随机波动率下的衍生品定价(二)
局部波动率模型
局部波动率模型(local volatility model)是最早用于校正 Black-Scholes 模型的方法之一,优点是能够将波动率校准到波动率曲面上(关于行权价 K K K 和到期日 T T T 的隐含波动率曲面),缺点是仍然未将随机性纳入考虑。
局部波动率模型的 SDE 为
d
S
t
=
(
r
−
q
)
S
t
d
t
+
σ
(
t
,
S
t
)
S
t
d
W
t
(1)
dS_t=(r-q)S_tdt+\sigma(t,S_t)S_tdW_t\tag{1}
dSt=(r−q)Stdt+σ(t,St)StdWt(1)
注意到我们仍然考虑
q
q
q(底层资产为股票时的分红等),当然可以将其直接替换为
r
r
r,这并不是我们的关键问题。由
I
t
o
ˊ
It\acute{o}
Itoˊ 公式可得对应偏微分方程(或者更直观但不严谨的推导,如上一篇中所示)
d
P
d
t
+
(
r
−
q
)
S
d
P
d
S
+
σ
(
t
,
S
)
2
2
S
2
d
2
P
d
S
2
=
r
P
\dfrac{dP}{dt}+(r-q)S\dfrac{dP}{dS}+\dfrac{\sigma(t,S)^2}{2}S^2\dfrac{d^2P}{dS^2}=rP
dtdP+(r−q)SdSdP+2σ(t,S)2S2dS2d2P=rP
局部波动率—>价格
当给定局部波动率
σ
(
t
,
S
)
\sigma(t,S)
σ(t,S) 时,注意到由于到期日的期权价格即为期权收益,即
P
(
T
,
S
)
=
f
(
S
)
P(T,S)=f(S)
P(T,S)=f(S),因此我们解倒向微分方程
{
d
P
d
t
+
(
r
−
q
)
S
d
P
d
S
+
σ
(
t
,
S
)
2
2
S
2
d
2
P
d
S
2
=
r
P
P
(
T
,
S
)
=
f
(
S
)
(2)
\begin{cases} \dfrac{dP}{dt}+(r-q)S\dfrac{dP}{dS}+\dfrac{\sigma(t,S)^2}{2}S^2\dfrac{d^2P}{dS^2}=rP\\ P(T,S)=f(S) \end{cases}\tag{2}
⎩
⎨
⎧dtdP+(r−q)SdSdP+2σ(t,S)2S2dS2d2P=rPP(T,S)=f(S)(2)
就能得到价格函数
P
(
t
,
S
)
P(t,S)
P(t,S).
价格—>局部波动率
我们希望能从市场上的价格信息反推 σ ( t , S ) \sigma(t,S) σ(t,S),当然从数学上讲,完全可以从(2)的第一式中直接解出 σ ( t , S ) \sigma(t,S) σ(t,S). 但是注意到我们并不可能得到 P ( t , S ) , ∀ t , S P(t,S),\forall t,S P(t,S),∀t,S,因为一个底层资产在同一个时间只会提供一个 S S S,我们无法数值计算 d P d S \dfrac{dP}{dS} dSdP,进而无法计算 σ ( t , S ) \sigma(t,S) σ(t,S),但方程的思路是有用的,我们只需要修改对价格的选择。
【到这里似乎会有一个困惑,为什么无法获取不同 S S S 下的价格 P ( t , S ) P(t,S) P(t,S) 会造成影响,但 σ ( t , S ) \sigma(t,S) σ(t,S) 应当也有相同的问题,为什么在局部波动率推价格时可以默认已知 σ ( t , S ) \sigma(t,S) σ(t,S) 函数?】
【原因是,我们对市场假定有 Markov 性,即当前价格包含了所有历史市场信息,也就是如(1)中表示的,只要 S t 1 = S t 2 S_{t_1}=S_{t_2} St1=St2 ,则从 t 1 t_1 t1 开始的价格过程和 t 2 t_2 t2 开始的价格过程是完全同分布的,那么我们就有理由从不同时刻时的 S t S_t St 采样 σ ( t k , S t k ) \sigma(t_k,S_{t_k}) σ(tk,Stk)来代替同一时刻的 σ ( t , S t k ) \sigma(t,S_{t_k}) σ(t,Stk),当然这只是直观上的理解,并不严谨,否则你可以从上面这段话推知 σ ( t , S ) \sigma(t,S) σ(t,S) 关于 t t t 为常值的】
Dupire 方程
这里我们更改前面已经熟悉的价格表示,考虑此时为
t
=
0
t=0
t=0 时刻的看涨欧式期权,其不同行权价格
K
K
K 和到期日
T
T
T 的期权价格即为
C
(
K
,
T
)
=
e
−
r
T
E
(
(
S
T
−
K
)
+
)
(3)
C(K,T)=e^{-rT}E((S_T-K)^+)\tag{3}
C(K,T)=e−rTE((ST−K)+)(3)
此时注意到我们可以从市场价格信息中获取
C
