Гамма-флип: Технический разбор перехода от диапазона к тренду и механика алгоритмического хеджирования / forpes.ru

Главная
Гамма-флип: Технический разбор перехода от диапазона к тренду и механика алгоритмического хеджирования

Гамма-флип: Технический разбор перехода от диапазона к тренду и механика алгоритмического хеджирования +3

18.04.2026 10:06

LehausIT 2 6300 Источник

Современные финансовые рынки претерпели фундаментальную структурную трансформацию. Если в предыдущие десятилетия ценообразование активов и биржевых индексов определялось преимущественно макроэкономическими факторами, корпоративными отчетами и фундаментальным анализом, то сегодня архитектура рынка во многом подчинена рынку производных финансовых инструментов (деривативов).

Рынок опционов, а в особенности сегмент контрактов с нулевым сроком до экспирации (те самые 0DTE), разросся до таких абсурдных масштабов, что объемы торгов по ним зачастую превышают объемы торгов самими базовыми активами. В этой новой парадигме традиционные рыночные нарративы просто отходят на второй план. Главным драйвером внутридневной волатильности стала сухая, механическая вещь - хеджирование опционных позиций маркетмейкерами.

Чтобы во всем этом разобраться и научиться предсказывать смену рыночного режима, алгоритмические фонды и квантовые аналитики используют один ключевой сигнал. Он называется «Гамма-флип» (Gamma Flip).

В этой статье мы проведем детальный разбор архитектуры Гамма-флипа.

Микроструктура рынка: Императив дельта-хеджирования

Для глубокого понимания природы Гамма-флипа необходимо рассмотреть базовые принципы работы маркетмейкеров (дилеров). Маркетмейкер - это профессиональный участник рынка, обеспечивающий ликвидность путем непрерывного выставления двусторонних котировок (bid и ask).

В отличие от направленных трейдеров, хедж-фондов или нас с вами, дилеры вообще не пытаются угадать, куда пойдет рынок. Они зарабатывают на спреде и комиссиях. Их главная цель - свести свой направленный рыночный риск к абсолютному нулю.

Но вот в чем загвоздка. Когда вы (или крупный институционал) покупаете опцион Call, маркетмейкер выступает продавцом. Он занимает короткую позицию. В этот момент дилер принимает на себя направленный риск: если цена базового актива начнет стремительно расти, дилер понесет неограниченные убытки. Чтобы нейтрализовать этот риск, дилер применяет стратегию динамического дельта-хеджирования.

Математический аппарат: Дельта и Гамма

В рамках модели Блэка-Шоулза-Мертона (BSM), цена опциона является функцией цены базового актива , времени до экспирации , безрисковой процентной ставки, цены исполнения (страйка) и подразумеваемой волатильности $\sigma$ .

Дельта ( $\Delta$ ) - это греческий коэффициент первого порядка, отражающий чувствительность цены опциона к бесконечно малому изменению цены базового актива:

$\Delta = \frac{\partial V}{\partial S}$

Для опциона Call Дельта принимает значения от 0 до 1, для опциона Put - от -1 до 0. Если инвестор покупает опцион Call с дельтой 0.50 (что эквивалентно 50 акциям, так как стандартный опционный контракт на фондовом рынке США включает 100 акций базового актива), дилер продает этот опцион и получает позицию с дельтой -0.50. Для хеджирования этой короткой экспозиции дилер покупает на спотовом рынке 50 акций базового актива. Довольно круто: теперь совокупная дельта портфеля дилера равна нулю (он становится дельта-нейтральным).

Однако рынок не статичен. Дельта изменяется каждую миллисекунду в зависимости от движения цены базового актива. Скорость этого изменения измеряется Гаммой ( $\Gamma$ ) - греческим коэффициентом второго порядка. Математически Гамма является второй производной цены опциона по цене базового актива:

$\Gamma = \frac{\partial \Delta}{\partial S} = \frac{\partial^2 V}{\partial S^2}$

Гамма определяет кривизну функции цены опциона. Чтобы понять влияние Гаммы на финансовый результат дилера (PnL), необходимо применить разложение функции цены опциона в ряд Тейлора. Изменение цены портфеля $\Delta V$ при небольшом изменении цены базового актива $\Delta S$ можно аппроксимировать следующим образом:

$\Delta V \approx \Delta \cdot (\Delta S) + \frac{1}{2}\Gamma \cdot (\Delta S)^2 + \Theta \cdot (\Delta t) + \nu \cdot (\Delta \sigma)$

Обратите внимание на один важный момент: при дельта-нейтральном портфеле( $\Delta = 0$ ), доминирующим фактором, определяющим риск при резких ценовых движениях, становится именно Гамма.

