这学期会时不时更新一下伊曼纽尔·德曼(Emanuel Derman) 教授与迈克尔B.米勒(Michael B. Miller)的《The Volatility Smile》这本书,本意是协助导师课程需要,发在这里有意的朋友们可以学习一下,思路不一定够清晰且由于分工原因我是从书本第13章写起,还请大家见谅。
第21章 随机波动率模型:无相关性时的微笑曲线
无相关性时的微笑曲线由货币性决定
不同的标的资产价格
S
S
S 或行权价
K
K
K 对于布莱克-斯科尔斯-默顿(BSM)公式来说是无差别的。如果我们将股票价格和行权价同时乘以任意常数,BSM的期权价格也会增加该常数倍。对于任意常数
α
\alpha
α,我们可以得到:
C
B
S
M
(
α
S
,
α
K
,
σ
,
τ
,
r
)
=
α
C
B
S
M
(
S
,
K
,
σ
,
τ
,
r
)
C_{BSM}(\alpha S,\alpha K,\sigma,\tau,r)=\alpha C_{BSM}(S,K,\sigma,\tau,r)
CBSM(αS,αK,σ,τ,r)=αCBSM(S,K,σ,τ,r)
令
α
=
1
/
S
\alpha=1/S
α=1/S,并且在等式两侧同时乘以
S
S
S,再移项调整后,就有:
C
B
S
M
(
S
,
K
,
σ
,
τ
,
r
)
=
S
C
B
S
M
(
1
,
K
S
,
σ
,
τ
,
r
)
C_{BSM}(S,K,\sigma,\tau,r)=SC_{BSM}(1,\frac{K}{S},\sigma,\tau,r)
CBSM(S,K,σ,τ,r)=SCBSM(1,SK,σ,τ,r)
如果波动率
σ
\sigma
σ 是一个由股票价格决定的函数,那么该等式就不是一个无差别方程,此前的结论也不成立
上一章中推导了混合定理,该定理提出,对于期权
C
S
V
C_{SV}
CSV 而言,如果标的股票价格与其波动率之间的相关系数为0,那么该期权在随机波动率模型中的价格就可以表示为,不同波动率变动路径分布下BSM模型期权价格的加权平均值。现在来看一个简单的案例,假设波动率路径只有两种情况,要么高波动率(
σ
ˉ
H
\bar\sigma_H
σˉH),要么低波动率(
σ
ˉ
L
\bar\sigma_L
σˉL),两种波动率出现的概率相等,于是根据混合定理:
C
S
V
=
1
2
[
C
B
S
M
(
S
,
K
,
σ
ˉ
H
)
+
C
B
S
M
(
S
,
K
,
σ
ˉ
L
)
]
C_{SV}=\frac{1}{2}[C_{BSM}(S,K,\bar\sigma_H)+C_{BSM}(S,K,\bar\sigma_L)]
CSV=21[CBSM(S,K,σˉH)+CBSM(S,K,σˉL)]
此处为了简便隐去了
τ
,
r
\tau,r
τ,r,引入货币性可得:
C
S
V
=
S
2
[
C
B
S
M
(
1
,
K
S
,
σ
ˉ
H
)
+
C
B
S
M
(
1
,
K
S
,
σ
ˉ
L
)
]
≡
S
f
(
K
S
)
C_{SV}=\frac{S}{2}[C_{BSM}(1,\frac{K}{S},\bar\sigma_H)+C_{BSM}(1,\frac{K}{S},\bar\sigma_L)]\equiv Sf(\frac{K}{S})
CSV=2S[CBSM(1,SK,σˉH)+CBSM(1,SK,σˉL)]≡Sf(SK)
上式中
f
(
K
S
)
f(\dfrac{K}{S})
f(SK) 是由比率
K
/
S
K/S
K/S 决定的函数
看涨期权的 BSM 隐含波动率的定义是,将其代回到BSM公式中,得到的期权价格等于随机波动率模型得到的期权价格
C
S
V
C_{SV}
CSV,于是:
C
S
V
≡
C
B
S
M
(
S
,
K
,
Σ
)
=
S
C
B
S
M
(
1
,
K
S
,
Σ
)
C_{SV}\equiv C_{BSM}(S,K,\Sigma)=SC_{BSM}(1,\frac{K}{S},\Sigma)
