波动率曲面套利

Z知一二

已于 2024-04-06 15:06:10 修改

阅读量581

点赞数 9

分类专栏：衍生品文章标签：金融

于 2024-04-02 22:22:30 首次发布

本文链接：https://blog.csdn.net/weixin_45880764/article/details/137278744

版权

衍生品专栏收录该内容

14 篇文章 1 订阅

订阅专栏

文章探讨了隐含波动率曲面的建模方法，包括参数法（如多项式模型和VAR模型）、波动率微笑模型（如局部波动率和Heston模型），以及如何通过观察市场动态进行动态建模。还分析了波动率曲面的偏度和峰度特点，以及如何利用这些特征进行套利策略。

摘要由CSDN通过智能技术生成

隐含波动率曲面建模技术

隐含波动率曲面可以清晰地揭示隐含波动率与行权价(或期权价值程度)和合约期限之间的数量关系

交割结构（波动率微笑-尖峰肥尾）+期限结构

参数法

首先建立隐含波动率的参数模型,然后通过优化方法获得模型的最优估计参数,基于最优估计参数重构整个隐含波动率曲面,这个过程也称之为模型参数校准(Calibration)。

参数法建模中使用的模型主要包括两类:一类是隐含波动率的参数模型、另一类是波动率微笑模型。

隐含波动率参数模型

确定性隐含波动率模型，仍然是在BS模型上进行拓展，即维持BS公式中的主要风险源**标的价格S、行权价K、剩余期限T(**无风险利率r对波动率的影响偏小，不作为主要风险源)，根据不同规则，隐含波动率只与这其中的某些变量存在确定性规律，因而此类模型被称为隐含波动率曲面静态模型。

隐含波动率参数模型直接假设隐含波动率的具体函数形式,如:多项式参数模型等。

但是,这类模型存在几方面的缺陷:
一是模型假设主要基于市场经验,缺乏定价理论支持,不易应用于复杂期权定价;
二是该类方法本身无法保证基本的无套利条件成立,需要额外增加约束条件,增加了参数模型估计难度:
三是随着市场特征发生变化,该类模型存在模型设定风险

总结模型

三种常用的确定性变动规则分别为 Derman(1999)提出的粘性行权价规则(StickyStrikeRule)。粘性 delta规则(Sticky Delta Rule)和 Daglish。Hull and Suo(2007)提出的平稳时间平方根规则(Stationary Square Root of Time Rule)。(假设隐含波动率服从对数正态分布)

我们用的是非对称二元多项式，其是在粘性行权价基础上，修改了方程关于在值程度的对称性，引入了收益率项，增加了方程的非线性。

粘性行权价规则，隐含波动率只与行权价与剩余期限有关
粘性 delta 规则，隐含波动率是跟随行权价、剩余期限、标的价格变化而变化的
平稳时间平方根规则，假设隐含波动率是**由m和t的特定函数形式m/sqrt(T)**决定的,

波动率微笑模型

该类模型是对 Black-Scholes模型进行改进,假设资产价格的波动率为变量,在此框架下进行期权定价,进而推演出隐含波动率曲面。

这类模型具体包括:局部波动率模型、Heston随机波动率模型(Heston,1993)。

波动率微笑模型的优势在于建立了较严谨的定价理论,能够保证无套利条件成立,可以支持复杂期权定价。

但这类模型也存在缺陷:
一是计算过程通常较复杂,可能存在较大参数估计误差
二是需要建立关于资产价格的参数假设,但现实世界可能与参数假设存在偏差,从而导致模型风险。

随机波动率模型

随机波动率模型是一类假设标的资产波动率服从某一随机过程的模型，基于随机波动率模型构建隐含波动率曲面的方法在实际中使用的非常广泛。随机波动率模型的期权定价公式是在风险中性测度下基于无风险定价理论推出的，基于这类模型得到的隐含波动率曲面具有无套利的性质。

非参数法

并不直接设定隐含波动率的参数模型,而是基于离散(不完整)的市场数据,应用非参数统计理论中的插值法(Imterpolation)、平滑法(Smoothing)等技术手段,估计完整的隐含波动率曲面。

非参数方法的优势在于灵活性高,可以适应各种复杂形态的隐含波动率曲面建模,降低了模型设定风险。

非参数方法存在的问题:
一是定价理论支持不足,模型应用受限;
二是无法保证基本无套利条件成立;
三是对于期限较长或者价内外程度较深的期权,由于样本数量稀少且流动性不足,非参数法在隐含波动率曲面的边界区域通常难以给出较理想的估计结果

隐含波动率曲面动态建模

前文已对隐含波动率曲面的静态化建模进行大致梳理，但是通过对市场进行观察可以很容易就发现。期权的波动率曲面都是会随着时间变化的，对其进行静态化建模其实只是从理论上进行简化。

动态模型建模方法，是建立在静态参数化因子模型的基础上，对参数化因子的时间序列进行间接的建模。

该类模型的本质其实就是利用各种参数(或者因子)对隐含波动率进行降维，然后通过研究参数的实变特征对波动率曲面的动态变化进行一个间接化的研究,一般这一类模型又被称为半参数化模型。

步骤

第一步首先回归拟合每天隐含波动率的横截面数据。第一步与静态模型类似，在对隐含波动率横截面模型进行比较之后，选定相对更适用隐含波动率横截面模型,对样本期内的每一天都进行隐含波动率曲面拟合，获取每一天的参数。

然后输入用拟合得到的参数估计值的时间序列数据，基于此对参数的时间序列模型进行估计。第二步就是根据选取的时间序列模型对每天的参数因子进行建模，本文选用时间序列向量白回归模型(VAR模型)来刻画参数因子的时变性。VAR模型的核心思想是:将系统中每一个内生变量看作是系统中所有内生变量的滞后值的函数，并进行模型的构建，这样的话就可以把单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。

波动率面的特点

偏度

1）标的资产对数收益率分布函数并非对称函数，而是具有一定的左偏性质，即出现大幅负向收益的概率高于出现大幅正向收益的概率；
2）不同执行价格期权隐含波动率曲线具有向左上倾斜的形态，即隐含波动率曲线具有一定的偏度。实际上，标的资产收益率的左偏特性是隐含波动率曲线产生偏度的重要原因：相比于大幅上涨，标的资产更容易出现大幅下跌，所以投资者对对冲大幅下行风险的需求更高，从而 OTM 看跌期权会具有一定的溢价，这种溢价体现为低执行价格期权隐含波动率较高，即曲线向左上倾斜。