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23章 跳跃-扩散模型的微笑曲线——介绍
跳跃
大部分证券的价格并非随时间平缓扩散;它们的变动会出现突然的跳跃。股票和指数一定存在价格跳跃。外汇市场有时会出现价格跳跃。商品价格也会出现跳跃
跳跃通常是指在很短的时间内价格发生大幅变动。“很短的时间内“几乎都是指在一个交易日内;“大幅”指变动幅度相比 σ t \sigma\sqrt t σt 而言很大,也就是在这个时间段内的预期标准差。股票指数市场上很少出现非常大幅的跳跃现象(频率通常是好几年才会出现一次),但是一旦出现,会对经济、金融,尤其是心理造成非常重要的影响。在股票市场,价格跳跃大部分时候是大幅下跌,而个股价格既会向上跳跃也会向下跳跃
跳跃在解释微笑曲线的方面非常有吸引力,因为价格跳跃很容易导致短期负斜度曲线变陡峭且具有持续性,这恰是我们在股票指数市场中所观察到的
然而(从理论的角度看),跳跃违反了无套利风险中性定价原理,这是截至目前我们所有模型的基础。这是因为期权的标的资产价格可能会经历很多不同幅度的跳跃,而我们无法在每个瞬间都对这种期权进行对冲。相比风险中性定价原理,经济模型没有太大的吸引力,因为这类模型需要对行为进行深入研究后建模。为了避免这种情况,大部分跳跃-扩散模型在没有强有力说服力的前提下,仍然假设风险中性定价原理成立
跳跃对斜度影响的简析
假设,在当前时点 t = 0 t=0 t=0 到到期日 t = T t=T t=T 之间,指数水平一次性跳跃 J % J\% J% 的可能性为 p p p。现在,我们假设在这段时间之内要么有1次跳跃,要么没有跳跃。如果没有跳跃,波动率就是 σ 0 \sigma_0 σ0。下图粗略展示了在不同到期期限下,股票价格的概率分布情况
有两个因素会影响股票价格到期日分布情况,分别是扩散和跳跃。对数扩散下,到期日的标准差是 σ 0 τ \sigma_0\sqrt\tau σ0τ,随着 τ = T − t \tau=T-t τ=T−t 的增加而增加,而在跳跃情况下,标准差总是保持不变的。到期期限较短时,跳跃会导致在扩散分布的尾部出现明显的凸起。随着到期期限不断增加,扩散分布标准差的相对值会增加,而跳跃对整体分布影响的重要性会越来越低。在对期权估值的时候,跳跃对到期期限较短的期权影响更明显,随着到期期限的增加,这种影响会逐渐降低直至可以忽略,因为连续扩散对分布的效果会覆盖跳跃的效果
上图展示的是上述情况对应的隐含波动率曲面,此处,为了简便,假设扩散波动率不存在期限结构(也就是说, σ 0 \sigma_0 σ0 不随时间的变化而变化)。注意,距离到期日较近的时候,微笑曲线的斜度非常高,但是期限较长时,微笑曲线就变得相对平坦。对指数期权而言,这并非是一个不切实际的波动率曲面,尤其是在到期期限较短的情况下。如果考虑了扩散波动率的期限结构,这个曲面还可以更接近实际情况
纯跳跃模型
现在,只对跳跃过程建模,并以此为基础,研究在实际中跳跃和扩散共同存在的情况
股价跳跃:校验与修正
上图展示的是在 Δ t \Delta t Δt 时间内,股价 S S S 的对数扩散过程离散二叉树形图
股价上行或者下行的概率是有限的,但是股价变动过程是可以趋近于无穷小的,按照系数
Δ
t
\sqrt{\Delta t}
Δt 变动。在一个时间间隔区间内,
ln
(
S
S
0
)
\ln(\dfrac{S}{S_0})
ln(S0S) 的总方差就等于
σ
2
Δ
t
\sigma^2\Delta t
σ2Δt,游走变量为
μ
Δ
t
\mu\Delta t
μΔt。相对应的连续时间过程就是
d
ln
(
S
)
=
μ
d
t
+
σ
d
Z
d\ln(S)=\mu dt+\sigma dZ
dln(S)=μdt+σdZ,也就是:
d
S
S
=
(
μ
+
1
2
σ
2
)
d
t
+
σ
d
Z
\frac{dS}{S}=(\mu+\frac{1}{2}\sigma^2)dt+\sigma dZ
SdS=(μ+21σ2)dt+σdZ
在风险中性条件下,当无风险利率等于
r
r
r 时,我们需要调整离散过程,使得
μ
=
r
−
1
2
σ