(
K
,
T
)
C(K,T)
C(K,T) 的取值了,解决了前面提到的问题。我们的目标是建立以
σ
\sigma
σ 和
C
C
C 之间的方程以解出
σ
\sigma
σ 的表达式,这里我们稍微一般化价格过程 SDE(1):
d
S
t
=
(
r
−
q
)
S
t
d
t
+
σ
t
S
t
d
Z
t
(4)
dS_t=(r-q)S_tdt+\sigma_tS_tdZ_t\tag{4}
dSt=(r−q)Stdt+σtStdZt(4)
这里
σ
t
\sigma_t
σt 为随机过程(我们若将其取为
σ
t
=
σ
(
t
,
S
t
)
\sigma_t=\sigma(t,S_t)
σt=σ(t,St) 就是原假定),一般化并不影响后续推导。我们需要结合(3)(4)给出最终方程,希望
σ
t
\sigma_t
σt 出现在最终的方程中,自然的想法是对(3)求微分,并利用
I
t
o
ˊ
It\acute{o}
Itoˊ 公式,
d
(
S
T
−
K
)
+
=
d
(
S
T
−
K
)
+
d
S
T
(
(
r
−
q
)
S
T
d
T
+
σ
T
S
T
d
Z
T
)
+
1
2
σ
T
2
S
T
2
d
2
(
S
T
−
K
)
+
d
S
T
2
d
T
=
i
n
d
(
S
T
−
K
)
(
(
r
−
q
)
S
T
d
T
+
σ
T
S
T
d
Z
T
)
+
1
2
δ
(
S
T
−
K
)
σ
T
2
S
T
2
d
T
\begin{align} d(S_T-K)^+=&\dfrac{d(S_T-K)^+}{dS_T}((r-q)S_TdT+\sigma_TS_TdZ_T)\\&+\dfrac{1}{2}\sigma_T^2S_T^2\dfrac{d^2(S_T-K)^+}{dS_T^2}dT\\=&ind(S_T-K)((r-q)S_TdT+\sigma_TS_TdZ_T)+\dfrac{1}{2}\delta(S_T-K)\sigma_T^2S_T^2dT \end{align}
d(ST−K)+==dSTd(ST−K)+((r−q)STdT+σTSTdZT)+21σT2ST2dST2d2(ST−K)+dTind(ST−K)((r−q)STdT+σTSTdZT)+21δ(ST−K)σT2ST2dT
其中
i
n
d
(
x
)
=
1
{
x
>
0
}
ind(x)=\mathbb{1}_{\{x> 0\}}
ind(x)=1{x>0},
δ
\delta
δ 函数即为我们熟知的。
我们需要对上式求期望以消除随机项
d
Z
T
dZ_T
dZT(否则不可能给出一个确定性的
σ
t
\sigma_t
σt 表达式),为简化推导过程的书写,令
C
(
K
,
T
)
=
e
r
T
C
(
K
,
T
)
\mathcal{C}(K,T)=e^{rT}C(K,T)
C(K,T)=erTC(K,T),左式期望为
E
(
d
(
S
T
−
K
)
+
)
=
d
E
(
S
T
−
K
)
+
=
d
(
C
(
K
,
T
)
)
=
d
C
d
T
d
T
E(d(S_T-K)^+)=dE(S_T-K)^+=d(\mathcal{C}(K,T))=\dfrac{d\mathcal{C}}{dT}dT
E(d(ST−K)+)=dE(ST−K)+=d(C(K,T))=dTdCdT
注意这里最后一个等号不需要考虑对
K
K
K 的微分,因为它始终只是参数,而原本的随机项在内层积分已经被消除,所以只有对
T
T
T 的微分。
右式期望为
E
(
i
n
d
(
S
T
−
K
)
S
T
)
(
r
−
q
)
d
T
+
1
2
E
(
δ
(
S
T
−
K
)
σ
T
2
)
K
2
d
T
\begin{align} &E(ind(S_T-K)S_T)(r-q)dT+\dfrac{1}{2}E(\delta(S_T-K)\sigma_T^2)K^2dT \end{align}
E(ind(ST−K)ST)(r−q)dT+21E(δ(ST−K)σT2)K2dT
因此对比左右两式,得到
E
(
δ
(
S
T
−
K
)
σ
T
2
)
=
2
K
2
(
d
C
d
T
−
(
r
−
q
)
E
(
i
n
d
(
S
T
−
K
)
S
T
)
)
⟹
E
(
σ
T
2
∣
S
T
=
K
)
=
E
(
δ
(
S
T
−
K
)
σ
T
2
)
E
(
δ
(
S
T
−
K
)
)
=
2
(
d
C
d
T
−
(
r
−
q
)
E
(
i
n
d
(
S
T
−
K
)
S
T
)
)
K
2
E
(
δ
(
S
T
−
K
)
)
