终第一维不是找“Delta 最小”或“Gamma 最大”，而是找：

方向暴露还没完全释放，但 Gamma 正在有利区域、Speed 有加速潜力，而且凸性相对权利金并不贵的合约。

还有一个常见误区需要单独说清楚：Delta 翻倍，不等于期权价格翻倍。 Delta 是边际敏感度，不是价格倍率。真正形成期权爆发的，是标的价格持续移动、Gamma 凸性、剩余时间和 IV 变化共同作用的结果。

三、第二维：DTE——不要先问“买几天”，先问“行情什么时候兑现”

传统教材讲 DTE，往往只讲一句话：越临近到期，Theta 越快。

这当然没错，但对真正选合约还不够。

如果我的判断是“BTC 未来 48 小时可能突破”，和“未来一个月风险偏好持续恢复”，虽然方向都是看多，却不应该买同一个 Expiry。

在加密市场里，我会用四组信息一起判断期限：

预期兑现时间 + ATM IV 期限结构 + 期货 Basis + 永续 Funding。

1. 先看自己的预测周期

这是最容易被忽略的输入。

如果策略本身只能给出未来 3～5 天的方向优势，买一张 90 天期权可能浪费太多长期时间价值；反过来，如果基本逻辑需要两周兑现，却去买明天到期的期权，就算方向最终正确，也可能先被 Theta 清零。

所以选 Expiry 的第一条原则不是“近月 Gamma 大”，而是：

DTE 必须覆盖我的预测窗口，并留出一定误差。

预测“什么时候发生”本身，就是期权交易的一部分。

2. 再看 ATM IV Term Structure

把每个到期日 ATM 附近的 IV 连起来，就是最简单的波动率期限结构。

例如：

            text
            
            
3D ATM IV     78%
7D ATM IV     72%
14D ATM IV    61%
30D ATM IV    58%
60D ATM IV    56%

这说明市场正在给近期风险支付很高的溢价。

此时如果我的方向观点只是“短期看涨”，买 3D Call 可能同时做了两件事：买方向，也买了一份非常昂贵的短期波动率。

如果标的上涨但事件落地后 IV 从 78% 掉到 60%，Vega 损失完全可能吃掉一部分 Delta 收益。

因此 DTE 选择不只是 Theta 管理，也是波动率期限价格管理。

3. Basis 和 Funding 用来判断“拥挤度”，不是直接当方向信号

Crypto 和商品期货最大的不同之一，是永续合约和资金费率非常重要。

如果出现：

            text
            
            
永续 Funding 持续很高
+ 远期合约 Basis 明显为正
+ 近端 Call Skew 很贵

它至少说明多头表达已经很拥挤。即使我仍然看涨，也应该重新问一次：

我现在是不是在用最高的价格买市场最热门的方向？

反过来，Funding 很负也不能自动推出“应该买 Call”。Funding 和 Basis 可以长期保持极端，它们描述的是持仓需求、融资和期限价格，不是一个单独就能稳定预测涨跌的指标。

在这个模型里，它们的作用更像一个期限和拥挤度过滤器。

第二维最后输出什么？

我不会让程序直接输出“买 7 天”。它应该给候选期限打一个 Timing Score，至少综合：

            text
            
            
预测窗口是否被覆盖
Theta / Premium 是否过高
ATM IV 是否处于异常贵的期限
Basis / Funding 是否显示方向过度拥挤
该期限是否有足够流动性

最终留下两个或三个 Expiry，再进入下一维。

四、第三维：IV Smile / Skew / Surface——方向没错，也别买最贵的那张

如果第一维决定“买哪一段 Strike”，第二维决定“买哪个到期日”，第三维就是在问：

同一个方向、同一个期限里，这张期权的波动率价格是不是合理？

这是我认为加密版本比单纯看 Delta 更值得做量化的地方。

先别直接用 Strike，改用 Log-Moneyness

不同到期日对应的 Forward 不一样，所以直接拿 \(K-F\) 比较并不理想。

统一使用：

\[ k=\ln(K/F) \]