Гамма как акселератор ликвидности

Гамма всегда положительна для длинных опционных позиций (купленные Call и Put) и всегда отрицательна для коротких позиций (проданные Call и Put). Наибольшее значение Гамма принимает, когда опцион находится «около денег» (At-The-Money, ATM), то есть когда страйк равенили близок к текущей цене спот . По мере приближения к дате экспирации (особенно в случае контрактов 0DTE), профиль Гаммы сужается и приобретает форму экстремального пика вокруг страйка.

Наличие Гаммы означает, что процесс дельта-хеджирования является динамическим. Дилер не может купить акции для хеджирования один раз и благополучно забыть о позиции до экспирации. При малейшем изменении цены базового актива Дельта опциона изменяется (со скоростью, определяемой Гаммой), и дилер обязан снова и снова докупать или продавать базовый актив на открытом рынке, чтобы восстановить нулевую Дельту. Именно эта вынужденная, механическая алгоритмическая торговля дилеров формирует так называемые структурные потоки (structural flows), способные радикально менять микроструктуру рынка.

Оцифровка дилерского позиционирования

Чтобы превратить это теоретическое влияние Гаммы в реальный инструмент для прогнозирования рыночных движений, квантовые аналитики ввели метрику Gamma Exposure (GEX).

Если говорить просто, GEX - это агрегированная оценка совокупной гамма-экспозиции дилеров по всей цепочке опционов (по всем доступным страйкам и датам экспирации), взвешенная по объему открытого интереса (Open Interest, OI). Наша цель здесь предельно прагматична: мы хотим квантифицировать объем и направление потенциальных потоков дельта-хеджирования маркетмейкеров в ответ на изменение цены актива.

Формула и алгоритм расчета GEX

Хотя единого академического стандарта не существует, в индустрии алгоритмического трейдинга используется вполне универсальный подход. Мы вычисляем номинальную стоимость гамма-экспозиции - то есть сколько долларов США потребуется купить или продать на каждый 1% изменения цены базового актива.

Формула для расчета GEX отдельного страйка для конкретного опционного контракта имеет следующий вид:

$GEX_{contract} = \Gamma \times OI \times Contract\_Multiplier \times S^2 \times 0.01$

Где:

$\Gamma$ (Gamma): Единичная теоретическая гамма опциона (рассчитываемая по модели Блэка-Шоулза или извлекаемая по API от брокера).
OI (Open Interest): Открытый интерес (количество незакрытых контрактов) на данном страйке.
Contract Multiplier: Размер контракта (традиционно 100 для фондового рынка США).
(Spot): Текущая рыночная цена базового актива. Умножение на квадрат цены спота () необходимо для перехода от гаммы (которая выражается в количестве акций на $1 изменения цены) к долларовому эквиваленту номинального объема, который потребуется купить или продать при 1% сдвиге базового актива.
0.01: Коэффициент, приводящий значение к 1% изменению цены.

Основное допущение позиционирования

Но вот в чем главная проблема. Биржа дает нам объемы торгов и открытый интерес, но она не говорит, кто именно купил, а кто продал опцион. Как нам понять, на какой стороне находится маркетмейкер?

Для расчета совокупной чистой гамма-экспозиции всего рынка (Net GEX) нам необходимо сделать так называемое «Основное допущение дилера» (The Dealer Assumption).

Классическая количественная модель опирается на то, как обычно используют опционный рынок институциональные фонды и розничные инвесторы. У них две основные цели: генерация дополнительного дохода на существующих портфелях и хеджирование хвостовых рисков. Инвесторы систематически продают опционы Call «вне денег» (стратегия Covered Call) для получения премии, и покупают защитные опционы Put «вне денег» для защиты от обвалов.

Поскольку маркетмейкеры выступают контрагентами по всем этим сделкам, предполагается, что в базовом состоянии рынка:

Дилеры покупают опционы Call. Следовательно, они находятся в позиции Long Call (что дает им положительную гамму).
Дилеры продают опционы Put. Следовательно, они находятся в позиции Short Put (что дает им отрицательную гамму).

Основываясь на этой эвристике, мы можем вычислить совокупный Net GEX рынка. Для этого мы просто складываем гамма-экспозицию всех опционов Call и вычитаем гамма-экспозицию всех опционов Put:

$Net~GEX = \sum_{i=1}^{N_{calls}}(GEX_{Call_i}) - \sum_{j=1}^{N_{puts}}(GEX_{Put_j})$

Что нам дает эта цифра? Допустим, Net GEX для индекса S&P 500 составляет +$5 миллиардов. Это означает, что на каждый 1% изменения индекса алгоритмы маркетмейкеров механически сгенерируют ордера на сумму около $5 миллиардов для ребалансировки своих дельта-нейтральных портфелей. Эти цифры не являются теоретической абстракцией - они транслируются в реальный поток заявок (order flow), напрямую воздействующий на биржевой стакан и структуру ликвидности.