2
\mu=r-\frac{1}{2}\sigma^2
μ=r−21σ2
跳跃本质上和扩散是不同的。上图展示的是在二叉树模型中的一个分叉上发生了跳跃。发生跳跃的概率很小,其系数是 Δ t \Delta t Δt,但是跳跃 J J J 的幅度可能会很大。这就是一个只有跳跃没有扩散的模型。如果我们令 J = 0 J=0 J=0,那么树形图中的上行分叉和下行分叉的游走变量都是一样的,均为 μ ′ \mu' μ′。在这个模型中,时间间隔 Δ t \Delta t Δt 越长,出现跳跃的概率 λ Δ t \lambda\Delta t λΔt 也就越高
现在来看一下在这个过程中
ln
(
S
/
S
0
)
\ln(S/S_0)
ln(S/S0) 的均值和方差。均值等于:
E
[
ln
(
S
S
0
)
]
=
λ
Δ
t
(
μ
′
Δ
t
+
J
)
+
(
1
−
λ
Δ
t
)
μ
′
Δ
t
=
(
μ
′
+
λ
J
)
Δ
t
E[\ln(\frac{S}{S_0})]=\lambda\Delta t(\mu'\Delta t+J)+(1-\lambda\Delta t)\mu'\Delta t =(\mu'+\lambda J)\Delta t
E[ln(S0S)]=λΔt(μ′Δt+J)+(1−λΔt)μ′Δt=(μ′+λJ)Δt
方差等于:
v
a
r
[
ln
(
S
S
0
)
]
=
λ
Δ
t
[
μ
′
Δ
t
+
J
−
(
μ
′
+
λ
J
)
Δ
t
]
2
+
(
1
−
λ
Δ
t
)
[
μ
′
Δ
t
−
(
μ
′
+
λ
J
)
Δ
t
]
2
=
λ
Δ
t
[
J
(
1
−
λ
Δ
t
)
]
2
+
(
1
−
λ
Δ
t
)
[
−
λ
J
Δ
t
]
2
=
J
2
λ
Δ
t
(
1
−
λ
Δ
t
)
2
+
J
2
(
1
−
λ
Δ
t
)
(
λ
Δ
t
)
2
=
J
2
λ
Δ
t
(
1
−
λ
Δ
t
)
(
1
−
λ
Δ
t
+
λ
Δ
t
)
=
J
2
λ
Δ
t
(
1
−
λ
Δ
t
)
Δ
t
→
0
:
lim
Δ
t
→
0
v
a
r
[
ln
(
S
S
0
)
]
=
J
2
λ
Δ
t
var[\ln(\frac{S}{S_0})]=\lambda\Delta t[\mu'\Delta t+J-(\mu'+\lambda J)\Delta t]^2+(1-\lambda\Delta t)[\mu'\Delta t-(\mu'+\lambda J)\Delta t]^2\\=\lambda\Delta t[J(1-\lambda \Delta t)]^2+(1-\lambda\Delta t)[-\lambda J\Delta t]^2\\=J^2\lambda\Delta t(1-\lambda \Delta t)^2+J^2(1-\lambda\Delta t)(\lambda\Delta t)^2\\=J^2\lambda\Delta t(1-\lambda \Delta t)(1-\lambda \Delta t+\lambda \Delta t)=J^2\lambda\Delta t(1-\lambda \Delta t)\\ \Delta t\to0:\lim_{\Delta t\to0}var[\ln(\frac{S}{S_0})]=J^2\lambda\Delta t
var[ln(S0S)]=λΔt[μ′Δt+J−(μ′+λJ)Δt]2+(1−λΔt)[μ′Δt−(μ′+λJ)Δt]2=λΔt[J(1−λΔt)]2+(1−λΔt)[−λJΔt]2=J2λΔt(1−λΔt)2+J2(1−λΔt)(λΔt)2=J2λΔt(1−λΔt)(1−λΔt+λΔt)=J2λΔt(1−λΔt)Δt→0:Δt→0limvar[ln(S0S)]=J2λΔt
因此,该过程的游走变量为
μ
=
(
μ
′
+
λ
J
)
\mu=(\mu'+\lambda J)
μ=(μ′+λJ),得到的波动率为
σ
=
J
λ
\sigma=J\sqrt\lambda
σ=Jλ
如果我们观察到某证券的对数游走变量为
μ
\mu