CSV≡CBSM(S,K,Σ)=SCBSM(1,SK,Σ)
结合上述两式可得:
C
S
V
=
S
f
(
K
S
)
=
S
C
B
S
M
(
1
,
K
S
,
Σ
)
C
B
S
M
(
1
,
K
S
,
Σ
)
=
f
(
K
S
)
C_{SV}=Sf(\frac{K}{S})=SC_{BSM}(1,\frac{K}{S},\Sigma)\\ C_{BSM}(1,\frac{K}{S},\Sigma)=f(\frac{K}{S})
CSV=Sf(SK)=SCBSM(1,SK,Σ)CBSM(1,SK,Σ)=f(SK)
在随机波动率模型中,当相关系数等于0的时候,BSM隐含波动率确实是一个由货币性决定的函数,也就是说:
Σ
=
g
(
K
S
)
\Sigma=g(\frac{K}{S})
Σ=g(SK)
尽管在我们的案例中只有两种波动率变动路径,该结论也具有更普遍的适用性。在随机波动率模型中,当相关系数等于0时,如果未来波动率变动的分布情况保持不变,那么隐含波动率就是一个由货币性决定的函数。当然了,有可能在我们的随机波动率模型中,波动率的分布会变化,而且是该变化是独立的,但是在这里我们先假设不会出现这种情况
当股价发生变动时,斜度和隐含波动率的变动之间存在着某种关系,为了明确这种关系,我们首先推导上式分别对 K 和 S 的偏微分表达式:
∂
Σ
∂
S
=
−
K
S
2
g
′
∂
Σ
∂
K
=
1
S
g
′
\frac{\partial\Sigma}{\partial S}=-\frac{K}{S^2}g'\\ \frac{\partial\Sigma}{\partial K}=\frac{1}{S}g'
∂S∂Σ=−S2Kg′∂K∂Σ=S1g′
因此有:
S
∂
Σ
∂
S
+
K
∂
Σ
∂
K
=
0
S\frac{\partial\Sigma}{\partial S}+K\frac{\partial\Sigma}{\partial K}=0
S∂S∂Σ+K∂K∂Σ=0
这就是一阶齐次函数的欧拉方程 (Euler’s equation) 表达式。只要未来波动率变动的分布保持不变,当前的斜度就可以决定未来隐含波动率与股票价格之间的变动关系
平值期权,或者接近于平值期权时,有
S
≈
K
S\approx K
S≈K:
∂
Σ
∂
S
≈
−
∂
Σ
∂
K
\frac{\partial\Sigma}{\partial S}\approx-\frac{\partial\Sigma}{\partial K}
∂S∂Σ≈−∂K∂Σ
这恰恰与我们从局部波动率模型中得到的结论相反。当相关系数等于0的时候,对于平值期权来说,
S
S
S 发生微小变动对隐含波动率的影响,约等于
K
K
K 发生反方向同等幅度变动对于隐含波动率的影响,二者的作用效果相互抵消。换句话说,股价位于平值期权行权价附近时,BSM隐含波动率可以用一个
(
S
−
K
)
(S-K)
(S−K) 的函数来近似表达:
Σ
≈
Σ
(
S
−
K
)
\Sigma\approx\Sigma(S-K)
Σ≈Σ(S−K)
假设未来波动率变动的分布保持不变,下图展示了在随机波动率框架下,当相关系数等于0的时候,股票价格下降对于微笑曲线的作用效果。当股票价格下降时,整条微笑曲线都向下移动了,尽管如此,微笑曲线的下降所带来的影响下移恰好被(股票价格)沿微笑曲线的移动所抵消,于是平值期权行权价对应的隐含波动率仍然保持不变
无相关性下的微笑曲线呈现对称性
上一章中用
σ
ˉ
T
\bar\sigma_T
σˉT 表示在当前与到期日之间,沿某路径变动的波动率的时间平均值。这也就是路径波动率(实际上就是路径方差的开方值)。在本节中,为了简便,我们去掉下角标
T
T
T,用
σ
ˉ
\bar\sigma
σˉ 来表示路径波动率。在连续极限条件下,随着可能的波动率路径数量的增加,不同路径下(波动率)的合计数就变成了一个积分函数。用
ϕ
(
σ
ˉ
)
\phi(\bar\sigma)
ϕ(σˉ) 表示路径波动率的概率密度函数,于是就有:
C
S
V
=
∫
0
∞
C
