第21章 随机波动率模型：无相关性时的微笑曲线

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 $S$ 或行权价 $K$ 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 $\alpha$，我们可以得到：
$$C_{BSM}(\alpha S,\alpha K,\sigma ,\tau ,r)=\alpha C_{BSM}(S,K,\sigma ,\tau ,r)$$
令 $\alpha =1/S$，并且在等式两侧同时乘以 $S$，再移项调整后，就有：
$$C_{BSM}(S,K,\sigma ,\tau ,r)=S{C}_{BSM}(1,\frac{K}{S},\sigma ,\tau ,r)$$
如果波动率 $\sigma$ 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 $C_{SV}$ 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（${\bar{\sigma }}_H$），要么低波动率（${\bar{\sigma }}_L$），两种波动率出现的概率相等，于是根据混合定理：
$$C_{SV}=\frac{1}{2}[C_{BSM}(S,K,{\bar{\sigma }}_H)+C_{BSM}(S,K,{\bar{\sigma }}_L)]$$
此处为了简便隐去了 $\tau ,r$，引入货币性可得：
$$C_{SV}=\frac{S}{2}[C_{BSM}(1,\frac{K}{S},{\bar{\sigma }}_H)+C_{BSM}(1,\frac{K}{S},{\bar{\sigma }}_L)]\equiv Sf(\frac{K}{S})$$
上式中 $f(\frac{K}{S})$ 是由比率 $K/S$ 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 $C_{SV}$，于是：
$$C_{SV}\equiv C_{BSM}(S,K,\Sigma )=S{C}_{BSM}(1,\frac{K}{S},\Sigma )$$
结合上述两式可得：
$$\begin{gathered} C_{SV}=Sf(\frac{K}{S})=S{C}_{BSM}(1,\frac{K}{S},\Sigma ) \\ {C}_{BSM}(1,\frac{K}{S},\Sigma )=f(\frac{K}{S}) \end{gathered}$$
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：
$$\Sigma =g(\frac{K}{S})$$
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：
$$\begin{gathered} \frac{\partial \Sigma }{\partial S}=-\frac{K}{S^2}{g}^{\prime } \\ \frac{\partial \Sigma }{\partial K}=\frac{1}{S}{g}^{\prime } \end{gathered}$$
因此有：
$$S\frac{\partial \Sigma }{\partial S}+K\frac{\partial \Sigma }{\partial K}=0$$
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 $S\approx K$：
$$\frac{\partial \Sigma }{\partial S}\approx -\frac{\partial \Sigma }{\partial K}$$
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，$S$ 发生微小变动对隐含波动率的影响，约等于 $K$ 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 $(S-K)$ 的函数来近似表达：
$$\Sigma \approx \Sigma (S-K)$$
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 ${\bar{\sigma }}_T$ 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 $T$，用 $\bar{\sigma }$ 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 $\varphi (\bar{\sigma })$ 表示路径波动率的概率密度函数，于是就有：
$$C_{SV}={\int }_0^{\infty }{C}_{BSM}(\bar{\sigma })\varphi (\bar{\sigma })d\bar{\sigma }$$
假设波动率的波动率很小，然后对平均路径波动率 $\overline{\stackrel{ˉ}{\sigma }}$ 进行二阶泰勒展开：
$$\begin{gathered} C_{SV}={\int }_0^{\infty }{C}_{BSM}(\overline{\stackrel{ˉ}{\sigma }}+\bar{\sigma }-\overline{\stackrel{ˉ}{\sigma }})\varphi (\bar{\sigma })d\bar{\sigma } \\ \approx {\int }_0^{\infty }[C_{BSM}(\overline{\stackrel{ˉ}{\sigma }})+\frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}(\bar{\sigma }-\overline{\stackrel{ˉ}{\sigma }})+\frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}(\bar{\sigma }-\overline{\stackrel{ˉ}{\sigma }}{)}^2]\varphi (\bar{\sigma })d\bar{\sigma } \\ \approx C_{BSM}(\overline{\stackrel{ˉ}{\sigma }})+0+\frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}var[\bar{\sigma }] \\ \approx C_{BSM}(\overline{\stackrel{ˉ}{\sigma }})+\frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}var[\bar{\sigma }] \end{gathered}$$