μ,波动率为
σ
\sigma
σ,那么我们可以根据如下关系式调整纯跳跃模型中的各参数:
J
=
σ
λ
μ
′
=
μ
−
λ
J
=
μ
−
λ
σ
J=\frac{\sigma}{\sqrt\lambda}\\ \mu'=\mu-\lambda J=\mu-\sqrt\lambda\sigma
J=λσμ′=μ−λJ=μ−λσ
给定了
μ
,
σ
\mu,\sigma
μ,σ 之后,就可以得到
J
,
μ
′
,
λ
J,\mu',\lambda
J,μ′,λ 的参数值。我们可以选择任意的
J
J
J 值,然后就可以确定
λ
\lambda
λ 值,反之亦然。在反复多次之后,上图中的过程就变成了近似于游走变量为
μ
\mu
μ,波动率为
σ
\sigma
σ 的证券
给定 J J J 之后,只有 λ \lambda λ 是未知变量,也就是每单位时间出现跳跃的概率。如果跳跃是向上的,那么 μ ′ \mu' μ′ 就会小于 μ \mu μ。如果跳跃是向下的,那么 μ ′ \mu' μ′ 就会大于 μ \mu μ。在不同情况下,我们需要根据跳跃的情况调整 μ ′ \mu' μ′ 值,保证加权平均回报等于 μ \mu μ。跳跃幅度越大,或者跳跃出现的概率越高,需要做出的调整也越大
股价 S S S 本身如何变动?与扩散过程一样,在跳跃模型中也需要调整股票价格的游走变量和波动率。在扩散过程中,这个调整需要用到伊藤调节项 1 2 σ 2 \dfrac{1}{2}\sigma^2 21σ2。与此相似,跳跃过程中也需要用到调节项,相关证明如下
上图展示了股票价格
S
S
S 的纯跳跃二叉树模型。在一个微小时间端
Δ
t
\Delta t
Δt 之后,股票价格的期望值为:
E
[
S
]
=
λ
Δ
t
S
e
μ
′
Δ
t
+
J
+
(
1
−
λ
Δ
t
)
S
e
μ
′
Δ
t
=
S
e
μ
′
Δ
t
[
1
+
λ
(
e
J
−
1
)
Δ
t
]
≈
S
e
(
μ
′
+
λ
(
e
J
−
1
)
)
Δ
t
E[S]=\lambda\Delta tSe^{\mu'\Delta t+J}+(1-\lambda\Delta t)Se^{\mu'\Delta t}\\=Se^{\mu'\Delta t}[1+\lambda(e^J-1)\Delta t]\\\approx Se^{(\mu'+\lambda(e^J-1))\Delta t}
E[S]=λΔtSeμ′Δt+J+(1−λΔt)Seμ′Δt=Seμ′Δt[1+λ(eJ−1)Δt]≈Se(μ′+λ(eJ−1))Δt
如果我们在风险中性条件下进行估值,并令股票价格的增长率为
r
r
r,那么就有
r
=
μ
′
+
λ
(
e
J
−
1
)
r=\mu'+\lambda(e^J-1)
r=μ′+λ(eJ−1),因此该流程在连续时间下就需要满足:
μ
′
=
r
−
λ
(
e
J
−
1
)
\mu'=r-\lambda(e^J-1)
μ′=r−λ(eJ−1)
在跳跃模型中,我们需要调整游走变量,使其等于无风险利率
在极限条件
Δ
t
→
0
\Delta t\to0
Δt→0 时,带跳跃的
ln
(
S
S
0
)
\ln(\dfrac{S}{S_0})
ln(S0S) 的过程在连续时间下的表达式为:
d
ln
(
S
)
=
μ
′
d
t
+
J
d
q
d\ln(S)=\mu'dt+Jdq
dln(S)=μ′dt+Jdq
其中
d
q
dq
dq 表示跳跃,或者说泊松过程。下图展示了纯泊松过程的二叉树形图,其中1表示跳跃,0表示没有跳跃
当概率为 λ d t \lambda dt λdt 时, d q dq dq 值为1,当概率为 ( 1 − λ d t ) (1-\lambda dt) (1−λdt) 时, d q dq dq 值等于0。 d q dq dq 的期望值为 E [ d q ] = λ d t E[dq]=\lambda dt E[dq]=λdt
跳跃的泊松分布