B
S
M
(
σ
ˉ
)
ϕ
(
σ
ˉ
)
d
σ
ˉ
C_{SV}=\int_0^{\infty}C_{BSM}(\bar\sigma)\phi(\bar\sigma)d\bar\sigma
CSV=∫0∞CBSM(σˉ)ϕ(σˉ)dσˉ
假设波动率的波动率很小,然后对平均路径波动率
σ
ˉ
ˉ
\bar{\bar\sigma}
σˉˉ 进行二阶泰勒展开:
C
S
V
=
∫
0
∞
C
B
S
M
(
σ
ˉ
ˉ
+
σ
ˉ
−
σ
ˉ
ˉ
)
ϕ
(
σ
ˉ
)
d
σ
ˉ
≈
∫
0
∞
[
C
B
S
M
(
σ
ˉ
ˉ
)
+
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
(
σ
ˉ
−
σ
ˉ
ˉ
)
+
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
(
σ
ˉ
−
σ
ˉ
ˉ
)
2
]
ϕ
(
σ
ˉ
)
d
σ
ˉ
≈
C
B
S
M
(
σ
ˉ
ˉ
)
+
0
+
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
v
a
r
[
σ
ˉ
]
≈
C
B
S
M
(
σ
ˉ
ˉ
)
+
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
v
a
r
[
σ
ˉ
]
C_{SV}=\int_0^{\infty}C_{BSM}(\bar{\bar\sigma}+\bar\sigma-\bar{\bar\sigma})\phi(\bar\sigma)d\bar\sigma\\\approx\int_0^{\infty}[C_{BSM}(\bar{\bar\sigma})+\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}(\bar\sigma-\bar{\bar\sigma})+\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}(\bar\sigma-\bar{\bar\sigma})^2]\phi(\bar\sigma)d\bar\sigma\\\approx C_{BSM}(\bar{\bar\sigma})+0+\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}var[\bar\sigma]\\\approx C_{BSM}(\bar{\bar\sigma})+\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}var[\bar\sigma]
CSV=∫0∞CBSM(σˉˉ+σˉ−σˉˉ)ϕ(σˉ)dσˉ≈∫0∞[CBSM(σˉˉ)+∂σˉ∂CBSM∣σˉˉ(σˉ−σˉˉ)+21∂σˉ2∂2CBSM∣σˉˉ(σˉ−σˉˉ)2]ϕ(σˉ)dσˉ≈CBSM(σˉˉ)+0+21∂σˉ2∂2CBSM∣σˉˉvar[σˉ]≈CBSM(σˉˉ)+21∂σˉ2∂2CBSM∣σˉˉvar[σˉ]
其中
v
a
r
[
σ
ˉ
]
var[\bar\sigma]
var[σˉ] 表示在期权有效期内股票路径波动率
σ
ˉ
\bar\sigma
σˉ 的方差
我们用BSM结果作为我们对期权的报价依据,因此,跟此前一样,我们可以用BSM隐含波动率
Σ
\Sigma
Σ 来表示这个随机波动率的解,此外,由于波动率的波动率很小,我们可以认为
Σ
\Sigma
Σ 和
σ
ˉ
ˉ
\bar{\bar\sigma}
σˉˉ 之间的差异也很小。于是:
C
S
V
=
C
B
S
M
(
Σ
)
=
C
B
S
M
(
σ
ˉ
ˉ
+
Σ
−
σ
ˉ
ˉ
)
=
C
B
S
M
(
σ
ˉ
ˉ
)
+
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
(
Σ
−
σ
ˉ
ˉ
)
+
.
.
.