再把隐含波动率转换成总方差：

\[ w(k)=IV(k)^2T \]

这样不同期限之间的曲线更容易统一处理。

为什么不能只拟合一个对称的“微笑”

BTC 和 ETH 期权经常不是左右对称的。某一阶段 Put 会因为避险需求明显更贵，另一阶段远虚值 Call 又可能因为追涨和结构化需求被抬高。

如果模型强制满足：

            text
            
            
距离 ATM +10% 的 Call
=
距离 ATM -10% 的 Put

就会把真正有信息的 Skew 抹掉。

因此正式实现时，我更倾向于使用 SVI 一类允许偏斜的波动率曲线。经典 SVI 总方差形式可以写成：

\[ w(k)=a+b\left[\rho(k-m)+\sqrt{(k-m)^2+\sigma^2}\right] \]

它不是唯一选择。如果某个到期日有效报价很少，也可以先用更简单的非对称二次/三次平滑模型，重点不是追求最复杂，而是不能把明显的左右偏斜硬拟合成对称曲线。

“便宜”不是 IV 低，而是相对曲面低

假设某张 BTC Call 的 IV 是 55%。单独看 55% 没有意义。

如果同期限、相邻 Delta 的合理曲面应该在 62%，它可能偏便宜；如果合理曲面只有 48%，它反而很贵。

所以定义：

\[ IVResidual=IV_{market}-IV_{fair} \]

对于准备买入的期权，我尤其关心：

\[ AskResidual=AskIV-IV_{fair} \]

因为真正下单时我支付的是 Ask，而不是 Mark IV，也不是一条漂亮的中间价曲线。

这是实盘里很容易被忽略的一点。

一张期权可能显示：

            text
            
            
Mark IV    52%
Fair IV    54%

看上去“便宜 2 vol”。

但它真实盘口可能是：

            text
            
            
Bid IV     48%
Ask IV     58%

如果我是买方，真正能成交的是接近 58%，这张所谓“便宜期权”实际上根本不便宜。

再加入 25-Delta Skew

对于方向型交易，25 Delta Call 和 Put 很适合观察市场到底在给哪一边加价。

可以看两个简单指标：

\[ RR_{25}=IV_{25C}-IV_{25P} \]

\[ BF_{25}=\frac{IV_{25C}+IV_{25P}}{2}-IV_{ATM} \]

RR 更接近方向偏斜，BF 更接近两翼相对 ATM 的贵贱。

例如我看涨 BTC，但 25D Call 已经比 25D Put 贵很多，那么我不是不能做多，而是要承认自己正在买一条昂贵的 Call Wing。此时稍微靠近 ATM、换一个 Expiry，甚至换一个交易所，可能比简单追最虚值 Call 更划算。

五、Deribit、Binance、OKX 不应该是三套策略，而应该是一个候选池

做到这里，三家交易所开始真正发挥作用。

如果只看一个平台，我们只能回答：

这张期权相对“本交易所其他期权”贵不贵？

加入另外两个平台以后，可以再多问一层：

同样的 BTC 风险暴露，在别的平台是不是更便宜？

但这里不能直接把三个交易所相同 Strike 的权利金摆在一起比。

正确做法是先分别拟合每个平台自己的 Surface，再把它们投影到统一的 \((k,T)\) 坐标上。

例如对某个目标点：

            text
            
            
BTC
DTE ≈ 14 天
Delta ≈ 0.20 Call

我们可以得到：

            text
            
            
Deribit Fair IV
Binance Fair IV
OKX Fair IV

再做一个流动性加权的 Cross-Venue Consensus IV。

然后每一张实际候选合约同时拥有两个 Residual：

            text
            
            
Local Residual
= 当前 Ask IV - 本平台 Fair IV

Cross-Venue Residual
= 当前 Ask IV - 三平台共识 Fair IV

这样就能区分两种完全不同的“便宜”：

一种是某张合约在自己平台的 Smile 上掉进了局部洼地；另一种是整个交易所这一段波动率都比另外两家低。

后者可能来自真实的跨市场供需，也可能来自合约规格、保证金制度、结算方式、参与者结构不同，所以我不会把它直接叫“套利”。

跨交易所 IV 差异只是选品信息，不等于无风险套利空间。 真正做跨市场套利还要处理资金分布、保证金、交易费用、合约乘数、结算规则、转账时间和腿风险，这已经是另一套系统。