Два режима ликвидности: Положительная и Отрицательная Гамма

Знак чистой гамма-экспозиции (Net GEX) - это не просто очередная статистическая метрика. Это фундаментальный индикатор того, в каком макро-режиме живет рынок прямо сейчас. В зависимости от того, находится ли совокупная позиция дилеров в плюсе или в минусе, их алгоритмы хеджирования будут либо надежно стабилизировать, либо жестоко дестабилизировать базовый актив.

Режим Положительной Гаммы (Dealers Long Gamma)

Когда Net GEX > 0, маркетмейкеры в совокупности обладают длинной гаммой. Обычно этот режим мы наблюдаем на устойчивых, спокойных бычьих рынках. Институционалы методично продают опционы Call, а дилеры, забирая их, встают в позицию Long Call.

Механика хеджирования: В позиции с положительной гаммой математическая структура Дельты работает очень предсказуемо. Она увеличивается (тянется к +1) при росте цены базового актива и уменьшается (падает к 0) при ее снижении. Чтобы оставаться дельта-нейтральным, алгоритм маркетмейкера обязан постоянно совершать контр-трендовые операции:

При локальном росте цены (Spot $\uparrow$ ): Дельта длинного опциона Call растет. Дилер внезапно понимает, что он перегружен «длинной» позицией (over-hedged). Чтобы нейтрализовать этот перекос, алгоритм без эмоций начинает агрессивно продавать базовый актив (или фьючерсы на индекс) в стакан.
При локальном падении цены (Spot $\downarrow$ ): Дельта длинного Call падает. Дилеру теперь не хватает лонгов. Алгоритм начинает покупать базовый актив, выкупая просадку.

Структурное влияние на рынок: Такое контр-трендовое поведение (стратегия «Buy the dip, sell the rip») оказывает мощное стабилизирующее воздействие на рыночную микроструктуру. Дилеры фактически выступают амортизаторами волатильности. Они заливают рынок предложением на локальных пиках и подставляют «уровни» из заявок на покупку при падениях.

Волатильность: Радикально подавляется (Volatility Suppression). Индекс VIX спит на локальных минимумах.

Динамика: Рынок обожает возвращаться к среднему (Mean-Reverting). Происходит так называемый «пиннинг» (pinning) - цена базового актива притягивается к страйкам с максимальным открытым интересом, формируя узкие торговые диапазоны («боковики») с плавным восходящим дрейфом, который так бесит спекулянтов))).

Режим Отрицательной Гаммы

А вот здесь начинается самое интересное. Когда Net GEX < 0, маркетмейкеры оказываются в короткой гамме. Как они туда попадают? Обычно это случается, когда инвесторы в панике скупают защитные опционы Put (загоняя дилеров в Short Put) перед каким-то макро-событием, или когда спекулянты агрессивно выкупают опционы Call 0DTE (вынуждая дилеров вставать в Short Call).

Механика хеджирования: Короткая гамма полностью ломает привычную геометрию риска. В этом режиме Дельта дилера уменьшается (уходит в минус) при росте цены и, наоборот, увеличивается (становится более отрицательной для Short Put) при падении. Выбор у алгоритмов небольшой: они вынуждены торговать проциклично, то есть строго по направлению тренда:

При росте цены (Spot $\uparrow$ ): Дилер, продавший Call или Put, обнаруживает, что его портфель становится все более структурно «коротким» по базовому активу. Чтобы не понести убытки и нивелировать риск, алгоритм вынужден срочно покупать базовый актив прямо в растущий рынок.
При падении цены (Spot $\downarrow$ ): Дилер перегружен «длинной» позицией в падающем рынке (Дельта проданного Put стремится к -1, но для продавца это означает рост длинной экспозиции). Спасая портфель, алгоритм начинает экстренно продавать базовый актив, заливая стакан маркет-ордерами на продажу.

Структурное влияние на рынок: Понимаете, что происходит? Такое проциклическое поведение («покупать на росте, продавать на падении») запускает абсолютно токсичную петлю положительной обратной связи, которая за секунды сжигает ликвидность в биржевом стакане. Алгоритмические покупки дилеров подстегивают дальнейший рост цены, что математически требует от них... еще больших покупок. А продажи дилеров ускоряют обвал, заставляя их шортить актив на все более низких уровнях.

Волатильность: Экспоненциально возрастает (Volatility Amplification).

Динамика: Рынок вываливается в состояние направленного, жесткого тренда (Momentum). Классические уровни поддержки из теханализа просто сносятся. Возникают реальные риски «флэш-крэшей» или направленных Гамма-сквизов.