用 λ \lambda λ 表示每单位时间发生跳跃的概率。但是不再假设只有一次跳跃,而是假设在任意时间段内都可能有多次跳跃。价格跳跃之间是相互独立的,如果在一个短暂时间段 Δ t \Delta t Δt 内不发生跳跃的概率为 ( 1 − λ Δ t ) (1-\lambda\Delta t) (1−λΔt),那么在两个时间段内都没有发生跳跃的概率就是 ( 1 − λ Δ t ) 2 (1-\lambda\Delta t)^2 (1−λΔt)2。归纳起来,在 N N N 个时间段内都没有发生跳跃的概率就是 ( 1 − λ Δ t ) N (1-\lambda\Delta t)^N (1−λΔt)N
用
P
(
n
,
T
)
P(n,T)
P(n,T) 表示在
t
=
0
t=0
t=0 到
t
=
T
t=T
t=T 之间出现
n
n
n 次跳跃的概率,其中
d
t
=
T
/
N
dt=T/N
dt=T/N;那么在这段时间内没有发生跳跃的概率就是
P
(
0
,
T
)
P(0,T)
P(0,T),并且有:
P
(
0
,
T
)
=
(
1
−
λ
d
t
)
N
=
(
1
−
λ
T
N
)
N
P(0,T)=(1-\lambda dt)^N=(1-\frac{\lambda T}{N})^N
P(0,T)=(1−λdt)N=(1−NλT)N
如果
T
T
T 保持不变,在极限条件
N
→
∞
N\to\infty
N→∞ 时,就有
d
t
→
0
dt\to0
dt→0,并且根据指数函数的定义,就有:
lim
N
→
∞
P
(
0
,
T
)
=
e
−
λ
T
\lim_{N\to\infty}P(0,T)=e^{-\lambda T}
N→∞limP(0,T)=e−λT
更普遍的表达式是:
P
(
n
,
T
)
=
N
!
n
!
(
N
−
n
)
!
(
λ
d
t
)
n
(
1
−
λ
d
t
)
N
−
n
P(n,T)=\frac{N!}{n!(N-n)!}(\lambda dt)^n(1-\lambda dt)^{N-n}
P(n,T)=n!(N−n)!N!(λdt)n(1−λdt)N−n
可以证明:
lim
N
→
∞
P
(
n
,
T
)
=
(
λ
T
)
n
n
!
e
−
λ
T
\lim_{N\to\infty}P(n,T)=\frac{(\lambda T)^n}{n!}e^{-\lambda T}
N→∞limP(n,T)=n!(λT)ne−λT
注意:
∑
n
=
0
∞
P
(
n
,
T
)
=
1
\sum_{n=0}^\infty P(n,T)=1
n=0∑∞P(n,T)=1
跳跃的数量可能是0或者无穷大,且这些概率合计等于1
容易证明,在 t = 0 t=0 t=0 到 t = T t=T t=T 之间,跳跃数量的平均值等于 λ T \lambda T λT,其中 λ \lambda λ 仍然表示单位时间出现一次跳跃的概率。也可以证明,在 t = 0 t=0 t=0 到 t = T t=T t=T 之间,跳跃数量的方差也等于 λ T \lambda T λT
纯跳跃风险中性期权定价
在一个纯跳跃模型中,如果我们愿意假设风险中性条件成立,那么对一个标准欧式期权进行估值就很变得容易。未来可以出现0次或者无数次跳跃,所有这些可能出现的情境所对应的期权损益,按照每种情景出现的概率进行加权求和再按照无风险利率进行折现,就得到了期权当前的价值。比如说,行权价为
K
K
K,到期期限为
T
T
T 的欧式看涨期权的价值就等于:
C
=
e
−
γ
T
∑
n
=
0
∞
(
λ
T
)
n
n
!
e
−
λ
T
×
max
[
S
0
e
μ
′
T
+
n
J
−
K
,
0
]
C=e^{-\gamma T}\sum_{n=0}^\infty\frac{(\lambda T)^n}{n!}e^{-\lambda T}\times\max[S_0e^{\mu'T+nJ}-K,0]
C=e−γTn=0∑∞n!(λT)ne−λT×max[S0eμ′T+nJ−K,0]
其中,根据风险中性要求,
μ
′
=
r
−
λ
(
e
J
−
1
)
\mu'=r-\lambda(e^J-1)
μ′=r−λ(eJ−1)
之前提到,如果存在跳跃,那么风险中性定价原理可能不成立,即使我们接受风险中性假设条件,当前的模型也是非常简化的