E(\delta(S_T-K)\sigma_T^2)=\dfrac{2}{K^2}\left(\dfrac{d\mathcal{C}}{dT}-(r-q)E(ind(S_T-K)S_T)\right)\\ \Longrightarrow E(\sigma_T^2|S_T=K)=\dfrac{E(\delta(S_T-K)\sigma_T^2)}{E(\delta(S_T-K))}=\dfrac{2\left(\dfrac{d\mathcal{C}}{dT}-(r-q)E(ind(S_T-K)S_T)\right)}{K^2E(\delta(S_T-K))}
E(δ(ST−K)σT2)=K22(dTdC−(r−q)E(ind(ST−K)ST))⟹E(σT2∣ST=K)=E(δ(ST−K))E(δ(ST−K)σT2)=K2E(δ(ST−K))2(dTdC−(r−q)E(ind(ST−K)ST))
又
E
(
δ
(
S
T
−
K
)
)
=
E
(
d
2
d
K
2
(
S
T
−
K
)
+
)
=
d
2
d
K
2
E
(
(
S
T
−
K
)
+
)
=
d
2
C
d
K
2
E
(
i
n
d
(
S
T
−
K
)
S
T
)
=
E
(
(
S
T
−
K
)
+
)
−
K
E
(
i
n
d
(
S
T
−
K
)
)
=
C
−
K
C
d
K
E(\delta(S_T-K))=E(\dfrac{d^2}{dK^2}(S_T-K)^+)=\dfrac{d^2}{dK^2}E((S_T-K)^+)=\dfrac{d^2\mathcal{C}}{dK^2}\\ E(ind(S_T-K)S_T)=E((S_T-K)^+)-KE(ind(S_T-K))=\mathcal{C}-K\dfrac{\mathcal{C}}{dK}
E(δ(ST−K))=E(dK2d2(ST−K)+)=dK2d2E((ST−K)+)=dK2d2CE(ind(ST−K)ST)=E((ST−K)+)−KE(ind(ST−K))=C−KdKC
代入,并将
C
\mathcal{C}
C 替换为
C
C
C 得到
E
(
σ
T
2
∣
S
T
=
K
)
=
2
(
d
C
d
T
+
q
C
+
(
r
−
q
)
K
d
C
d
K
)
K
2
d
2
C
d
K
2
(5)
E(\sigma_T^2|S_T=K)=\dfrac{2\left(\dfrac{dC}{dT}+qC+(r-q)K\dfrac{dC}{dK}\right)}{K^2\dfrac{d^2C}{dK^2}}\tag{5}
E(σT2∣ST=K)=K2dK2d2C2(dTdC+qC+(r−q)KdKdC)(5)
这即为 Dupire 方程。我们从中得到的信息是,给定价格信息以后,我们无法完全确定随机过程
σ
t
\sigma_t
σt 的分布,只能知道它的条件期望。当然这在局部波动率模型中已经足够。
Dupire 公式
在(5)中取
σ
t
=
σ
(
t
,
S
t
)
\sigma_t=\sigma(t,S_t)
σt=σ(t,St),对确定性的函数计算条件期望即为其本身,得到
σ
2
(
t
,
S
t
)
=
2
(
d
C
d
T
+
q
C
+
(
r
−
q
)
K
d
C
d
K
)
K
2
d
2
C
d
K
2
∣
K
=
S
t
,
T
=
t
\sigma^2(t,S_t)=\dfrac{2\left(\dfrac{dC}{dT}+qC+(r-q)K\dfrac{dC}{dK}\right)}{K^2\dfrac{d^2C}{dK^2}}\bigg |_{K=S_t,T=t}
σ2(t,St)=K2dK2d2C2(dTdC+qC+(r−q)KdKdC)
K=St,T=t
这即为 Dupire 公式,我们也可以将其写为方程形式
d
C
d
T
+
(
r
−
q
)
K
d
C
d
K
−
σ
2
(
t
=
T
,
S
=
K
)
2
K
2
d
2
C
d
K
2
=
−
q
C
(6)
\dfrac{dC}{dT}+(r-q)K\dfrac{dC}{dK}-\dfrac{\sigma^2(t=T,S=K)}{2}K^2\dfrac{d^2C}{dK^2}=-qC\tag{6}
dTdC+(r−q)KdKdC−2σ2(t=T,S=K)K2dK2d2C=−qC(6)
方程(6)与方程(3)的形式完全类似,只是我们使用了看涨期权的价格,且由于对价格的设定不同,该方程是正向的,即
{
d
C
d
T
+
(
r
−
q
)
K
d
C
d
K
−
σ
2
(
t
=
T
,
S
=
K
)
2
K
2
d
2
C
d
K
2
=
−
q
C
C
(
K
,
0
)
=
(
S
0
−
K
)
+
\begin{cases} \dfrac{dC}{dT}+(r-q)K\dfrac{dC}{dK}-\dfrac{\sigma^2(t=T,S=K)}{2}K^2\dfrac{d^2C}{dK^2}=-qC\\ C(K,0)=(S_0-K)^+ \end{cases}
⎩
⎨
⎧dTdC+(r−q)KdKdC−2σ2(t=T,S=K)K2dK2d2C=−qCC(K,0)=(S0−K)+