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？
为避免 spot、curves 或 surface inputs 在不同路径中被重复计算，本文先固定一组不重叠的 primitive market factors $\mathbf f_t$，并写成
$$ \mathbf z_t=Z(\mathbf f_t), \qquad \boldsymbol\eta_t=E(\mathbf f_t). $$$\mathbb P$ 描述 $\delta\mathbf f_t$ 如何发生，pricing 与 calibration 则描述同一次 primitive move 如何改变 mark。Delta、Gamma 与 Vega 是这张 marking function 在选定坐标下的局部导数；它们只有与真实持仓、hedge instruments 和 funding accounting 结合以后，才进入 portfolio PnL。
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：
- 给定原有参数，市场动了多少；
- 为了重新匹配市场，calibration state 又动了多少。
所以 PnL decomposition 的起点不是“算 Delta”，而是固定待解释的 book、accounting convention 与 marking policy。
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
$$ \delta_\varepsilon\mathbf f_t \mid\mathcal F_t \sim \mathbb P_{\widehat{\boldsymbol\vartheta}^{\mathbb P}_t}, $$以及 conditional covariance
$$ \Sigma_t^{\mathbb P} := \operatorname{Cov}^{\mathbb P} \!\left( \delta_\varepsilon\mathbf f_t \mid\mathcal F_t \right). $$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 不包含明天 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 应该使用什么 mark。VaR、Expected Shortfall、scenario loss distribution 与 minimum-variance hedge 都消费 $\mathbb P$ inputs；它们不是当天 $\mathbb Q$-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
本文只说明这些 $\mathbb P$ inputs 在 risk calculation 中的用途，不展开 conditional covariance、tail risk 或一般 time-series estimation 的估计方法。
3. 一个 market move 如何变成 Delta、Gamma 和 Vega PnL？
用开头定义的 primitive factors，当前 calibrated marking function 是
$$ V(\mathbf f) \mathrel{=} \mathcal M^{\mathbb Q} \!\left( Z(\mathbf f); \mathcal C(E(\mathbf f)) \right), $$其 total first derivative 为
$$ \boxed{ D_{\mathbf f}V \mathrel{=} D_{\mathbf z}\mathcal M^{\mathbb Q}\,DZ + D_{\boldsymbol\vartheta}\mathcal M^{\mathbb Q}\, J_{\mathcal C}\,DE. } $$同一个 primitive shock 只在 $\delta\mathbf f$ 中出现一次，却可以同时通过 direct state 与 recalibration 两条路径改变价格。这个表示也区分了两类 sensitivity：
- 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。
若暂时冻结 calibration parameters，对足够小的 direct-state move 做二阶展开：
$$ \delta V^{F} \approx \nabla_{\mathbf z}V^\top\delta\mathbf z + \frac12 \delta\mathbf z^\top\nabla_{\mathbf z}^2V\,\delta\mathbf z + \Theta\varepsilon. $$Gradient 给出一阶 exposure，Hessian 记录 curvature 与 cross effects；$\Theta\varepsilon$ 表示单独的时间流逝。随机价格过程具有非零 quadratic variation，因此 spot risk 不能一般性地只保留普通的一阶 chain rule。
加入 calibration response 后，一个常用的局部 attribution 是
$$ \delta V \approx \nabla_{\mathbf z}V^\top\delta\mathbf z + \frac12 \delta\mathbf z^\top\nabla_{\mathbf z}^2V\,\delta\mathbf z + \partial_{\boldsymbol\vartheta}V\, J_{\mathcal C}\,DE\,\delta\mathbf f + \Theta\varepsilon. $$它保留 direct-state move 的二阶项，却只保留 recalibration channel 的一阶项，并不是完整复合函数的二阶 Taylor formula。Move 较大时，应改用 full revaluation 或明确的 bump-and-recalibrate，而不是把遗漏的 cross terms 留给 residual。
在 spot / implied-vol coordinates 下
若局部 marking convention 直接采用 BS implied volatility 作为 volatility coordinate，上式具体化为
$$ \begin{aligned} \delta V \approx\;& \Delta\,\delta S +\frac12\Gamma(\delta S)^2 +\mathrm{Vega}^{\mathrm{BS}}\delta\sigma_{\mathrm{imp}} \\ &+ \mathrm{Vanna}^{\mathrm{BS}} \delta S\,\delta\sigma_{\mathrm{imp}} + \frac12 \mathrm{Volga}^{\mathrm{BS}} (\delta\sigma_{\mathrm{imp}})^2 + \Theta\varepsilon. \end{aligned} $$本系列把 $\mathrm{Vega}^{\mathrm{BS}}=\partial V^{\mathrm{BS}}/\partial\sigma$ 限定为对 BS implied-volatility coordinate 的 sensitivity。Heston parameter sensitivity $\partial V/\partial\vartheta_i$ 可能改变整张 volatility surface，但不能直接改名为 Vega。Market quote risk 与 model-parameter risk 必须通过 calibration map 连接。