其中 $var[\bar{\sigma }]$ 表示在期权有效期内股票路径波动率 $\bar{\sigma }$ 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 $\Sigma$ 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 $\Sigma$ 和 $\overline{\stackrel{ˉ}{\sigma }}$ 之间的差异也很小。于是：
$$\begin{gathered} C_{SV}=C_{BSM}(\Sigma )=C_{BSM}(\overline{\stackrel{ˉ}{\sigma }}+\Sigma -\overline{\stackrel{ˉ}{\sigma }})=C_{BSM}(\overline{\stackrel{ˉ}{\sigma }})+\frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}(\Sigma -\overline{\stackrel{ˉ}{\sigma }})+... \\ \approx C_{BSM}(\overline{\stackrel{ˉ}{\sigma }})+\frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}(\Sigma -\overline{\stackrel{ˉ}{\sigma }}) \end{gathered}$$
联系上述两个式子可以得到：
$$\begin{gathered} \frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}(\Sigma -\overline{\stackrel{ˉ}{\sigma }})\approx \frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}var[\bar{\sigma }] \\ \Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{\frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}var[\bar{\sigma }]}{\frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}} \end{gathered}$$
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：
$$\begin{gathered} V=\frac{\partial C_{BSM}}{\partial \sigma }=\frac{S\sqrt{\tau }}{\sqrt{2\pi }}{e}^{-\frac{1}{2}{d}_1^2} \\ \frac{{\partial }^2{C}_{BSM}}{\partial {\sigma }^2}=V\frac{d_1{d}_2}{\sigma }=\frac{V}{\sigma }[(\frac{1}{v}\ln (\frac{S}{K}){)}^2-\frac{v^2}{4}] \end{gathered}$$
这里 $v=\sigma \sqrt{\tau }$ 表示在期权剩余有效期 $\tau$ 内总的波动率。在上式中，当 $S=K$ 的时候，vega 值呈现轻微的负凸性。将上式代入可得：
$$\Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{\frac{1}{2}\frac{{\partial }^2{C}_{BSM}}{\partial {\bar{\sigma }}^2}{|}_{\overline{\stackrel{ˉ}{\sigma }}}var[\bar{\sigma }]}{\frac{\partial C_{BSM}}{\partial \bar{\sigma }}{|}_{\overline{\stackrel{ˉ}{\sigma }}}}=\overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}\frac{\frac{V^{\prime }}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{\overline{\stackrel{ˉ}{v}}}\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{v}}}^2}{4}]var[\bar{\sigma }]}{V^{\prime }}=\overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{\overline{\stackrel{ˉ}{v}}}\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{v}}}^2}{4}]$$
其中 $\bar{v}=\bar{\sigma }\sqrt{\tau }$。上式右侧部分是一个与 $\ln (S/K)$ 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 $(\ln (S/K){)}^2$ 的变动而变动，这是一个货币性黏性微笑曲线，只与 $K/S$ 的值有关。如果用线性式来近似表达货币性，也就是 $(K-S)$，这条微笑曲线随 $(K-S{)}^2$ 的变动而变动，也就是行权价与当前股价的差

上式中用 $\overline{\stackrel{ˉ}{\sigma }}\sqrt{\tau }$ 代替 $\overline{\stackrel{ˉ}{v}}$，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：