Чтобы все это окончательно уложилось в голове, я собрал ключевые отличия этих двух режимов в небольшую таблицу:

Параметр микроструктуры	Положительная Гамма (Net GEX > 0)	Отрицательная Гамма (Net GEX < 0)
Доминирующая позиция дилера	Long Call, Long Put (чаще Long Call)	Short Call, Short Put (чаще Short Put)
Реакция алгоритма на рост спота	Продажа базового актива (ограничение роста)	Покупка базового актива (ускорение ралли)
Реакция алгоритма на падение спота	Покупка базового актива (поддержка)	Продажа базового актива (ускорение падения)
Влияние на реализованную волатильность	Подавление (Компрессия), VIX падает	Усиление (Экспансия), VIX растет
Типичный рыночный режим	Range-bound, Mean-reversion (Боковик)	Momentum, Flash-crash risk (Тренд)
Эффект на биржевой стакан	Дилеры генерируют ликвидность	Дилеры истощают (потребляют) ликвидность

Гамма-флип: Смена режима и рождение тренда

Итак, Гамма-флип (его еще называют Zero Gamma Level) - это расчетный ценовой уровень базового актива, при прохождении которого совокупная гамма-экспозиция дилеров пересекает нулевую отметку, превращаясь из плюса в минус (или наоборот).

Но учтите: С технической точки зрения, расчет Гамма-флипа не сводится к простому агрегированию текущего открытого интереса. Это сложный процесс симуляции. Квантовые системы берут текущую матрицу открытого интереса и запускают симуляцию Блэка-Шоулза-Мертона, сдвигая гипотетическую цену спот вверх и вниз с определенным шагом (например, на $\pm 10\%$ ). На каждом шаге пересчитывается единичная гамма для десятков тысяч страйков. Сумма этих значений на каждом шаге формирует кривую GEX. Точка пересечения этой кривой с осью (где Net GEX = 0) математически является Гамма-флипом.

Механика перехода от диапазона к тренду

Важно уяснить одну вещь: Гамма-флип - это не классический уровень поддержки или сопротивления, от которого цена обязана отскочить. Цена может прошить его насквозь, вообще не заметив, потому что в самой этой точке GEX равен нулю, и алгоритмическое давление дилеров минимально. Гамма-флип - это точка бифуркации. Это рубеж, за которым физика рынка начинает работать по другим законам.

Пока мы находимся выше уровня Гамма-флипа (в теплой и уютной зоне положительной гаммы), любые попытки рынка уйти в глубокую коррекцию пресекаются жесткими алгоритмическими покупками дилеров. На графиках формируются так называемые "Call Walls" (сопротивления с максимальной концентрацией гаммы колл-опционов) и "Put Walls" (соответственно, поддержки). Цена послушно осциллирует между ними.

Но что происходит, когда случается шок (вышла плохая статистика, геополитика) или просто крупный блок опционов распадается по времени, заставляя цену пробить уровень Гамма-флипа вниз? Происходит фундаментальный сдвиг механики:

Потеря амортизатора: Как только цена закрепляется ниже флипа, дилерский консорциум оказывается в зоне тотальной отрицательной гаммы (преимущественно Short Put).
Запуск каскада продаж: Вместо того чтобы покупать просадку, алгоритмы управления рисками дилеров отдают жесткий приказ на продажу базового актива (или деривативов на него, например фьючерсов E-mini S&P 500), чтобы захеджировать растущую короткую дельту.
Рождение тренда: Эти институциональные продажи давят на цену, проталкивая ее еще ниже. Дальнейшее снижение делает гамму коротких путов еще более агрессивной (так как они становятся ATM), требуя новых раундов экстренных продаж. Возникает самоподдерживающийся нисходящий тренд, сопровождающийся параболическим ростом индекса VIX.

Как показывает детальный анализ рыночной микроструктуры, именно этот переход от стабилизации к амплификации является скрытой причиной того, почему рынки могут неделями игнорировать плохие новости, находясь в боковике, но внезапно и агрессивно обваливаются «без видимых причин», когда пересекается невидимый невооруженному глазу уровень позиционирования опционов.

Феномен “Гамма-сквиз”

А теперь представьте обратную, еще более агрессивную ситуацию. Возникает она при стремительном росте актива, который изначально находился в зоне глубоко отрицательной гаммы. Это состояние рождает знаменитый феномен "Gamma Squeeze" (Гамма-сквиз).

Сценарий Гамма-сквиза обычно инициируется массовой, скоординированной скупкой опционов Call розничными или институциональными спекулянтами. Дилеры, предоставившие ликвидность, оказываются в массированной позиции Short Call.

Изначально, пока цена актива низка, дельта этих OTM-опционов мала (например, 0.10, требуя от дилера держать всего 10 акций на контракт для хеджа). Но если локальный спрос подталкивает цену вверх, приближая ее к страйку (опционы становятся ATM), гамма опциона достигает своего математического пика. Дельта стремительно меняется с 0.10 до 0.50, а затем до 0.75.

Что это значит для рынка? На каждом центе роста маркетмейкеры обязаны бить маркет-ордерами по стакану, выкупая все больше и больше акций, вообще не глядя на фундаментальную оценку компании. Их вынужденные покупки подчистую высасывают ликвидность продавцов, вызывая дальнейший неконтролируемый рост цены. А рост цены снова увеличивает дельту шорт-коллов и требует новых покупок.

