從生物物理到選擇權交易#
班德（John Bender）擁有賓州大學生物物理學位，原本計畫成為研究型物理學家。他在大學期間曾投入光學顯微鏡三維影像的數學濾波研究，但對學術界必須花費 90% 時間撰寫研究經費申請書感到失望，於是轉向市場——他認為市場是運用其分析能力的絕佳場域。
班德從高中時期就開始研究選擇權市場，因為這是他將數學與機率思維付諸應用的有趣方式。畢業後，他從幾位職業賭徒（包括一位世界撲克冠軍與一位頂級雙陸棋選手）募得 8 萬美元，進入費城證券交易所擔任場內交易員。在五年多的時間裡，他將這筆本金滾到超過 700 萬美元；後來自行成立基金，年化報酬約 33%，最大回撤僅 6%。
核心洞察：質疑 Black-Scholes 的根本假設#
班德整套方法論的前提是：諾貝爾獎得主所建立、全球交易員普遍採用的選擇權定價理論——Black-Scholes 模型——在根本上是有缺陷的。
機率分配才是關鍵#
班德主張：「要在選擇權上賺錢，你不需要知道股價會走到哪裡；你只需要知道機率分配。」如果有人告訴他到期日股價的真實機率分配，他就能精確算出每個選擇權的價值。問題在於，沒有人知道真實的機率分配是什麼。
Black-Scholes 模型假設股價變動符合常態分配（更精確地說是對數常態分配）。班德反問：「是誰跑去告訴這些人這就是正確的機率分配？他們從哪裡得到這個想法？」
股價並非隨機漫步#
常態分配的合理性建立在「醉漢漫步」的隨機性上：每一步幅度相同、前後機率相等、固定時間間隔出現。班德指出股價根本不符合這些條件：
- 技術分析創造了支撐與壓力位，只要有夠多人相信，行為就會自我實現
- 資金流入特定類股會推動該類股上漲，績效再吸引下一波資金流入，形成趨勢
- 1990 年代後期保險公司與退休基金大幅提高股票配置，扭曲了市場結構
班德的論點不是要提出一個比 Black-Scholes 更好的「萬用模型」，而是強調正確的機率分配對每個市場、每個時段都不同，必須個案估計。
利用機率錯估構建價差部位#
1993 年黃金案例#
當時黃金在十三年下跌後突破 400 美元的心理關卡，大量趨勢追蹤型 CTA 進場做多。班德知道這些 CTA 的停損是依波動率設定，若價格跌至 390 美元附近，停損將被觸發並引發連鎖反應。
班德的判斷是：黃金幾乎不可能在 385 美元附近「平靜停留」，因為一旦觸及該水位，骨牌效應就會啟動。於是他建構了一組選擇權部位：
- 若黃金緩慢下跌至 385–390 並停在那裡，會虧錢
- 若黃金大跌，會大賺
- 若黃金維持不動或上漲，會小賺
結果俄羅斯宣布出售黃金，金價從 390 美元一路崩跌至 350 美元，停損單一張接一張被觸發。
1998 年美股案例#
班德認為當時美股是被資金流入推升，而非基本面。這種市場的特性是：可能持續上漲創新高，或一旦修正未即刻反彈就會劇跌；很難「跌個 5%–6% 然後停在那裡」。他據此建構部位：大跌大賺、小漲小賺、小跌停滯小虧。前半年小賺，下半年市場修正未即刻反彈，下一站就是下跌 20%，他大賺一筆。
「轉天線」式的虛假調整#
班德批評多數做市商（如 Susquehanna）只是對 Black-Scholes 做表面修正：就像舊式電視訊號不清時，沒人去計算天線該對準哪裡，而是隨手轉動天線直到米老鼠的顏色看起來對為止。這種「TV 調整法」只是讓模型輸出貼合場內成交價，並未真正回答「正確的模型應該長什麼樣」。
對做市商賺取買賣價差來說，這樣或許夠用；但對想要識別市場錯價的交易員而言，必須從根本推算真正的價格才行。
波動率偏斜（volatility skew）與機率分配交易#
班德的整體做法可視為對「波動率偏斜（volatility skew）」與肥尾現象的細膩運用：
- 標準模型假設「中等漲幅」永遠比「大漲幅」更可能發生
- 但若某事件下大漲比小漲更可能，可賣出價平買權，再用權利金買入更多便宜的價外買權
- 此策略：價格下跌打平、小漲小虧、大漲大賺
這種建構方式不是賭方向，而是賭真實機率分配與市場隱含分配之間的差距。
額外觀察：分析師與媒體的反指標#
班德也談到華爾街分析師：當一檔股票被多家券商同時推薦，他會把這檔股票「大幅下跌」的機率調高——因為想買的人差不多都買完了。他自己不接受媒體採訪，理由是任何願意上電視推薦個股的人，多半是想出貨；少數例外是已建立完整部位的長期持有者。
班德觀察：「真正重要的不是股票當下的市場意見，而是意見『可能改變的方向』。」當壞消息出盡、所有分析師同步調降評等時，反而常是好的買點。
主要啟示#
本章最重要的訊息是：不要接受任何事，質疑一切。突破往往來自質疑那些「顯然為真」的東西——就像愛因斯坦質疑時間是常數的假設，才推動了科學最大的進展。
具體到選擇權交易：
- 理想上，選擇權應該用來表達「交易員預期與標準定價模型理論假設不同」的觀點
- 關鍵是先勾勒出你對股價落在不同價位機率的預期
- 若你的預期與常態分配假設不同，就可能存在勝率傾向你這邊的選擇權結構
- 前提是——你的預期確實比隨機猜測更準確