≈
C
B
S
M
(
σ
ˉ
ˉ
)
+
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
(
Σ
−
σ
ˉ
ˉ
)
C_{SV}=C_{BSM}(\Sigma)=C_{BSM}(\bar{\bar\sigma}+\Sigma-\bar{\bar\sigma})=C_{BSM}(\bar{\bar\sigma})+\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}(\Sigma-\bar{\bar\sigma})+...\\\approx C_{BSM}(\bar{\bar\sigma})+\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}(\Sigma-\bar{\bar\sigma})
CSV=CBSM(Σ)=CBSM(σˉˉ+Σ−σˉˉ)=CBSM(σˉˉ)+∂σˉ∂CBSM∣σˉˉ(Σ−σˉˉ)+...≈CBSM(σˉˉ)+∂σˉ∂CBSM∣σˉˉ(Σ−σˉˉ)
联系上述两个式子可以得到:
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
(
Σ
−
σ
ˉ
ˉ
)
≈
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
v
a
r
[
σ
ˉ
]
Σ
≈
σ
ˉ
ˉ
+
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
v
a
r
[
σ
ˉ
]
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}(\Sigma-\bar{\bar\sigma})\approx\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}var[\bar\sigma]\\ \Sigma\approx\bar{\bar\sigma}+\dfrac{\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}var[\bar\sigma]}{\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}}
∂σˉ∂CBSM∣σˉˉ(Σ−σˉˉ)≈21∂σˉ2∂2CBSM∣σˉˉvar[σˉ]Σ≈σˉˉ+∂σˉ∂CBSM∣σˉˉ21∂σˉ2∂2CBSM∣σˉˉvar[σˉ]
在第 19 章中,当股息率和无风险利率都等于0的时候,我们曾经计算过下列BSM导数式:
V
=
∂
C
B
S
M
∂
σ
=
S
τ
2
π
e
−
1
2
d
1
2
∂
2
C
B
S
M
∂
σ
2
=
V
d
1
d
2
σ
=
V
σ
[
(
1
v
ln
(
S
K
)
)
2
−
v
2
4
]
V=\frac{\partial C_{BSM}}{\partial\sigma}=\frac{S\sqrt\tau}{\sqrt{2\pi}}e^{-\frac{1}{2}d_1^2}\\ \frac{\partial^2C_{BSM}}{\partial\sigma^2}=V\frac{d_1d_2}{\sigma}=\frac{V}{\sigma}[(\frac{1}{v}\ln(\frac{S}{K}))^2-\frac{v^2}{4}]
V=∂σ∂CBSM=2πSτe−21d12∂σ2∂2CBSM=Vσd1d2=σV[(v1ln(KS))2−4v2]
这里
v
=
σ
τ
v=\sigma\sqrt{\tau}
v=στ 表示在期权剩余有效期
τ
\tau
τ 内总的波动率。在上式中,当
S
=
K
S=K
S=K 的时候,vega 值呈现轻微的负凸性。将上式代入可得:
Σ
≈
σ
ˉ
ˉ
+
1
2
∂
2
C
B
S
M
∂
σ
ˉ
2
∣
σ
ˉ
ˉ
v
a
r
[
σ
ˉ
]
∂
C
B
S
M
∂
σ
ˉ
∣
σ
ˉ
ˉ
=
σ
ˉ
ˉ
+
1
2
V
′
σ
ˉ
ˉ
[
(
1
v
ˉ
ˉ
ln
(
S
K
)
)
2
−
v
ˉ
ˉ
2
4
]
v
a
r
[
σ
ˉ
]
V
′
=
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
v
ˉ
ˉ
ln
(
S
K
)
)
2
−
v
ˉ
ˉ
2
4
]