$$\Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}]$$

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：
$$C_{SV}=\frac{1}{2}[C_{BSM}(S,K,{\bar{\sigma }}_H)+C_{BSM}(S,K,{\bar{\sigma }}_L)]$$
令 ${\bar{\sigma }}_L=20\%,{\bar{\sigma }}_H=80\%$，在期权有效期内，波动率平均值和方差分别是：
$$\begin{gathered} mean[\bar{\sigma }]=\frac{1}{2}\times (0.2+0.8)=0.5 \\ var[\bar{\sigma }]=\frac{1}{2}\times [(0.2-0.5{)}^2+(0.8-0.5{)}^2]=0.09 \end{gathered}$$

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：
$$\Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}]$$
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：
$$\begin{gathered} \Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}] \\ \equiv f(\overline{\stackrel{ˉ}{\sigma }},var[\bar{\sigma }],\tau )+c(\overline{\stackrel{ˉ}{\sigma }})\frac{var[\bar{\sigma }]}{\tau }(\ln (\frac{S}{K}){)}^2 \end{gathered}$$
其中 $c(\overline{\stackrel{ˉ}{\sigma }})$ 是一个与平均路径波动率 $\overline{\stackrel{ˉ}{\sigma }}$ 相关的函数。在这个路径波动率只有两种状态的案例中，$\bar{\sigma },var[\bar{\sigma }]$ 都与 $\tau$ 无关。因此在上式中，$(\ln (\frac{S}{K}){)}^2$ 的系数 ${\tau }^{-1}$ 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：
$$\Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}]$$
令 $S=K$，于是平值期权的波动率可以表示为：
$${\Sigma }_{atm}\approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}(\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4})=\overline{\stackrel{ˉ}{\sigma }}-\frac{1}{8}var[\bar{\sigma }]\overline{\stackrel{ˉ}{\sigma }}\tau$$
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：
$$d\sigma =a\sigma dt+b\sigma dZ$$
$a,b$ 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%，$a=0,b=0.1$，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 $\ln (S/K)$ 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 $\tau$ 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：
$${\Sigma }_{atm}\approx \overline{\stackrel{ˉ}{\sigma }}-\frac{1}{8}var[\bar{\sigma }]\overline{\stackrel{ˉ}{\sigma }}\tau$$
改写成如下表达式：
$${\Sigma }_{atm}\approx \overline{\stackrel{ˉ}{\sigma }}(1-\frac{1}{8}var[\bar{\sigma }]\tau )$$
假设瞬时波动率 $\sigma$ 的变动服从：
$$d\sigma =a\sigma dt+b\sigma dZ$$
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 ${\sigma }^2$ 近似满足于如下的随机微分表达式：
$$\begin{gathered} drift[{\sigma }^2]=2a+b^2 \\ vol[{\sigma }^2]=2b \end{gathered}$$
因此 ${\sigma }^2$ 的游走变量约等于波动率游走变量的两倍，${\sigma }^2$ 的波动率等于波动率的波动率的两倍。游走变量中的 $b^2$ 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 $T$ 前的瞬时方差的算术平均数，但是瞬时方差 ${\sigma }^2$ 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 $1/2$ 和 $1/\sqrt{3}$。因此，${\bar{\sigma }}^2$ 的游走变量和波动率分别约为：
$$\begin{gathered} drift[{\bar{\sigma }}^2]\approx a+\frac{1}{2}{b}^2 \\ vol[{\bar{\sigma }}^2]\approx \frac{2b}{\sqrt{3}} \end{gathered}$$
简单来说，路径波动率 $\bar{\sigma }$ 的波动率就是路径方差的一半。根据伊藤引理，$\bar{\sigma }$ 的游走变量大约等于 ${\bar{\sigma }}^2$ 的游走变量的一半。精确来说：