本文只做一件事：

如果我本来就想买一张方向型期权，三家里哪一张更值得进入最终候选。

六、第四维：流动性——没有成交能力的“低估”没有意义

期权曲面最容易产生假信号的地方，就是远端、冷门、没有成交的合约。

某张 Call 的 Mark IV 可能低得非常漂亮，但盘口是：

            text
            
            
Bid      20
Ask      35

算法如果只看 Mark IV，会把它排到第一名；真正下单以后，15 个点的价差直接把理论优势吃光。

所以第四维我更倾向于采用硬过滤，而不是给流动性一个小权重然后让其他分数把它“补回来”。

1. 相对买卖价差

\[ SpreadRatio=\frac{Ask-Bid}{(Ask+Bid)/2} \]

对方向买方来说，Spread 本质上就是刚进场就要承担的一部分亏损。

不同 DTE、不同 Delta 的合理阈值不同，因此我不会写一个永久有效的 3% 或 5%。更实用的方法，是比较同期限相邻合约的 Spread 分位数，例如只保留该期限流动性最好的 60%～70%。

2. 目标仓位的真实滑点

Best Ask 好看，不代表有足够数量。

如果计划买 20,000 美元权利金，就应该真正扫一遍 Order Book，计算：

\[ Slippage=\frac{VWAP_{entry}-BestAsk}{BestAsk} \]

而不是假定所有仓位都能在第一档成交。

三家交易所都有盘口接口，因此这个成本完全可以提前计算。

3. OI 与 Volume 分开看

Open Interest 高，说明有存量仓位；24 小时 Volume 高，说明最近真的有人交易。

我更喜欢二者一起使用，而不是只看一个。

            text
            
            
OI 很高 + Volume 很低

可能是一堆老仓位。

            text
            
            
OI 很低 + Volume 突然很高

可能是新合约、事件驱动，也可能只是短时交易。

真正稳定的候选，一般需要至少满足“有持仓基础 + 最近有成交 + 盘口没有明显断层”。

4. 报价必须新鲜

跨交易所扫描尤其要处理时间戳。

一个平台的数据比另外两个平台慢几秒，在快速行情里就足以制造假的 IV 洼地。所以候选记录里必须保留 quote_age_ms，超过阈值直接丢弃，不进入 Surface 拟合，也不参与跨平台比较。

七、把四维连起来：从“看多 BTC”到最终 Top 3

现在假设我的上层策略只给了三个输入：

            text
            
            
Underlying: BTC
Direction:   Long
Horizon:     7 days

它并没有告诉我买哪张 Call。

选品器的完整流程可以写成：

            text
            
            
                 方向信号：BTC 看涨，预计 7 天兑现
                              │
                              ▼
          Deribit + Binance Options + OKX Options
                              │
                              ▼
                 拉取全部可交易 Call 合约
                              │
                              ▼
        标准化价格、合约乘数、Forward、DTE、Greeks
                              │
                              ▼
              第一层：Delta 初筛（例如 0.10~0.30）
                              │
                              ▼
              Gamma / Speed / 凸性效率排序
                              │
                              ▼
       第二层：DTE + ATM IV Term Structure + Basis/Funding
                              │
                              ▼
               只保留最匹配的 2~3 个 Expiry
                              │
                              ▼
            第三层：分别拟合各交易所 IV Surface
                              │
                              ▼
        Local Residual + Cross-Venue Residual 找相对低估
                              │
                              ▼
          第四层：Spread / Depth / OI / Volume / Stale
                              │
                              ▼
                        最终 Top 3