\Sigma\approx\bar{\bar\sigma}+\dfrac{\frac{1}{2}\frac{\partial^2C_{BSM}}{\partial\bar\sigma^2}|_{\bar{\bar\sigma}}var[\bar\sigma]}{\frac{\partial C_{BSM}}{\partial\bar\sigma}|_{\bar{\bar\sigma}}}=\bar{\bar\sigma}+\frac{1}{2}\frac{\frac{V'}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar v}}\ln(\frac{S}{K}))^2-\frac{\bar{\bar v}^2}{4}]var[\bar\sigma]}{V'}=\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar v}}\ln(\frac{S}{K}))^2-\frac{\bar{\bar v}^2}{4}]
Σ≈σˉˉ+∂σˉ∂CBSM∣σˉˉ21∂σˉ2∂2CBSM∣σˉˉvar[σˉ]=σˉˉ+21V′σˉˉV′[(vˉˉ1ln(KS))2−4vˉˉ2]var[σˉ]=σˉˉ+21var[σˉ]σˉˉ1[(vˉˉ1ln(KS))2−4vˉˉ2]
其中
v
ˉ
=
σ
ˉ
τ
\bar v=\bar\sigma\sqrt\tau
vˉ=σˉτ。上式右侧部分是一个与
ln
(
S
/
K
)
\ln(S/K)
ln(S/K) 有关的二项式,因此对应的是一条类似抛物线的微笑曲线,该抛物线随着
(
ln
(
S
/
K
)
)
2
(\ln(S/K))^2
(ln(S/K))2 的变动而变动,这是一个货币性黏性微笑曲线,只与
K
/
S
K/S
K/S 的值有关。如果用线性式来近似表达货币性,也就是
(
K
−
S
)
(K-S)
(K−S),这条微笑曲线随
(
K
−
S
)
2
(K-S)^2
(K−S)2 的变动而变动,也就是行权价与当前股价的差
上式中用
σ
ˉ
ˉ
τ
\bar{\bar\sigma}\sqrt\tau
σˉˉτ 代替
v
ˉ
ˉ
\bar{\bar v}
vˉˉ,我们可以得到无相关性下的随机波动率模型,其隐含波动率表达式如下:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]
案例:两状态随机路径波动率
回到两状态随机波动率模型,如下:
C
S
V
=
1
2
[
C
B
S
M
(
S
,
K
,
σ
ˉ
H
)
+
C
B
S
M
(
S
,
K
,
σ
ˉ
L
)
]
C_{SV}=\frac{1}{2}[C_{BSM}(S,K,\bar\sigma_H)+C_{BSM}(S,K,\bar\sigma_L)]
CSV=21[CBSM(S,K,σˉH)+CBSM(S,K,σˉL)]
令
σ
ˉ
L
=
20
%
,
σ
ˉ
H
=
80
%
\bar\sigma_L=20\%,\bar\sigma_H=80\%
σˉL=20%,σˉH=80%,在期权有效期内,波动率平均值和方差分别是:
m
e
a
n
[
σ
ˉ
]
=
1
2
×
(
0.2
+
0.8
)
=
0.5
v
a
r
[
σ
ˉ
]
=
1
2
×
[
(
0.2
−
0.5
)
2
+
(
0.8
−
0.5
)
2
]
=
0.09
mean[\bar\sigma]=\frac{1}{2}\times(0.2+0.8)=0.5\\ var[\bar\sigma]=\frac{1}{2}\times[(0.2-0.5)^2+(0.8-0.5)^2]=0.09
mean[σˉ]=21×(0.2+0.8)=0.5var[σˉ]=21×[(0.2−0.5)2+(0.8−0.5)2]=0.09
上图展示的是,根据两状态随机波动率模型中混合等式的精确值以及:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]
中的近似解,得到的 3 个到期日下的隐含波动率微笑曲线。可以发现,上式在这3种情况下得到的近似解和精确解之间很接近,这3种情况下的微笑曲线都是对称的
注意图中期权有效期对于微笑曲线形状的影响。期限越长,微笑曲线越平坦,期限越短,微笑曲线就越陡峭。为了更好地理解微笑曲线的曲率递减特征,我们可以重新改写上式,重点关注货币性的二次项:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
≡
f
(
σ
ˉ
ˉ
,
v
a
r
[
σ
ˉ
]
,
τ
)
+
c
(
σ
ˉ
ˉ
)
v
a
r
[
σ
ˉ
]
τ
(
ln
(
S
K
)
)
2
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]\\\equiv f(\bar{\bar\sigma},var[\bar\sigma],\tau)+c(\bar{\bar\sigma})\frac{var[\bar\sigma]}{\tau}(\ln(\frac{S}{K}))^2
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]≡f(σˉˉ,var[σˉ],τ)+c(σˉˉ)τvar[σˉ](ln(KS))2