Возникает классическая алгоритмическая петля, которая сносит на своем пути любые уровни классического технического анализа.

Влияние структурных продуктов

Если мы хотим увидеть полную картину рынка, нам уже недостаточно смотреть только на стандартные опционы. Огромное, а на европейских и азиатских рынках - и вовсе доминирующее влияние на гамма-профиль институционалов оказывают сложные структурные продукты.

Самые опасные из них - это Autocallables, или просто Автоколлы. Если погрузиться в исследования по финансовому инжинирингу, можно отследить потрясающую вещь: как именно эти деривативы создают на графиках скрытые зоны абсолютно токсичной ликвидности.

Что такое Автоколл? По сути, это инвестиционный продукт, продаваемый розничным инвесторам, который предлагает аномально высокий купонный доход при условии, что цена базового актива (индекса) не падает ниже определенного барьера (Knock-In barrier). Кроме того, продукт предусматривает досрочное погашение (Autocall / Kick-out), если цена поднимается выше верхнего уровня на даты фиксации.

Токсичная Гамма барьерных опционов

Для инвестора это просто высокодоходная облигация. Но давайте посмотрим на это со стороны инвестиционного банка. Для них выпуск такого продукта - это сложнейший синтетический инжиниринг, который подразумевает продажу экзотических барьерных опционов (Down-and-In Puts и Digital Calls).

Главная проблема автоколлов - это уникальный, дико нелинейный профиль риска, который они вешают на банк-дилер:

Выше барьера (комфортная зона): Пока цена гуляет в нормальном диапазоне, у дилера всё прекрасно - он сидит в положительной гамме. Его ежедневное дельта-хеджирование мягко подавляет рыночную волатильность, методично стягивая цену индекса к уровню досрочного погашения (autocall trigger).
Угроза пробоя (режим негативной гаммы): Но что, если макроэкономический фон ухудшается и цена базового актива начинает пикировать к уровню защитного барьера (Knock-in barrier, который обычно располагается на 20-40% ниже первоначального спота), греки экзотического опциона начинают вести себя крайне агрессивно и нелинейно.
Локальный Гамма-флип на барьерах: При максимальном приближении к барьеру, гамма эмитента стремительно и скачкообразно уходит в глубокий минус. Инвестиционные банки, которые до этого момента стабилизировали рынок своими хеджами, внезапно, подчиняясь требованиям Basel III по контролю рисков, вынуждены агрессивно, рыночными ордерами продавать базовый актив или фьючерсы, чтобы хеджировать растущие убытки. Это генерирует колоссальный, однонаправленный поток продаж (short gamma flow).

Именно этот механизм концентрации скрытых «пулов отрицательной гаммы» вокруг барьерных значений автоколлов стал топливом для знаменитого события "Volmageddon" в феврале 2018 года. Он же стоял за резким ускорением обвала глобальных индексов на старте пандемии COVID-19 в марте 2020 года.

Когда значительный объем таких структурных продуктов одновременно начинает тестировать свои барьеры, вынужденное алгоритмическое хеджирование банков способно превратить рядовую, скучную 5-процентную коррекцию в полноценный рыночный крах с падением на 15-20%.

Из-за того, что вычислить эти эффекты классическими методами (вроде симуляций Монте-Карло) в реальном времени становится слишком долго и дорого, крупные банки сегодня массово переходят на использование нейросетей. Алгоритмы машинного обучения (Reinforcement Learning) берут на себя расчет XVA и оптимизацию процессов хеджирования этих опасных экзотических структур.

Греки второго порядка: Vanna и Charm

Гамма не функционирует в рыночном вакууме. Квантовые хедж-фонды и алгоритмические торговые дески (Market Plumbing desks) при прогнозировании Гамма-флипа обязаны учитывать другие греки второго порядка, которые выступают катализаторами смены режимов ликвидности.

«Греки» - это математические коэффициенты, представляющие собой частные производные модели ценообразования опционов. Они строго количественно оценивают чувствительность стоимости контракта к изменениям рыночных переменных (цены базового актива, времени до экспирации, волатильности).

Vanna: Инверсия корреляции через волатильность

Vanna ( $\nu$ ) - это грек второго порядка, формально определяемый как частная производная Дельты по подразумеваемой волатильности (или Веги по цене спота). Строгая метрика риска, измеряющая, насколько изменится направленная экспозиция портфеля при шоковом смещении IV на 1 пункт.

На фондовых рынках есть железобетонное правило: рынки падают -волатильность растет, рынки плавно растут -волатильность падает (обратная корреляция).

В режиме положительной гаммы (когда рынок спокоен), плавное снижение волатильности уменьшает «короткую» дельту дилеров по проданным путам.

(Опцион Put «в деньгах» (In-The-Money, ITM) - формальный статус контракта, при котором текущая рыночная цена базового актива опускается ниже цены исполнения (страйка), что наделяет опцион математической внутренней стоимостью и кардинально меняет его профиль риска.)

