第23章 跳跃-扩散模型的微笑曲线——介绍

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 $\sigma \sqrt{t}$ 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 $t=0$ 到到期日 $t=T$ 之间，指数水平一次性跳跃 $J\%$ 的可能性为 $p$。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 ${\sigma }_0$。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 ${\sigma }_0\sqrt{\tau }$，随着 $\tau =T-t$ 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，${\sigma }_0$ 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 $\Delta t$ 时间内，股价 $S$ 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 $\sqrt{\Delta t}$ 变动。在一个时间间隔区间内，$\ln (\frac{S}{S_0})$ 的总方差就等于 ${\sigma }^2\Delta t$，游走变量为 $\mu \Delta t$。相对应的连续时间过程就是 $d\ln (S)=\mu dt+\sigma dZ$，也就是：
$$\frac{dS}{S}=(\mu +\frac{1}{2}{\sigma }^2)dt+\sigma dZ$$
在风险中性条件下，当无风险利率等于 $r$ 时，我们需要调整离散过程，使得 $\mu =r-\frac{1}{2}{\sigma }^2$

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 $\Delta t$，但是跳跃 $J$ 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 $J=0$，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 ${\mu }^{\prime }$。在这个模型中，时间间隔 $\Delta t$ 越长，出现跳跃的概率 $\lambda \Delta t$ 也就越高

现在来看一下在这个过程中 $\ln (S/S_0)$ 的均值和方差。均值等于：
$$E[\ln (\frac{S}{S_0})]=\lambda \Delta t({\mu }^{\prime }\Delta t+J)+(1-\lambda \Delta t){\mu }^{\prime }\Delta t=({\mu }^{\prime }+\lambda J)\Delta t$$
方差等于：
$$\begin{gathered} var[\ln (\frac{S}{S_0})]=\lambda \Delta t[{\mu }^{\prime }\Delta t+J-({\mu }^{\prime }+\lambda J)\Delta t{]}^2+(1-\lambda \Delta t)[{\mu }^{\prime }\Delta t-({\mu }^{\prime }+\lambda J)\Delta t{]}^2 \\ =\lambda \Delta t[J(1-\lambda \Delta t){]}^2+(1-\lambda \Delta t)[-\lambda J\Delta t{]}^2 \\ =J^2\lambda \Delta t(1-\lambda \Delta t{)}^2+J^2(1-\lambda \Delta t)(\lambda \Delta t{)}^2 \\ =J^2\lambda \Delta t(1-\lambda \Delta t)(1-\lambda \Delta t+\lambda \Delta t)=J^2\lambda \Delta t(1-\lambda \Delta t) \\ \Delta t\to 0:\underset{\Delta t\to 0}{\lim }var[\ln (\frac{S}{S_0})]=J^2\lambda \Delta t \end{gathered}$$
因此，该过程的游走变量为 $\mu =({\mu }^{\prime }+\lambda J)$，得到的波动率为 $\sigma =J\sqrt{\lambda }$

如果我们观察到某证券的对数游走变量为 $\mu$，波动率为 $\sigma$，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：
$$\begin{gathered} J=\frac{\sigma }{\sqrt{\lambda }} \\ {\mu }^{\prime }=\mu -\lambda J=\mu -\sqrt{\lambda }\sigma \end{gathered}$$
给定了 $\mu ,\sigma$ 之后，就可以得到 $J,{\mu }^{\prime },\lambda$ 的参数值。我们可以选择任意的 $J$ 值，然后就可以确定 $\lambda$ 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 $\mu$，波动率为 $\sigma$ 的证券

给定 $J$ 之后，只有 $\lambda$ 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 ${\mu }^{\prime }$ 就会小于 $\mu$。如果跳跃是向下的，那么 ${\mu }^{\prime }$ 就会大于 $\mu$。在不同情况下，我们需要根据跳跃的情况调整 ${\mu }^{\prime }$ 值，保证加权平均回报等于 $\mu$。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 $S$ 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 $\frac{1}{2}{\sigma }^2$。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 $S$ 的纯跳跃二叉树模型。在一个微小时间端 $\Delta t$ 之后，股票价格的期望值为：
$$\begin{gathered} E[S]=\lambda \Delta tS{e}^{{\mu }^{\prime }\Delta t+J}+(1-\lambda \Delta t)S{e}^{{\mu }^{\prime }\Delta t} \\ =S{e}^{{\mu }^{\prime }\Delta t}[1+\lambda (e^J-1)\Delta t] \\ \approx S{e}^{({\mu }^{\prime }+\lambda (e^J-1))\Delta t} \end{gathered}$$
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 $r$，那么就有 $r={\mu }^{\prime }+\lambda (e^J-1)$，因此该流程在连续时间下就需要满足：
$${\mu }^{\prime }=r-\lambda (e^J-1)$$
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 $\Delta t\to 0$ 时，带跳跃的 $\ln (\frac{S}{S_0})$ 的过程在连续时间下的表达式为：
$$d\ln (S)={\mu }^{\prime }dt+Jdq$$
其中 $dq$ 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 $\lambda dt$ 时，$dq$ 值为1，当概率为 $(1-\lambda dt)$ 时，$dq$ 值等于0。$dq$ 的期望值为 $E[dq]=\lambda dt$

跳跃的泊松分布

用 $\lambda$ 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 $\Delta t$ 内不发生跳跃的概率为 $(1-\lambda \Delta t)$，那么在两个时间段内都没有发生跳跃的概率就是 $(1-\lambda \Delta t{)}^2$。归纳起来，在 $N$ 个时间段内都没有发生跳跃的概率就是 $(1-\lambda \Delta t{)}^N$

用 $P(n,T)$ 表示在 $t=0$ 到 $t=T$ 之间出现 $n$ 次跳跃的概率，其中 $dt=T/N$；那么在这段时间内没有发生跳跃的概率就是 $P(0,T)$，并且有：
$$P(0,T)=(1-\lambda dt{)}^N=(1-\frac{\lambda T}{N}{)}^N$$
如果 $T$ 保持不变，在极限条件 $N\to \infty$ 时，就有 $dt\to 0$，并且根据指数函数的定义，就有：
$$\underset{N\to \infty }{\lim }P(0,T)=e^{-\lambda T}$$
更普遍的表达式是：
$$P(n,T)=\frac{N!}{n!(N-n)!}(\lambda dt{)}^n(1-\lambda dt{)}^{N-n}$$
可以证明：
$$\underset{N\to \infty }{\lim }P(n,T)=\frac{(\lambda T{)}^n}{n!}{e}^{-\lambda T}$$
注意：
$$\sum _{n=0}^{\infty }P(n,T)=1$$
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 $t=0$ 到 $t=T$ 之间，跳跃数量的平均值等于 $\lambda T$，其中 $\lambda$ 仍然表示单位时间出现一次跳跃的概率。也可以证明，在 $t=0$ 到 $t=T$ 之间，跳跃数量的方差也等于 $\lambda T$

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 $K$，到期期限为 $T$ 的欧式看涨期权的价值就等于：
$$C=e^{-\gamma T}\sum _{n=0}^{\infty }\frac{(\lambda T{)}^n}{n!}{e}^{-\lambda T}\times \max [S_0{e}^{{\mu }^{\prime }T+nJ}-K,0]$$
其中，根据风险中性要求，${\mu }^{\prime }=r-\lambda (e^J-1)$

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