其中
c
(
σ
ˉ
ˉ
)
c(\bar{\bar\sigma})
c(σˉˉ) 是一个与平均路径波动率
σ
ˉ
ˉ
\bar{\bar\sigma}
σˉˉ 相关的函数。在这个路径波动率只有两种状态的案例中,
σ
ˉ
,
v
a
r
[
σ
ˉ
]
\bar\sigma,var[\bar\sigma]
σˉ,var[σˉ] 都与
τ
\tau
τ 无关。因此在上式中,
(
ln
(
S
K
)
)
2
(\ln(\frac{S}{K}))^2
(ln(KS))2 的系数
τ
−
1
\tau^{-1}
τ−1 就意味着微笑曲线的曲率会随着到期日的临近而降低。在实际情况中,随着到期日的临近,波动率微笑曲线的凸性通常会下降
最后再来看一看距到期日时间长短对于平值期权隐含波动率的影响。平值期权的隐含波动率总是低于平均波动率,即50%,并且会随着到期日的临近而降低。如何得到这一结论并不难,在下式中:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]
令
S
=
K
S=K
S=K,于是平值期权的波动率可以表示为:
Σ
a
t
m
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
(
σ
ˉ
ˉ
2
τ
4
)
=
σ
ˉ
ˉ
−
1
8
v
a
r
[
σ
ˉ
]
σ
ˉ
ˉ
τ
\Sigma_{atm}\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}(\frac{\bar{\bar\sigma}^2\tau}{4})=\bar{\bar\sigma}-\frac{1}{8}var[\bar\sigma]\bar{\bar\sigma}\tau
Σatm≈σˉˉ+21var[σˉ]σˉˉ1(4σˉˉ2τ)=σˉˉ−81var[σˉ]σˉˉτ
平值期权的隐含波动率低于平均波动率,这是因为(当股票价格) 在平值期权行权价附近时,BSM 下期权价格的凸性为负
无相关性下,几何布朗运动随机波动率的微笑曲线
假设路径波动率不再只有两种状态,股票价格的波动率是连续的,且服从连续分布,这在现实中更为常见。现在假设波动率本身服从几何布朗运动(GBM),如下:
d
σ
=
a
σ
d
t
+
b
σ
d
Z
d\sigma=a\sigma dt+b\sigma dZ
dσ=aσdt+bσdZ
a
,
b
a,b
a,b 都是常数,分别代表波动率的游走变量以及波动率的波动率。现在继续假设股票价格和波动率之间不存在相关性。上式跟Hull和White(1987)推出的随机波动率模型很相似
上图是在上式的基础上得到的1年期微笑曲线,初始波动率等于20%, a = 0 , b = 0.1 a=0,b=0.1 a=0,b=0.1,计算方法是直接根据上式进行了蒙特卡洛模拟,然后再用混合公式确定期权的价格以及其BSM隐含波动率。以 ln ( S / K ) \ln(S/K) ln(S/K) 来衡量,这个微笑曲线也是对称的。此时,平值期权的波动率到期期限 τ \tau τ 的关系就不是单调的了,而是先上升后下降
无相关性下,GBM随机波动率微笑曲线的近似解析
首先只看平值期权的波动率,可以将:
Σ
a
t
m
≈
σ
ˉ
ˉ
−
1
8
v
a
r
[
σ
ˉ
]
σ
ˉ
ˉ
τ
\Sigma_{atm}\approx\bar{\bar\sigma}-\frac{1}{8}var[\bar\sigma]\bar{\bar\sigma}\tau
Σatm≈σˉˉ−81var[σˉ]σˉˉτ
改写成如下表达式:
Σ
a
t
m
≈
σ
ˉ
ˉ
(
1
−
1
8
v
a
r
[
σ
ˉ
]
τ
)
\Sigma_{atm}\approx\bar{\bar\sigma}(1-\frac{1}{8}var[\bar\sigma]\tau)
Σatm≈σˉˉ(1−81var[σˉ]τ)
假设瞬时波动率
σ
\sigma
σ 的变动服从:
d
σ
=
a
σ
d
t
+
b
σ
d
Z
d\sigma=a\sigma dt+b\sigma dZ
dσ=aσdt+bσdZ
我们来估算一下距离到期日期限与这些路径波动率值之间的关系。根据伊藤引理,瞬时方差
σ
2
\sigma^2
σ2 近似满足于如下的随机微分表达式:
d
r
i
f
t
[
σ
2
]
=
2
a
+
b
2
v
o
l
[
σ
2
]
=
2
b
drift[\sigma^2]=2a+b^2\\ vol[\sigma^2]=2b
drift[σ2]=2a+b2vol[σ2]=2b
因此
σ
2
\sigma^2
σ2 的游走变量约等于波动率游走变量的两倍,
σ
2
\sigma^2
σ2 的波动率等于波动率的波动率的两倍。游走变量中的
b
2
b^2
b2 是来自于伊藤引理中的维纳过程的平方值
路径方差是在到期日
T
T
T 前的瞬时方差的算术平均数,但是瞬时方差
σ
2