Чтобы сохранить баланс, алгоритмы дилеров вынуждены покупать базовый актив. Этот эффект создает феномен, известный как «эскалатор вверх» (escalator up) -постоянный, тягучий и нудный восходящий дрейф рынка на падающей волатильности.

Но! В опционном позиционировании существует крайне опасная математическая точка, которая называется Vanna Flip.

Если рынок резко просаживается вниз и крупные портфели защитных путов оказываются «в деньгах» (ITM), математическое влияние Ванны инвертируется. Рост подразумеваемой волатильности больше не заставляет дилеров покупать актив. Наоборот, алгоритмы хеджирования начинают изымать ликвидность из стакана, продавая актив, что синергически усиливает эффект отрицательной гаммы. Этот комбинированный флип (Gamma + Vanna) порождает цепную реакцию, приводящую к паническим спайкам индекса VIX и жестким ликвидациям. Для алгоритмического трейдера понимание уровня Vanna Flip является таким же критичным, как и локализация Гамма-флипа.

В Таблице 2 приведено краткое сравнение влияния греков второго порядка на потоки маркетмейкеров:

Грек второго порядка	Математический смысл	Типичное влияние в режиме Net GEX > 0	Реакция в кризис (Vanna/Gamma Flip)
Gamma ( $\Gamma$ )	$\frac{\partial \Delta}{\partial S}$ (Изменение Дельты от Спота)	Buy dip, sell rip (Амортизация)	Sell dip, buy rip (Амплификация)
Vanna ( $\nu$ )	$\frac{\partial \Delta}{\partial \sigma}$ (Изменение Дельты от Волатильности)	Падение IV вызывает мягкие покупки спота	Рост IV (после флипа путов ITM) вызывает агрессивные продажи
Charm	$\frac{\partial \Delta}{\partial t}$ (Изменение Дельты от Времени)	Формирование "Пассивного ветра" Вверх	Ускоренное схлопывание дельты перед экспирацией (OpEx)

Charm: Гравитация временного распада

Charm ( $\Theta_t$ ), - это грек второго порядка, определяемый как частная производная Дельты по времени, оставшемуся до экспирации контракта. Он строго измеряет скорость изменения направленной экспозиции при условии неизменности прочих рыночных параметров.

Для опционов «вне денег» (OTM) по мере течения времени вероятность их исполнения тает на глазах. Соответственно, их Дельта асимптотически стремится к нулю.

Давайте представим ситуацию: маркетмейкер держит огромный портфель проданных OTM путов (Short Put OTM). Для хеджирования этой позиции он ранее продал базовый актив (то есть зашортил дельту). Однако, каждый божий день неумолимый распад времени (Charm) естественным образом уменьшает отрицательную дельту его опционов. Чтобы сохранить портфель дельта-нейтральным, маркетмейкер должен постепенно, изо дня в день, откупать базовый актив обратно.. Этот эффект называют "passive wind" (пассивный ветер). Именно массивные Чарм-потоки дилеров часто дают исчерпывающее объяснение рыночным парадоксам, когда биржевой индекс необъяснимо и упрямо ползет вверх в последнюю неделю перед крупной экспирацией (OpEx) и выходными, полностью игнорируя негативный макроэкономический новостной фон. Маркетмейкеры не прогнозируют рост -они просто алгоритмически вынуждены покупать базовый актив из-за неумолимого временного распада их опционных книг.

Наш опыт

Буду с вами предельно честен. Мы с коллегой разрабатываем собственный торговый алгоритм и попытались частично перенести концепцию оценки рыночных дисбалансов из классического квант-мира в нашу систему.

Конечно, мы добавили туда собственные наработки (включая Z-Score метрики и кастомные фильтры волатильности типа индикатора SWT) и прогнали алгоритм через тысячи бектестов. Сразу оговорюсь: мы пока сознательно не лезем в традиционный фондовый рынок. Инфраструктурно и организационно для независимого тестирования такого пайплайна в разы лучше подходит криптовалютный рынок. Да, там нет такого доминирующего влияния маркетмейкеров через опционы на индекс, но математика детекции перегревов, дисбалансов ликвидности и возврата к среднему работает по очень схожим лекалам.

На данный момент наша стратегия еще не доказала свою абсолютную неуязвимость на реальном рынке, но в скором времени у нас запланирован тестовый запуск. Сейчас мы активно отлаживаем бэкенд: боремся с задержками, настраиваем асинхронные коннекты к биржам и оптимизируем пулы соединений PostgreSQL (asyncpg), чтобы обрабатывать минутные таймфреймы без зависаний.

По понятным причинам мы не можем выложить в открытый доступ готовую логику наших триггеров на вход и выход. Однако все разработкой, разбором багов, архитектурой дашбордов и промежуточными результатами мы делимся в нашем Telegram-канале: Ссылка. Если тема алгоритмического трейдинга и разработки вам близка -заглядывайте, будем рады пообсуждать.