$$\begin{gathered} drift[\bar{\sigma }]\approx \frac{1}{2}(a+\frac{1}{2}{b}^2)-\frac{1}{8}(\frac{2b}{\sqrt{3}}{)}^2\approx \frac{a}{2}+\frac{1}{12}{b}^2 \\ vol[\bar{\sigma }]\approx (\frac{b}{\sqrt{3}}) \end{gathered}$$
因此对下式：
$${\Sigma }_{atm}\approx \overline{\stackrel{ˉ}{\sigma }}(1-\frac{1}{8}var[\bar{\sigma }]\tau )$$
的 $\tau$ 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 $\tau$ 变动的近似表达式为：
$$\overline{\stackrel{ˉ}{\sigma }}(\tau )\approx \sigma e^{(\frac{a}{2}+\frac{1}{12}{b}^2)\tau }\approx \sigma [1+(\frac{a}{2}+\frac{1}{12}{b}^2)\tau +\frac{1}{2}(\frac{a}{2}+\frac{1}{12}{b}^2{)}^2{\tau }^2]$$
路径波动率的总方差随时间 $\tau$ 的关系式如下：
$$var[\bar{\sigma }]\approx \frac{b^2}{3}{\sigma }^2\tau$$
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 $\tau$ 展开式中的前两项，可以得到：
$$\begin{gathered} {\Sigma }_{atm}\approx \overline{\stackrel{ˉ}{\sigma }}(1-\frac{1}{8}var[\bar{\sigma }]\tau ) \\ \approx \sigma [1+(\frac{a}{2}+\frac{1}{12}{b}^2)\tau +\frac{1}{2}(\frac{a}{2}+\frac{1}{12}{b}^2{)}^2{\tau }^2](1-\frac{1}{8}\frac{b^2}{3}{\sigma }^2{\tau }^2) \\ \approx \sigma [1+(\frac{a}{2}+\frac{1}{12}{b}^2)\tau +(\frac{1}{2}(\frac{a}{2}+\frac{1}{12}{b}^2{)}^2-\frac{b^2}{24}{\sigma }^2){\tau }^2] \end{gathered}$$
现在将这个公式代入之前图中的模拟结果中，令 $a=0$，并且假设波动率 $\sigma$ 和波动率的波动率 $b$ 都很小，可以得到：
$${\Sigma }_{atm}\approx \sigma [1+\frac{b^2}{12}\tau +\frac{b^2}{24}(\frac{b^2}{12}-{\sigma }^2){\tau }^2]$$
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 $\tau$ 的二次项。当波动率的波动率 $b$ 小于 $\sqrt{12}$ 乘以波动率时，这个二次项的系数就为负数。因此随着 $\tau$ 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 $\tau$ 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 $\tau$ 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）：
$$\tau =-\frac{\frac{b^2}{12}}{2\times \frac{b^2}{24}(\frac{b^2}{12}-{\sigma }^2)}=\frac{1}{{\sigma }^2-\frac{b^2}{12}}$$
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，$var[\bar{\sigma }]$ 与 $\tau$ 之间应该成比例关系。现在，我们重新调整：
$$\Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}]$$
并关注货币性的二次项，我们可以得到：
$$\begin{gathered} \Sigma \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}var[\bar{\sigma }]\frac{1}{\overline{\stackrel{ˉ}{\sigma }}}[(\frac{1}{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }(\ln (\frac{S}{K}){)}^2-\frac{{\overline{\stackrel{ˉ}{\sigma }}}^2\tau }{4}] \\ \approx \overline{\stackrel{ˉ}{\sigma }}+\frac{1}{2}\frac{var[\bar{\sigma }]}{{\overline{\stackrel{ˉ}{\sigma }}}^3\tau }(\ln (\frac{S}{K}){)}^2-\frac{var[\bar{\sigma }]\overline{\stackrel{ˉ}{\sigma }}\tau }{8} \end{gathered}$$
隐含波动率函数中与 $K$ 有关的斜度部分如下：
$$\frac{1}{2}\frac{var[\bar{\sigma }]}{{\overline{\stackrel{ˉ}{\sigma }}}^3\tau }(\ln (\frac{S}{K}){)}^2\approx \frac{1}{2}\frac{\frac{b^2}{3}{\sigma }^2\tau }{{\overline{\stackrel{ˉ}{\sigma }}}^3\tau }(\ln (\frac{S}{K}){)}^2\approx \frac{1}{6}\frac{b^2}{\sigma }(\ln (\frac{S}{K}){)}^2$$
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