\sigma^2
σ2 本身服从几何布朗运动。因此,路径方差没有闭式表达式。但是可以证明,这个算术平均数的游走变量和波动率大概是非平均变量的
1
/
2
1/2
1/2 和
1
/
3
1/\sqrt{3}
1/3。因此,
σ
ˉ
2
\bar\sigma^2
σˉ2 的游走变量和波动率分别约为:
d
r
i
f
t
[
σ
ˉ
2
]
≈
a
+
1
2
b
2
v
o
l
[
σ
ˉ
2
]
≈
2
b
3
drift[\bar\sigma^2]\approx a+\frac{1}{2}b^2\\ vol[\bar\sigma^2]\approx\frac{2b}{\sqrt3}
drift[σˉ2]≈a+21b2vol[σˉ2]≈32b
简单来说,路径波动率
σ
ˉ
\bar\sigma
σˉ 的波动率就是路径方差的一半。根据伊藤引理,
σ
ˉ
\bar\sigma
σˉ 的游走变量大约等于
σ
ˉ
2
\bar\sigma^2
σˉ2 的游走变量的一半。精确来说:
d
r
i
f
t
[
σ
ˉ
]
≈
1
2
(
a
+
1
2
b
2
)
−
1
8
(
2
b
3
)
2
≈
a
2
+
1
12
b
2
v
o
l
[
σ
ˉ
]
≈
(
b
3
)
drift[\bar\sigma]\approx\frac{1}{2}(a+\frac{1}{2}b^2)-\frac{1}{8}(\frac{2b}{\sqrt3})^2\approx\frac{a}{2}+\frac{1}{12}b^2\\ vol[\bar\sigma]\approx(\frac{b}{\sqrt3})
drift[σˉ]≈21(a+21b2)−81(32b)2≈2a+121b2vol[σˉ]≈(3b)
因此对下式:
Σ
a
t
m
≈
σ
ˉ
ˉ
(
1
−
1
8
v
a
r
[
σ
ˉ
]
τ
)
\Sigma_{atm}\approx\bar{\bar\sigma}(1-\frac{1}{8}var[\bar\sigma]\tau)
Σatm≈σˉˉ(1−81var[σˉ]τ)
的
τ
\tau
τ 运用泰勒展开,其中的领头阶,也就是平均路径波动率随时间
τ
\tau
τ 变动的近似表达式为:
σ
ˉ
ˉ
(
τ
)
≈
σ
e
(
a
2
+
1
12
b
2
)
τ
≈
σ
[
1
+
(
a
2
+
1
12
b
2
)
τ
+
1
2
(
a
2
+
1
12
b
2
)
2
τ
2
]
\bar{\bar\sigma}(\tau)\approx\sigma e^{(\frac{a}{2}+\frac{1}{12}b^2)\tau}\approx\sigma[1+(\frac{a}{2}+\frac{1}{12}b^2)\tau+\frac{1}{2}(\frac{a}{2}+\frac{1}{12}b^2)^2\tau^2]
σˉˉ(τ)≈σe(2a+121b2)τ≈σ[1+(2a+121b2)τ+21(2a+121b2)2τ2]
路径波动率的总方差随时间
τ
\tau
τ 的关系式如下:
v
a
r
[
σ
ˉ
]
≈
b
2
3
σ
2
τ
var[\bar\sigma]\approx\frac{b^2}{3}\sigma^2\tau
var[σˉ]≈3b2σ2τ
总方差随到期日的临近而线性递增,这是布朗运动的标准特征。将这些结果代入,保留
τ
\tau
τ 展开式中的前两项,可以得到:
Σ
a
t
m
≈
σ
ˉ
ˉ
(
1
−
1
8
v
a
r
[
σ
ˉ
]
τ
)
≈
σ
[
1
+
(
a
2
+
1
12
b
2
)
τ
+
1
2
(
a
2
+
1
12
b
2
)
2
τ
2
]
(
1
−
1
8
b
2
3
σ
2
τ
2
)
≈
σ
[
1
+
(
a
2
+
1
12
b
2
)
τ
+
(
1
2
(
a
2
+
1
12
b
2
)
2
−
b
2
24
σ
2
)
τ
2
]
\Sigma_{atm}\approx\bar{\bar\sigma}(1-\frac{1}{8}var[\bar\sigma]\tau)\\\approx\sigma[1+(\frac{a}{2}+\frac{1}{12}b^2)\tau+\frac{1}{2}(\frac{a}{2}+\frac{1}{12}b^2)^2\tau^2](1-\frac{1}{8}\frac{b^2}{3}\sigma^2\tau^2)\\\approx\sigma[1+(\frac{a}{2}+\frac{1}{12}b^2)\tau+(\frac{1}{2}(\frac{a}{2}+\frac{1}{12}b^2)^2-\frac{b^2}{24}\sigma^2)\tau^2]
Σatm≈σˉˉ(1−81var[σˉ]τ)≈σ[1+(2a+121b2)τ+21(2a+121b2)2τ2](1−813b2σ2τ2)≈σ[1+(2a+121b2)τ+(21(2a+121b2)2−24b2σ2)τ2]
