随机波动率下的衍生品定价（二）：局部波动率模型

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 $K$ 和到期日 $T$ 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
$$d{S}_t=(r-q)S_{t}dt+\sigma (t,S_t)S_{t}d{W}_t\text{\hspace{1em}(1)}$$
注意到我们仍然考虑 $q$（底层资产为股票时的分红等），当然可以将其直接替换为 $r$，这并不是我们的关键问题。由 $It\acute{o}$ 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）
$$\frac{dP}{dt}+(r-q)S\frac{dP}{dS}+\frac{\sigma (t,S{)}^2}{2}{S}^2\frac{d^{2}P}{d{S}^2}=rP$$

局部波动率—>价格

当给定局部波动率 $\sigma (t,S)$ 时，注意到由于到期日的期权价格即为期权收益，即 $P(T,S)=f(S)$，因此我们解倒向微分方程
$$\{\begin{array}{l}\frac{dP}{dt}+(r-q)S\frac{dP}{dS}+\frac{\sigma (t,S{)}^2}{2}{S}^2\frac{d^{2}P}{d{S}^2}=rP\\ P(T,S)=f(S)\end{array}\text{\hspace{1em}(2)}$$
就能得到价格函数 $P(t,S)$​.

价格—>局部波动率

我们希望能从市场上的价格信息反推 $\sigma (t,S)$，当然从数学上讲，完全可以从（2）的第一式中直接解出 $\sigma (t,S)$. 但是注意到我们并不可能得到 $P(t,S),\forall t,S$，因为一个底层资产在同一个时间只会提供一个 $S$，我们无法数值计算 $\frac{dP}{dS}$，进而无法计算 $\sigma (t,S)$​，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 $S$ 下的价格 $P(t,S)$ 会造成影响，但 $\sigma (t,S)$ 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 $\sigma (t,S)$ 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 $S_{t_1}=S_{t_2}$ ，则从 $t_1$ 开始的价格过程和 $t_2$ 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 $S_t$ 采样 $\sigma (t_k,S_{t_k})$来代替同一时刻的 $\sigma (t,S_{t_k})$，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 $\sigma (t,S)$ 关于 $t$ 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 $t=0$ 时刻的看涨欧式期权，其不同行权价格 $K$ 和到期日 $T$ 的期权价格即为
$$C(K,T)=e^{-rT}E((S_T-K{)}^{+})\text{\hspace{1em}(3)}$$
此时注意到我们可以从市场价格信息中获取 $C(K,T)$ 的取值了，解决了前面提到的问题。我们的目标是建立以 $\sigma$ 和 $C$ 之间的方程以解出 $\sigma$ 的表达式，这里我们稍微一般化价格过程 SDE（1）：
$$d{S}_t=(r-q)S_{t}dt+{\sigma }_t{S}_{t}d{Z}_t\text{\hspace{1em}(4)}$$
这里 ${\sigma }_t$ 为随机过程（我们若将其取为 ${\sigma }_t=\sigma (t,S_t)$ 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 ${\sigma }_t$ 出现在最终的方程中，自然的想法是对（3）求微分，并利用 $It\acute{o}$ 公式，
$$\begin{array}{rl}d(S_T-K{)}^{+}=& \frac{d(S_T-K{)}^{+}}{d{S}_T}((r-q)S_{T}dT+{\sigma }_T{S}_{T}d{Z}_T)\\ & +\frac{1}{2}{\sigma }_T^2{S}_T^2\frac{d^2(S_T-K{)}^{+}}{d{S}_T^2}dT\\ =& ind(S_T-K)((r-q)S_{T}dT+{\sigma }_T{S}_{T}d{Z}_T)+\frac{1}{2}\delta (S_T-K){\sigma }_T^2{S}_T^{2}dT\end{array}$$
其中 i n d ( x ) = 1 { x > 0 } ind(x)=\mathbb{1}_{\{x> 0\}} ind(x)=1{x>0}​，$\delta$ 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 $d{Z}_T$（否则不可能给出一个确定性的 ${\sigma }_t$ 表达式），为简化推导过程的书写，令 $\mathcal{C}(K,T)=e^{rT}C(K,T)$，左式期望为
$$E(d(S_T-K{)}^{+})=dE(S_T-K{)}^{+}=d(\mathcal{C}(K,T))=\frac{d\mathcal{C}}{dT}dT$$
注意这里最后一个等号不需要考虑对 $K$ 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 $T$ 的微分。

右式期望为
$$\begin{array}{rl}& E(ind(S_T-K)S_T)(r-q)dT+\frac{1}{2}E(\delta (S_T-K){\sigma }_T^2)K^{2}dT\end{array}$$
因此对比左右两式，得到
$$\begin{gathered} E(\delta (S_T-K){\sigma }_T^2)=\frac{2}{K^2}\left(\frac{d\mathcal{C}}{dT}-(r-q)E(ind(S_T-K)S_T)\right) \\ ⟹E({\sigma }_T^2|S_T=K)=\frac{E(\delta (S_T-K){\sigma }_T^2)}{E(\delta (S_T-K))}=\frac{2\left(\frac{d\mathcal{C}}{dT}-(r-q)E(ind(S_T-K)S_T)\right)}{K^{2}E(\delta (S_T-K))} \end{gathered}$$
又
$$\begin{gathered} E(\delta (S_T-K))=E(\frac{d^2}{d{K}^2}(S_T-K{)}^{+})=\frac{d^2}{d{K}^2}E((S_T-K{)}^{+})=\frac{d^2\mathcal{C}}{d{K}^2} \\ E(ind(S_T-K)S_T)=E((S_T-K{)}^{+})-KE(ind(S_T-K))=\mathcal{C}-K\frac{\mathcal{C}}{dK} \end{gathered}$$
代入，并将 $\mathcal{C}$ 替换为 $C$ 得到
$$E({\sigma }_T^2|S_T=K)=\frac{2\left(\frac{dC}{dT}+qC+(r-q)K\frac{dC}{dK}\right)}{K^2\frac{d^{2}C}{d{K}^2}}\text{\hspace{1em}(5)}$$
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 ${\sigma }_t$ 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 ${\sigma }_t=\sigma (t,S_t)$​，对确定性的函数计算条件期望即为其本身，得到
$${\sigma }^2(t,S_t)=\frac{2\left(\frac{dC}{dT}+qC+(r-q)K\frac{dC}{dK}\right)}{K^2\frac{d^{2}C}{d{K}^2}}{|}_{K=S_t,T=t}$$
这即为 Dupire 公式，我们也可以将其写为方程形式
$$\frac{dC}{dT}+(r-q)K\frac{dC}{dK}-\frac{{\sigma }^2(t=T,S=K)}{2}{K}^2\frac{d^{2}C}{d{K}^2}=-qC\text{\hspace{1em}(6)}$$
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
$$\{\begin{array}{l}\frac{dC}{dT}+(r-q)K\frac{dC}{dK}-\frac{{\sigma }^2(t=T,S=K)}{2}{K}^2\frac{d^{2}C}{d{K}^2}=-qC\\ C(K,0)=(S_0-K{)}^{+}\end{array}$$