Чтобы не быть голословными и показать, как мы технически подходим к расчету экстремумов, ниже я приведу упрощенную вариацию нашего скрипта.

Моя личная рекомендация: сохраните эту статью, скопируйте ее текст в любую продвинутую нейросеть и попросите ИИ: Осмыслить данную механику - Гамма-флипа, как можно интегрировать данный анализ дисбалансов в вашу текущую торговую стратегию. Вы удивитесь, какие нестандартные и глубокие идеи может сгенерировать алгоритм, если скормить ему правильный технический контекст.

Инженерная реализация: Расчет Гамма-профиля на Python

Основная задача первой фазы -получить доску опционов (Option Chain) для заданного актива (например, индекса SPX).

import numpy as np
import pandas as pd
from scipy.stats import norm
import yfinance as yf
import datetime

# 1. Определение базовых параметров
ticker_symbol = "^SPX"
ticker = yf.Ticker(ticker_symbol)

# Получение текущей цены базового актива (Spot)
spot_history = ticker.history(period="1d")
spot_price = spot_history['Close'].iloc[-1]
risk_free_rate = 0.05 # Безрисковая ставка (например, доходность 10-летних treasuries)

# 2. Получение доски опционов (Option Chain)
options_dates = ticker.options
# Для упрощения берем ближайшую экспирацию (0DTE или ближайшие дни)
nearest_expiry = options_dates
chain = ticker.option_chain(nearest_expiry)

calls = chain.calls
puts = chain.puts

Векторизированный расчет по модели Блэка-Шоулза

Формулы для расчета и $\Gamma$ :

$d_1 = \frac{\ln(S/K) + (r + \sigma^2 / 2)t}{\sigma \sqrt{t}}$ $\Gamma = \frac{\phi(d_1)}{S\sigma\sqrt{t}}$

Где $\phi(d_1)$ - функция плотности стандартного нормального распределения.

def calculate_gamma(S, K, T, r, sigma):
    """Вычисляет теоретическую Гамму опциона по модели Блэка-Шоулза."""
    # Предотвращение ошибки деления на ноль для экспирирующихся контрактов
    T = np.maximum(T, 1e-5)

    d1 = (np.log(S/K) + (r + 0.5 * sigma**2) * T) / (sigma * np.sqrt(T))

    # Использование scipy.stats.norm.pdf для функции плотности
    gamma = norm.pdf(d1) / (S * sigma * np.sqrt(T))
    return gamma

# Расчет времени до экспирации в годах (T)
# Предполагаем, что nearest_expiry распарсено корректно
expiry_date = datetime.datetime.strptime(nearest_expiry, '%Y-%m-%d')
today = datetime.datetime.now()

T_years = max((expiry_date - today).days / 365.25, 1e-5)

Квантификация GEX и агрегация по страйкам

На этом этапе применяется базовое допущение позиционирования дилеров: маркетмейкеры находятся в позиции Long Call и Short Put.Умножение на на $Spot^2 \times 0.01 \times 100$ (стандартный размер контракта мультипликатора) позволяет оценить воздействие в номинальных долларах на 1% сдвига базового актива. Путы обязательно умножаются на -1.

# Расчет GEX для опционов Call (Положительная гамма дилера)
calls['GEX'] = calls.apply(lambda row:
    calculate_gamma(spot_price, row['strike'], T_years, risk_free_rate, row['impliedVolatility']) *
    row['openInterest'] * 100 * (spot_price**2) * 0.01, axis=1)

# Расчет GEX для опционов Put (Отрицательная гамма дилера, инверсия знака)
puts['GEX'] = puts.apply(lambda row:
    calculate_gamma(spot_price, row['strike'], T_years, risk_free_rate, row['impliedVolatility']) *
    row['openInterest'] * 100 * (spot_price**2) * 0.01 * (-1), axis=1)

# Текущий Net GEX рынка
total_net_gex = calls['GEX'].sum() + puts['GEX'].sum()
print(f"Total Net GEX (Current Spot): ${total_net_gex:,.2f}")

Симуляция Гамма-профиля и локализация Zero Gamma Level

Агрегация GEX на текущем споте дает лишь статический срез. Чтобы найти Гамма-флип, алгоритм должен запустить цикл Монте-Карло или дискретную итерацию: он искусственно смещает цену spot_price в диапазоне от -10% до +10%, пересчитывает и гамму каждого из тысяч опционов на каждой итерации, и суммирует Total Net GEX для каждого гипотетического уровня цен.