现在将这个公式代入之前图中的模拟结果中,令
a
=
0
a=0
a=0,并且假设波动率
σ
\sigma
σ 和波动率的波动率
b
b
b 都很小,可以得到:
Σ
a
t
m
≈
σ
[
1
+
b
2
12
τ
+
b
2
24
(
b
2
12
−
σ
2
)
τ
2
]
\Sigma_{atm}\approx\sigma[1+\frac{b^2}{12}\tau+\frac{b^2}{24}(\frac{b^2}{12}-\sigma^2)\tau^2]
Σatm≈σ[1+12b2τ+24b2(12b2−σ2)τ2]
这是一个很有意思的公式,其中包含一个 的线性项,还有一个
τ
\tau
τ 的二次项。当波动率的波动率
b
b
b 小于
12
\sqrt{12}
12 乘以波动率时,这个二次项的系数就为负数。因此随着
τ
\tau
τ 从0逐步增大,这个一次线性项会导致平值期权的波动率逐步提高,而当
τ
\tau
τ 足够大的时候,二次项的系数变成负数,二次项的绝对值会大于一次项,因此会导致平值期权的波动率再次下降。这就解释了之前图中呈现出来的微笑曲线形状
有了这些近似结论之后,当
τ
\tau
τ 满足下列等式时,平值期权的波动率达到最大值(二次函数极大值点):
τ
=
−
b
2
12
2
×
b
2
24
(
b
2
12
−
σ
2
)
=
1
σ
2
−
b
2
12
\tau=-\frac{\frac{b^2}{12}}{2\times\frac{b^2}{24}(\frac{b^2}{12}-\sigma^2)}=\frac{1}{\sigma^2-\frac{b^2}{12}}
τ=−2×24b2(12b2−σ2)12b2=σ2−12b21
利用这个近似表达式,我们不仅可以检查平值期权的隐含波动率水平,也可以检查微笑曲线的曲率情况。我们已经提到过,
v
a
r
[
σ
ˉ
]
var[\bar\sigma]
var[σˉ] 与
τ
\tau
τ 之间应该成比例关系。现在,我们重新调整:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]
并关注货币性的二次项,我们可以得到:
Σ
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
1
σ
ˉ
ˉ
[
(
1
σ
ˉ
ˉ
2
τ
(
ln
(
S
K
)
)
2
−
σ
ˉ
ˉ
2
τ
4
]
≈
σ
ˉ
ˉ
+
1
2
v
a
r
[
σ
ˉ
]
σ
ˉ
ˉ
3
τ
(
ln
(
S
K
)
)
2
−
v
a
r
[
σ
ˉ
]
σ
ˉ
ˉ
τ
8
\Sigma\approx\bar{\bar\sigma}+\frac{1}{2}var[\bar\sigma]\frac{1}{\bar{\bar\sigma}}[(\frac{1}{\bar{\bar\sigma}^2\tau}(\ln(\frac{S}{K}))^2-\frac{\bar{\bar\sigma}^2\tau}{4}]\\\approx\bar{\bar\sigma}+\frac{1}{2}\frac{var[\bar\sigma]}{\bar{\bar\sigma}^3\tau}(\ln(\frac{S}{K}))^2-\frac{var[\bar\sigma]\bar{\bar\sigma}\tau}{8}
Σ≈σˉˉ+21var[σˉ]σˉˉ1[(σˉˉ2τ1(ln(KS))2−4σˉˉ2τ]≈σˉˉ+21σˉˉ3τvar[σˉ](ln(KS))2−8var[σˉ]σˉˉτ
隐含波动率函数中与
K
K
K 有关的斜度部分如下:
1
2
v
a
r
[
σ
ˉ
]
σ
ˉ
ˉ
3
τ
(
ln
(
S
K
)
)
2
≈
1
2
b
2
3
σ
2
τ
σ
ˉ
ˉ
3
τ
(
ln
(
S
K
)
)
2
≈
1
6
b
2
σ
(
ln
(
S
K
)
)
2
\frac{1}{2}\frac{var[\bar\sigma]}{\bar{\bar\sigma}^3\tau}(\ln(\frac{S}{K}))^2\approx\frac{1}{2}\frac{\frac{b^2}{3}\sigma^2\tau}{\bar{\bar\sigma}^3\tau}(\ln(\frac{S}{K}))^2\approx\frac{1}{6}\frac{b^2}{\sigma}(\ln(\frac{S}{K}))^2
21σˉˉ3τvar[σˉ](ln(KS))2≈21σˉˉ3τ3b2σ2τ(ln(KS))2≈61σb2(ln(KS))2
可以发现,微笑曲线的曲率跟距到期日时间几乎没有关系
引入了布朗波动率之后,我们的模型就更贴近实际情况,也更为复杂。我们在第 19 章中曾讨论过,如果实际波动率服从均值回归定律,那么在初始阶段,随着距离到期日的临近,实际波动率会增加,但是一段时间之后就会稳定下来