Heston模型

创作不易，您的关注、点赞、收藏和转发是我坚持下去的动力！

大家有技术交流指导、论文及技术文档写作指导、项目开发合作的需求可以私信联系我。

Heston模型是一种用于金融市场的随机波动率模型，广泛应用于期权定价和资产定价中。该模型通过同时模拟资产价格和波动率的随机过程，提供了对实际市场中波动率微笑现象的较好解释。

1. Heston模型的基本公式

Heston模型假设资产价格 ( S_t ) 和其波动率 ( v_t ) 的动态遵循以下随机微分方程（SDE）：

• 资产价格的SDE:
  [
  dS_t = \mu S_t dt + \sqrt{v_t} S_t dW_t^S
  ]
  其中，( \mu ) 是资产的预期收益率，( v_t ) 是时变的随机波动率，( W_t^S ) 是一个布朗运动。

• 波动率的SDE:
  [
  dv_t = \kappa (\theta - v_t) dt + \sigma \sqrt{v_t} dW_t^v
  ]
  其中：

  • ( \kappa ) 是均值回复速度，表示波动率回归到长期均值 ( \theta ) 的速度。
  • ( \theta ) 是长期均值。
  • ( \sigma ) 是波动率的波动率，表示波动率本身的随机性。
  • ( W_t^v ) 是另一个布朗运动，与 ( W_t^S ) 的相关系数为 ( \rho )。

2. 风险中性测度（Q测度）转换

为了在市场中进行资产定价，我们通常使用风险中性测度 ( Q ) ，而不是实际测度 ( P )。在Heston模型中，风险中性测度下的波动率方程需要引入市场价格风险 ( \lambda )：

[
dv_t = \kappa (\theta - v_t) dt + \sigma \sqrt{v_t} d\widetilde{W}_t^v
]
其中，( \widetilde{W}_t^v ) 是在风险中性测度下的布朗运动。

3. Heston模型的参数估计

拟合Heston模型通常涉及以下几个步骤：

3.1 参数估计方法

• 最大似然估计（MLE）：通过最大化历史数据的似然函数来估计模型参数。
• 最小平方误差（MSE）：通过最小化模型价格和市场价格之间的平方误差来估计模型参数。
• 卡尔曼滤波：用于对含有隐状态变量的模型进行参数估计。

3.2 Python实现

这里以最大似然估计为例，展示Heston模型的参数拟合过程。

import numpy as np
from scipy.optimize import minimize
from scipy.stats import norm

# 定义Heston模型下的资产价格和波动率的动态
def heston_simulate(params, S0, v0, T, N, dt):