📚 课程目录第1章课程导入

1. 课程导入

在利率衍生品交易与风险管理中，单曲线假设正在被快速淘汰。无论是SOFR、EURIBOR还是国债收益率曲线，真实市场中的定价、对冲与风险计量都必须在多条曲线并存的框架下完成。本课程的第一节，我们先建立整体认知：多曲线敏感度到底在衡量什么，Cross-Gamma为何成为组合风险的“隐形放大器”，以及这套方法在实战中如何落地。

一、学习目标：从单曲线思维走向多曲线风险视角

完成本章学习后，你应当能够清晰回答以下问题：

多曲线环境下，DV01、Key Rate Duration与Cross-Gamma分别刻画什么风险维度；
为什么两条曲线之间的相关性变化会通过Cross-Gamma影响组合盈亏；
如何从交易台账、曲线构建结果和风险引擎输出中提取多曲线敏感度；
在对冲决策中，如何区分“一阶对冲不足”与“二阶交叉风险暴露”。

这些目标不是理论摆设。它们直接决定你能否在曲线陡峭化、基差走阔或政策利率路径重定价时，提前识别组合的真实风险敞口。

二、核心概念：敏感度、Gamma与Cross-Gamma

先建立最小概念集。敏感度衡量的是当某条曲线或某个期限点发生微小变动时，组合价值的变化幅度。单曲线时代，我们习惯用DV01表示整体利率变动1个基点带来的损益。但在多曲线框架下，必须把“哪条曲线、哪个期限、哪个市场因子”拆开来看。

Gamma是敏感度对市场因子的二阶变化，反映对冲比率本身的不稳定性。而Cross-Gamma则更进一步：它衡量组合价值对两个不同市场因子联合变化的二阶敏感度。例如，SOFR曲线与国债曲线同时变动时，组合的损益并不是两条曲线单独冲击结果的简单相加，Cross-Gamma就是那个“多出来的交叉项”。

核心公式直觉：组合价值变化 ≈ 一阶敏感度项 + ½×自身Gamma项 + Cross-Gamma交叉项。Cross-Gamma项在两条曲线相关性高、波动率大或组合包含基差交易时尤为显著。

理解Cross-Gamma的关键在于：它不是某个单独曲线的属性，而是两个风险因子之间的耦合关系。这也是为什么多曲线风险不能简单拆成两条单曲线风险相加。

三、整体框架：从曲线构建到风险归因的闭环

本课程后续章节将围绕一个完整闭环展开，而第一节先给出全局地图。多曲线敏感度与Cross-Gamma的实战框架可以概括为四个层次：

曲线构建层：区分贴现曲线与预测曲线，明确SOFR、EURIBOR、国债曲线各自的角色；
敏感度计算层：对每个曲线节点做扰动，生成Key Rate DV01矩阵；
交叉风险层：计算不同曲线节点之间的Cross-Gamma矩阵，识别耦合最强的区域；
对冲与归因层：基于敏感度矩阵和Cross-Gamma矩阵，优化对冲工具组合，并进行损益归因。

下面这张SVG展示了多曲线风险从输入到输出的核心结构关系。它强调的不是步骤顺序，而是曲线、敏感度、交叉项与对冲决策之间的连接关系。

四、案例场景：一次基差走阔带来的“意外”亏损

假设某交易台持有一个利率互换组合，同时用国债期货和SOFR期货进行对冲。单看DV01，组合似乎已经中性。但某日SOFR曲线与国债曲线同时上行，且SOFR上行幅度更大，基差走阔。此时：

一阶敏感度显示组合仍接近中性；
但Cross-Gamma项因为两条曲线联合变动而显著为负；
最终组合出现明显亏损，而传统单曲线归因无法解释这部分损失。

这个场景说明：Cross-Gamma不是学术概念，而是真实交易中“对冲失效”的重要来源。尤其当组合包含基差交易、曲线陡峭化交易或跨市场对冲时，Cross-Gamma往往成为损益波动的核心驱动。

注意：Cross-Gamma风险在低波动环境中容易被忽视，但在政策转向、流动性分层或曲线剧烈重定价时，会迅速放大。不要等到亏损发生后才回头补算交叉项。

五、方法流程与关键参数

实战中，多曲线敏感度与Cross-Gamma的计算通常遵循以下流程：

确定风险因子集合：每条曲线的关键期限节点，例如SOFR的1M、3M、1Y、5Y、10Y；
对每个节点施加微小扰动，重新估值，得到一阶敏感度向量；
对每对节点施加联合扰动，计算二阶交叉敏感度矩阵；
将敏感度矩阵与Cross-Gamma矩阵输入对冲优化器；
生成归因报告，区分一阶、自身Gamma和Cross-Gamma贡献。

以下是一个简化的参数配置示例，用于说明风险引擎中需要定义的关键字段：

risk_engine:
  curves:
    - name: SOFR_DISCOUNT
      nodes: [1M, 3M, 6M, 1Y, 2Y, 5Y, 10Y]
    - name: EURIBOR_FORECAST
      nodes: [1M, 3M, 6M, 1Y, 2Y, 5Y, 10Y]
    - name: UST_YIELD
      nodes: [2Y, 5Y, 10Y, 30Y]
  sensitivity:
    method: bump_and_revalue
    bump_size_bp: 0.1
  cross_gamma:
    enabled: true
    pair_selection: all_curve_pairs
    output_format: matrix
  attribution:
    decompose: [first_order, own_gamma, cross_gamma]

这张清单可以帮助你检查自己的风险系统是否具备多曲线Cross-Gamma能力：

检查项	单曲线系统	多曲线Cross-Gamma系统
风险因子维度	仅一条曲线	多条曲线、多个节点
敏感度输出	DV01标量	Key Rate DV01矩阵
二阶风险	仅自身Gamma	自身Gamma + Cross-Gamma
对冲优化	单目标中性	多曲线联合中性
损益归因	无法解释交叉项	可分解Cross-Gamma贡献

六、常见误区与复盘要点

在进入后续章节前，先明确几个高频误区：

误区一：把Cross-Gamma当成“高级可选功能”。 实际上，只要组合涉及多条曲线，Cross-Gamma就客观存在，不计算不等于没有风险。
误区二：用单曲线DV01对冲多曲线组合。 这会导致表面中性、实际暴露于曲线间基差和相关性变化。
误区三：忽略扰动步长对Cross-Gamma的影响。 步长过大或过小都会影响数值稳定性，需要结合组合规模和曲线流动性校准。
误区四：只关注自身Gamma，不关注交叉项。 在曲线相关性上升时，Cross-Gamma可能比自身Gamma更大。

复盘建议：每次出现“对冲后仍亏损”的情况，先检查Cross-Gamma归因。如果交叉项贡献超过总亏损的30%，说明你的对冲框架需要升级到多曲线联合优化。

本节建立了多曲线敏感度与Cross-Gamma的整体认知框架。接下来，课程将逐步深入曲线构建、敏感度计算、Cross-Gamma矩阵求解、对冲优化和实战归因，帮助你把这套方法真正嵌入日常交易与风险管理流程。