我不建议一开始就把所有东西压成一个“神奇总分”。更稳妥的方式是：先硬过滤，再分层排序。

例如：

            python
            
            
# 伪代码，只表达流程
candidates = load_options_from_deribit_binance_okx("BTC")
candidates = normalize_contracts(candidates)

# 方向与基础可交易性
candidates = [x for x in candidates if x.option_type == "CALL"]
candidates = [x for x in candidates if 0.10 <= x.delta_norm <= 0.30]
candidates = [x for x in candidates if not x.stale]
candidates = [x for x in candidates if x.depth_slippage <= MAX_SLIPPAGE]

# 凸性
for x in candidates:
    x.speed = calc_speed_by_bump(x)
    x.gamma_eff = x.gamma_norm * x.forward**2 / x.ask_price_usd

# 时间
expiries = rank_expiry_by_horizon_term_structure_basis(candidates, horizon_days=7)
candidates = keep_selected_expiries(candidates, expiries)

# IV Surface
surfaces = fit_surface_by_venue_and_expiry(candidates)
for x in candidates:
    x.fair_iv = surfaces[x.venue, x.expiry].iv(x.log_moneyness)
    x.ask_residual = x.ask_iv - x.fair_iv

# 流动性与成本
candidates = hard_liquidity_filter(candidates)

# 最终排序
top3 = rank_candidates(candidates)[:3]

真正实现时，可以把阈值全部改成分位数，让 BTC、ETH、不同波动环境自动适应，而不是长期写死一个值。

八、最后一步我不会直接下单，而是做一次“情景重定价”

四维筛选之后还有一个非常重要的检查：

如果我的方向判断真的按预期兑现，这张期权究竟能赚多少？

因为 Gamma 高、IV 便宜、流动性好，仍然不代表收益一定满足交易目标。

假设上层模型给出：

            text
            
            
当前 BTC Forward: F
预计 5 天后:      F × 1.06
预计 IV 变化:     -3 vol / 0 / +3 vol

就可以对每个候选分别重定价：

\[ V_{exit}=OptionPrice(F_{scenario},K,T-5d,IV_{scenario}) \]

再扣掉真实入场 Ask、预计退出 Spread 和手续费：

\[ NetPnL=V_{exit}-EntryAsk-ExitCost-Fee \]

我一般至少跑三种 IV 情景：

            text
            
            
方向兑现 + IV 下跌
方向兑现 + IV 不变
方向兑现 + IV 上升

如果一张 Call 只有在“BTC 大涨且 IV 继续暴涨”时才有漂亮收益，那说明它其实是一个非常苛刻的双重押注。

相反，如果 BTC 按预期上涨，即便 IV 回落几 vol，它仍然能维持可接受收益，这种合约才更符合“用期权表达方向”的原始目的。

这一步也把前面的 Greeks 重新放回正确的位置：Greeks 是局部敏感度，最终交易判断仍然应该回到完整重定价和真实成交成本。

九、三家交易所各自最适合在系统里扮演什么角色

从搭建模型的角度，我不会简单评价哪家“最好”，而是更愿意把它们当作三个互相校验的市场。

Deribit：适合做主曲面与高频 Greeks 数据源

Deribit 的 ticker / WebSocket ticker 本身就能提供 bid IV、ask IV、mark IV、Greeks、OI 和行情数据，期权工具链非常集中。做 BTC/ETH 波动率 Surface 时，它很适合作为主数据源之一。

另外，Deribit 还提供历史波动率和波动率指数相关接口，后续如果要把“当前 IV 贵不贵”扩展到 IV-RV、DVOL 或历史分位数，也比较顺手。

Binance Options：适合做第二报价中心和 USDT 生态对照

Binance 的 /eapi/v1/mark 直接给出 bidIV、askIV、markIV 以及 Delta、Gamma、Theta、Vega；ticker、openInterest、depth 又能补齐成交、持仓和盘口。

对选品系统来说，它最大的价值不只是“又多一个交易所”，而是可以帮助判断：Deribit 某一段 Smile 的便宜/昂贵，到底是局部现象，还是全市场都在这么定价。