两个模型即使今天拟合了相似的 vanilla surface，也可能隐含不同的未来 smile dynamics，因而产生不同的 hedge ratios 与 forward-smile risk。2 4
上面的 recalibration attribution 是第二篇 calibration map 与 multivariable chain rule 的组合；它是一项明确的 attribution convention，不是唯一的市场惯例。
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” 不能省略。
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：
- Greeks 会随市场状态变化；
- hedge 因而需要不断 rebalance；
- 二阶及更高阶 exposure 仍可能存在；
- 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
这里只保留无约束 minimum-variance hedge 的基础形式，不展开一般 constrained portfolio optimization。
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。若再加入 cash / funding position，分析对象仍是第 1 节定义的同一个 portfolio：
$$ \Pi_t \mathrel{=} V_t \mathbin{-} \Delta_tS_t + \psi_tB_t. $$Stock hedge 抵消一阶 spot exposure，cash leg 则记录建立和维持头寸所需的融资。后面的 financing-adjusted identity 解释的是整个 $\Pi_t$，不是单独的 option leg。
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
这项关系依赖上面的理想化条件，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？
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。
离散 hedge 还会在两次 rebalance 之间留下 Delta exposure。Wilmott 指出，Black–Scholes 的 continuous-hedging limit 消除了这种 hedging error，而 finite rebalancing interval 只能逼近这一极限。1
Jumps 会产生有限幅度的不连续变化，局部二阶 Taylor expansion 通常不足以重建 jump PnL。
Transaction costs、bid–ask、funding 与 liquidity constraints 也会直接消耗 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。
贯穿算例（三）：一天的 mark、hedge 与 PnL
继续使用前两篇的 $K=105$ call。区间起点的 calibrated volatility 是 21%，初始值与 Greeks 为
$$ \begin{aligned} V_t&=4.2623, &\Delta_t&=0.42584, &\Gamma_t&=0.02640,\\ \mathrm{Vega}_t^{\mathrm{BS}}&=27.7206, &\Theta_t&=-6.5878\ \text{per year}. \end{aligned} $$Vega 对应 volatility 从 0 到 1 的变化，因此 1 个 vol point 的一阶 PnL 是 $27.7206\times0.01=0.2772$。
设一个交易日后
$$ S:100\longrightarrow102, \qquad \tau:0.5\longrightarrow0.5-\frac1{252}, $$同时三条 calibration quotes 都上升 1 个 vol point，使 flat-vol fit 从 21% 变为 22%。Frozen 与 recalibrated marks 分别是
$$ V_{t+1}^{F}=5.1394, \qquad V_{t+1}^{R}=5.4256. $$Exact bridge 为
$$ 5.42561-4.26234 \mathrel{=} (5.13938-4.26234) + (5.42561-5.13938) \mathrel{=} 0.87704+0.28623 \mathrel{=} 1.16327. $$在区间起点卖空 $0.42584$ 股，并把 $38.3215$ 存入 cash account，可令 hedged portfolio 的初始价值为零。计入股票损益与一天利息后，exact hedged PnL 是
$$ 0.3146. $$用起点 Greeks 分解，可得到：
| Contribution | PnL |
|---|---|
| Gamma | $0.05280$ |
| Theta | $-0.02614$ |
| Vega | $0.27721$ |
| Vanna | $0.01253$ |
| Volga | $0.00041$ |
| Funding | $0.00304$ |
| 合计 | $0.31985$ |
于是
$$ R^{\mathrm{Taylor}} \mathrel{=} 0.3146-0.3198 \mathrel{=} -0.0052. $$这里的 $-0.0052$ 来自有限 move 下的 Taylor truncation。它已经有明确的 approximation explanation，不能再被直接归入 model risk。
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 $R$ 是相对于既定 attribution convention 的 residual；改变 full-revaluation rule、cross-term allocation 或 hedge accounting，$R$ 也会改变。本文只推导局部 PnL identity，不据此声称市场中长期存在稳定的 empirical variance risk premium。
6. Residual PnL 中，哪些是 market risk，哪些才是 model risk？
Residual 不是一种天然存在、等待模型发现的风险类别。它总是相对于某套预先规定的 accounting、marking 与 attribution rules 定义。若某天 delta-hedged book 出现大额 loss，诊断应按照同一顺序逐层进行。
1. 先核对 accounting reconstruction
用区间起点持仓、hedge gains、cash/funding、cash flows 与 transaction costs 重建 portfolio PnL：
$$ \delta_\varepsilon\Pi_t^{\mathrm{acct}} \mathrel{=} \delta_\varepsilon\mathcal V_t + \sum_jh_t^j\delta_\varepsilon X_t^j + \psi_t\delta_\varepsilon B_t \mathbin{-} \delta_\varepsilon\mathrm{TC}_t. $$若这里已经无法与账面 PnL 对齐，问题首先属于 positions、cash flows、booking 或 transaction-cost data，而不是 pricing model。