# Создаем массив гипотетических цен спот (от -10% до +10%)
spot_range = np.linspace(spot_price * 0.90, spot_price * 1.10, 100)

# ДОПОЛНЕНИЕ: добавлена инициализация пустого массива
gamma_profile = []

for simulated_spot in spot_range:
    # Пересчет GEX Call для симулированной цены
    sim_call_gex = calls.apply(lambda row:
        calculate_gamma(simulated_spot, row['strike'], T_years, risk_free_rate, row['impliedVolatility']) *
        row['openInterest'] * 100 * (simulated_spot**2) * 0.01, axis=1).sum()

    # Пересчет GEX Put для симулированной цены
    sim_put_gex = puts.apply(lambda row:
        calculate_gamma(simulated_spot, row['strike'], T_years, risk_free_rate, row['impliedVolatility']) *
        row['openInterest'] * 100 * (simulated_spot**2) * 0.01 * (-1), axis=1).sum()

    net_gex_at_spot = sim_call_gex + sim_put_gex
    gamma_profile.append((simulated_spot, net_gex_at_spot))

# Преобразование в DataFrame для нахождения корня функции (Flip point)
# ДОПОЛНЕНИЕ: добавлены названия колонок для избежания ошибок парсинга
profile_df = pd.DataFrame(gamma_profile, columns=['Spot', 'Net_GEX'])

# Алгоритм нахождения точки Гамма-флипа (смена знака)
# Находим индексы, где произведение соседних GEX отрицательно (пересечение нуля)
# ДОПОЛНЕНИЕ: берем первый подмассив [0] результатов np.where
sign_changes = np.where(np.diff(np.sign(profile_df['Net_GEX'])))[0]

if len(sign_changes) > 0:
    # ДОПОЛНЕНИЕ: Извлекаем конкретное значение 'Spot'
    gamma_flip_index = sign_changes[0]
    gamma_flip_level = profile_df.iloc[gamma_flip_index]['Spot']
    print(f"Gamma Flip Detected at: {gamma_flip_level:.2f}")
else:
    print("No Gamma Flip detected within the +/- 10% range.")

Этот фрагмент программного кода является базовой матрицей для создания аналитических дашбордов, которые в реальном времени отслеживают микроструктурные дисбалансы.

Заключение

Сегодня биржевые тренды и консолидации диктуются не аналитиками, а суровыми математическими обязательствами банков и маркетмейкеров по управлению нелинейными рисками.

Гамма-флип (Zero Gamma Level) - это невидимый рубикон этой системы. Выше него дилеры работают как амортизаторы, сжимая волатильность в боковик. Но стоит алгоритмам пробить эту отметку вниз, как стабилизаторы превращаются в потребителей ликвидности. Запускается токсичный цикл: проциклические сделки, жесткие гамма-сквизы и параболический рост VIX.

Если добавить к этому взрывоопасные структурные продукты (автоколлы) и скрытое влияние греков второго порядка (Vanna и Charm), становится очевидна крайняя структурная хрупкость современных рынков.

Наш тг канал - ссылка.

Комментарии (2)

empenoso
18.04.2026 12:31
#29848436
0DTE нет в РФ

akod67
18.04.2026 12:31
#29848634
Gemini похвалил, но есть и критика:

Критика и слабые места (Институциональный взгляд)
1. «Проблема черного ящика» (Dealer Assumption) Автор упоминает «Основное допущение дилера» (Dealer Assumption), но недостаточно акцентирует внимание на его уязвимости.
Критика: Мы предполагаем, что ритейл всегда покупает путы и продает коллы. Однако крупные фонды часто используют сложные спреды (например, Put Spreads или Collars). В таких случаях расчет Net GEX может быть ложным. Если модель ошибается в том, «кто на какой стороне», уровень Гамма-флипа в реальности может оказаться на 20-30 пунктов выше или ниже расчетного.
1. Динамика во времени (Vanna и Charm) Статья фокусируется на Гамме, но практически игнорирует другие греки второго порядка, которые критичны для институциональных стратегий.
Vanna (чувствительность дельты к волатильности): При резком росте VIX маркетмейкеры вынуждены менять хедж, даже если цена базового актива стоит на месте.

Charm (чувствительность дельты к времени): К концу торговой сессии (особенно в пятницу) «распад» дельты заставляет дилеров закрывать позиции, что часто вызывает «Friday Afternoon Melt-up» или обвалы. Без учета Vanna и Charm анализ Гамма-флипа является неполным.
1. Эффект самоисполняющегося пророчества Критика: Автор описывает Гамма-флип как объективную физику рынка. Однако сегодня GEX-уровни отслеживают тысячи алгоритмов и хедж-фондов. Это приводит к тому, что ликвидность «исчезает» еще до подхода к уровню, или происходят ложные пробои, спроектированные для выбивания стопов тех, кто торгует «по учебнику Гамма-флипа».
2. Игнорирование «Dark Pools» и внебиржевых сделок (OTC) Критика: Расчет в статье базируется на открытом интересе (OI) публичных бирж (CBOE и т.д.). Но огромный объем опционных сделок институционалов проходит через OTC-рынок. Эти данные не попадают в стандартные формулы GEX, что делает итоговую цифру лишь «приблизительной оценкой».