OKX Options：适合做独立 Surface 与 Forward 校验

OKX 的 /api/v5/public/opt-summary 对这套模型非常友好，因为返回数据里除了 Delta/Gamma/Vega/Theta，还有 deltaBS、gammaBS、thetaBS、vegaBS、markVol、bidVol、askVol、fwdPx 和 ATM 波动率相关字段。

也就是说，一次请求就能拿到很多构建 Smile、Skew、Forward 和 Greeks 校验所需的信息。再配合 public/open-interest 和盘口接口，可以独立形成一套完整候选池。

最终三家数据应该互相校验，而不是互相替代。

十、真正值得自动化的不是“预测涨跌”，而是把观点翻译成合约

现在很多量化策略都把大量精力放在方向信号上：趋势、动量、机器学习、订单流、链上数据，最后输出一个 Long 或 Short。

但如果执行工具从期货换成期权，方向信号只完成了一半。

同一句：

            text
            
            
未来一周 BTC 偏多

可以被翻译成完全不同的风险结构：

            text
            
            
3D 40Delta Call
7D 20Delta Call
14D 15Delta Call
30D ATM Call
Call Spread

这些头寸方向都叫“看涨”，实际对价格、时间和波动率的敏感度完全不同。

所以我认为一个比较合理的系统架构应该是：

            text
            
            
方向模型
   ↓
输出：方向 + 置信度 + 预测期限 + 预期幅度
   ↓
期权选品器
   ↓
Delta / Gamma / Speed
DTE / Term Structure
IV Surface / Skew
Liquidity / Cost
   ↓
情景重定价
   ↓
Top 3 合约
   ↓
风险预算决定最终仓位

这里有一个很重要的变化：

我们不再问“哪张期权最便宜”，而是问“哪张期权最适合表达当前这一个预测”。

这是两个完全不同的问题。

十一、风险：买方最大亏损有限，不代表策略风险小

方向型买方最大的优点，是单笔最大损失通常可以被权利金预算明确限制。

但这很容易制造另一个错觉：反正最多亏权利金，所以可以一直买。

真正危险的是连续的小额归零。

如果一个模型每次都去买低 Delta、短 DTE 的期权，它可能长期呈现：

            text
            
            
单笔最大亏损很小
胜率很低
Theta 长期为负
Spread 长期为负
偶尔一次爆发赚很多

这类收益分布到底有没有正期望，不能靠“亏损有限”证明。

所以四维选品器解决的只是：在已经决定使用期权表达方向以后，减少明显不合理的合约选择。

它不能替代：

• 方向模型本身的统计优势；
• 单笔权利金预算；
• 每日/每周最大亏损；
• 同方向集中度限制；
• 跨交易所资金和操作风险；
• 对极端行情、IV 崩塌和流动性消失的压力测试。

尤其要记住，所谓“IV 低估”只是模型相对价格，不代表它一定会向拟合值回归。Surface 本身也会移动。

结语：期权不是“带保险的期货”，而是一张可以设计的收益曲线

如果只用一句话总结这套方法，就是：

方向看对，只说明你解决了 Delta 的符号；真正决定期权交易质量的，是你同时买下了多少 Gamma、付出了多少 Theta、买贵还是买便宜了 Vega，以及最后能不能以合理价格成交。

加密期权的优势恰恰在于，这些数据高度结构化。

Deribit、Binance Options 和 OKX Options 都提供了足够完整的公开 API，让我们可以把传统期权交易里“盯着 T 型报价凭经验选合约”的过程，改造成一个可重复的程序：

            text
            
            
方向
→ Strike
→ Expiry
→ IV Surface
→ Liquidity
→ Cross-Venue Compare
→ Scenario Repricing

未来如果继续往前走，我更感兴趣的并不是再加第五个指标，而是把这套选择器与上层方向模型完全分开：让方向模型只负责预测“往哪走、多久、可能走多远”，让期权模块专门负责寻找最合适的风险表达。

到那一步，期权不再只是“看涨买 Call、看跌买 Put”的交易按钮，而真正变成了一套可以计算、筛选和设计的收益函数。

策略源码