2. 用 exact bridge 分开 market move 与 recalibration
对 derivative leg 使用第 1 节的恒等式：
$$ \delta V^R \mathrel{=} (V_{t+\varepsilon}^{F}-V_t) + (V_{t+\varepsilon}^{R}-V_{t+\varepsilon}^{F}). $$只要两端 marks 与 calibration convention 已固定，这一步没有 approximation。Market quotes、surface construction 或 calibrated parameters 的正常变化属于 recalibration effect；它们只有在没有被这座 bridge 捕捉时，才进入 residual。
3. 再比较 full revaluation 与 Greek attribution
定义
$$ R^{\mathrm{approx}} := (V_{t+\varepsilon}^{F}-V_t) \mathbin{-} \widehat{\delta V}^{\,\mathrm{Greek}}. $$这个差额可能来自 Taylor truncation、遗漏的 cross terms，也可能来自 finite differences、Monte Carlo noise、integration tolerance 或 optimizer tolerance。先用 bump-and-reprice 与 solver-convergence checks 区分 approximation 和 numerical error。
4. 标记主动保留、无法 span 与执行产生的风险
Greek attribution 解释 exposure，不保证 exposure 已被交易掉。PnL 还可能来自：
- deliberately unhedged Delta、Vega、curve 或 skew exposure；
- 现有 hedge instruments 无法 span 的 smile、jump 或 long-dated volatility factors；
- discrete rebalancing、jumps、bid–ask、fees、funding、collateral 与 liquidity constraints。
前两项描述风险承担与 hedge-universe limitation，第三项描述执行环境。它们都可能产生损失，却不因此自动成为 model failure。
5. 最后检查剩余误差是否具有稳定结构
完成上述 reconciliation 后，剩余序列才适合用于 model diagnostics。可以检查：
- conditional bias 与 serial dependence；
- 与遗漏 factor 的持续相关；
- tail concentration 与 regime dependence；
- frozen / recalibrated reconciliation 是否长期向同一方向偏移；
- 不同 model classes 是否产生系统性不同的 hedge behavior。
若问题集中在 quote cleaning、objective、parameter instability 或 calibration mapping，应回到第二篇的数据与 inverse-problem layer。若 residual 稳定地指向 missing state variables、错误 dynamics、错误 smile evolution、parameterization limitation、implementation bug 或 model misuse，它才构成 model-risk evidence。
一个模型可以很好地拟合今天的 vanilla surface，却因为未来 smile dynamics 不合理而给出错误的 forward-smile hedge。此时问题不是当日 fit，而是从当前 surface 到未来风险的动态映射。4 Fat-tail 环境则要求更谨慎：少量 extreme observations 可能主导 variance-based diagnostics，一次巨大 residual 既不能被自动忽略，也不足以单独证明模型失效。3
这套顺序是一项 operational reconciliation convention，不是监管意义上的唯一 model-risk taxonomy。
结语：Greeks 不是风险，Greeks 是模型与风险之间的坐标系
Greeks 是 marking function 在选定坐标下的局部 derivatives。它们与真实持仓、可交易 hedge instruments、cash/funding 和 transaction costs 结合以后，才成为 portfolio PnL attribution。
Model risk 也不是“没有被 Greeks 解释的部分”。只有在 accounting、recalibration、approximation、未对冲风险与执行摩擦被逐层核对以后，仍然持续出现的结构性偏差，才说明定价与风险之间的映射可能失效。
参考文献与适用范围
本文不发展 $\mathbb P$ time-series estimation、general constrained hedging、empirical variance-risk premium 或监管意义上的 model-risk governance。Calibration-map derivative 与 residual waterfall 在这里用于固定 attribution convention，不被当作唯一市场惯例。
Paul Wilmott, Paul Wilmott on Quantitative Finance. 本文主要使用其 Black–Scholes replication、Greeks、delta hedging、discrete hedging 与 transaction costs 讨论。 ↩︎ ↩︎ ↩︎ ↩︎
Jim Gatheral, The Volatility Surface: A Practitioner’s Guide, Wiley, 2006. 本文主要使用其 risk-neutral stochastic-volatility parameterization、delta-hedged volatility risk 与 volatility-surface / smile dynamics 讨论。 ↩︎ ↩︎ ↩︎
Nassim Nicholas Taleb, Statistical Consequences of Fat Tails, 2020. 本文主要使用其 fat tails、finite-sample estimation fragility 与 model-misspecification limitations；不使用其替代正式的 VaR / ES 或 model-risk 理论来源。 ↩︎ ↩︎
Lorenzo Bergomi, Stochastic Volatility Modeling, CRC Press, 2015. 本文主要使用其 stochastic-volatility risk、forward volatility / smile dynamics 与 hedging interpretation。 ↩︎ ↩︎
Sebastian & Taylor, Trading Options for Edge: A Professional Guide to Volatility Trading, 2022. 本文仅将其作为 Greeks、hedging 与 realized / implied framing 的交易实践来源，不让其承担正式数学定理。 ↩︎