第07章 布莱克-舒尔斯期权定价公式的扩展.docx

第七章 布莱克-舒尔斯期权定价公式的扩展

在第六章中，我们在一系列假定条件下推导得到了著名的布莱克－舒尔斯期权定价公式，在现实生活中，这些假设条件往往是无法成立的，本章的主要目的，就是从多个方面逐一放松这些假设，对布莱克－舒尔斯期权定价公式进行扩展。但是我们也将看到，在有些时候，模型在精确度方面确实获得了相当的改进，但其所带来的收益却无法弥补为达到改进而付出的成本，或是这些改进本身也存在问题，这使得布莱克－舒尔斯期权定价公式仍然在现实中占据重要的地位。

第一节 布莱克-舒尔斯期权定价模型的缺陷

在实际经济生活中，布莱克-舒尔斯期权定价模型（为简便起见，我们后文都称之为BS模型）应用得非常广泛，对金融市场具有很大的影响。其三个作者中的两个更是曾经因此获得诺贝尔奖。因此，无论是从商业上还是从学术上来说，这个模型都非常成功。但是理论模型和现实生活终究会有所差异，对于大多数理论模型来说，模型假设的非现实性往往成为模型主要缺陷之所在，BS公式也不例外。本章的主要内容，就是从多方面逐一放松BS模型的假设，使之更符合实际情况，从而实现对BS定价公式的修正和扩展。
BS模型最基本的假设包括：
1. 没有交易成本或税收。
2. 股票价格服从波动率和无风险利率为常数的对数正态分布。
3. 所有证券都是高度可分的且可以自由买卖，可以连续进行证券交易。
4. 不存在无风险套利机会。
在现实生活中，这些假设显然都是无法成立的。本章的后面几节，将分别讨论这些假设放松之后的期权定价模型。
1. 交易成本的假设：BS模型假定交易成本为零，可以连续进行动态的套期保值，从而保证无风险组合的存在和期权定价的正确性。但事实上交易成本总是客观存在的，这使得我们无法以我们所希望的频率进行套期保值；同时，理论上可行的价格，考虑了交易成本之后就无法实现预期的收益。我们将在第二节中介绍一些对这一假设进行修正的模型。
2. 波动率为常数的假设：BS模型假定标的资产的波动率是一个已知的常数或者是一个确定的已知函数。这一点在标的资产价格的实证检验中被否定，期权市场本身反映的隐含波动率也提出了相反的证据。实际上波动率本身就是一个随机变量。为了解决这个问题，人们从两个角度来对BS模型进行修正：从期权价格的隐含波动率中获取波动率的信息，来为期权定价；从标的资产市场出发获取波动率变化过程的信息，对BS公式进行修正和扩展。我们将在第三节和第四节讨论这个问题。
3. 不确定的参数：BS模型假设波动率、利率、股利等参数都是已知的常数（或是已知的确定函数）。但事实上它们都不是一个常数，甚至也不是一个时间和标的资产价格的确定函数，波动率甚至完全无法在市场观察到，也无法预测。这时可以采取的方法之一是为这些参数的价值确定一个变动区间，从而在最糟糕的情景下为期权定价。我们将在第五节介绍这一方法。
4. 资产价格的连续变动：BS模型假定标的资产的价格是连续变动的，服从对数正态分布。然而在我们的市场中，不连续是常见的：资产价格常常跳跃，并且经常是向下跳跃。这在对数正态分布的资产定价模型中并没有体现出来：对于正态分布来说，这些突然变动的幅度太大，发生太过频繁；同时，由于跳跃来得太突然，这使我们无法单纯依靠对数正态扩散模型对它们进行动态保值。因此我们需要在模型中考虑跳跃的情形，同时我们也需要考察在极端变动的情况下，可能导致的最差结果。我们将在第六节和第七节中对跳跃扩散模型和崩盘模型进行分析，讨论这些问题。

第二节 交易成本

BS期权定价公式的一个重要假设就是没有交易成本，在此基础上，BS公式的分析过程要求对股票和期权组合进行连续的调整再平衡，以实现无风险定价策略。在实际生活中，这个假设显然是难以成立的。即使交易成本很低，连续的交易也将导致很高的交易费用；即使只进行离散的保值调整，但只要进行交易，投资者就必须承担或多或少的交易成本。一般来说，交易成本在以下两种情形下是尤其重要的：
1. 在一个交易费用很高的市场中进行保值操作，比如股票市场和新兴证券市场。
2. 组合头寸经常需要进行调整。其中包括处于平价状态附近的期权和即将到期的期权，这样的期权的套期比率对标的资产价格的变动最为敏感，从而导致调整频率较高。
所以，交易成本在期权价格的确定当中是不可忽略的部分。因此，人们对存在交易费用的情形进行了考察，并得到了基于BS公式的一些修正模型。
值得注意的是，在美国，主要的证券市场都实行专家（Specialists）或做市商(Market-maker)制度，因此，这里的交易成本主要是指在标的资产买卖过程中发生的买卖价差（Bid-offer Spread）。

一、 交易成本的影响分析
交易成本的存在，会影响我们进行套期保值的次数和期权价格：交易成本一方面会使得调整次数受到限制，使基于连续组合调整的BS模型定价成为一种近似；另一方面，交易成本也直接影响到期权价格本身，使得合理的期权价格成为一个区间而不是单个数值，同时许多理论上值得进行的策略，一旦考虑交易成本之后，就变得不可行。进一步来看，交易成本的影响具有以下两个性质：
1.规模效应和交易成本差异化。不同的投资者需要承担的交易成本是不一样的，交易规模越大，成本的重要性程度越低。这就意味着与基本的BS定价公式相悖，现实世界中并不存在唯一的期权价值，而是有赖于投资者的具体情况，相同的合约对于不同的投资者具有不同的价值。
2.即使是同一个投资者，在调整过程中，持有同一个合约的多头头寸和空头头寸，价值也不同。为什么呢？这是因为交易成本对于保值者来说总是一种沉没成本，无论是多头还是空头，对保值成本的估计都必须从期权价值中扣除。这样一个投资者会认为多头的价值低于BS公式理论价值，而空头价值则应高于理论价值。
因此，交易成本的存在，实际上意味着动态保值不再产生期权价格的唯一均衡，而是会针对每一个投资者的不同头寸都出现一个可行价格区间。在这个范围内波动的期权价格都无法进行套利，因为套利获得的无风险收益将被交易费用所抵消。当价格跌到这个区间的下限之外的时候，才存在利用期权多头进行套利的机会，当价格涨到这个区间的上限之上的时候，才存在利用期权空头进行套利的机会。我们将在后面对交易成本模型的描述中进一步阐述这些性质。

二、 Hoggard-Whalley-Wilmott交易成本模型
交易成本模型最早是由Leland参见H. E. Leland, “Option pricing and replication with transaction costs,” Journal of Finance, 40 (1985), 1283-1301.
在1985年提出的，他的主要结论是：可以用一个考虑了交易成本后的波动率代入BS公式得到期权价格，这个模型采用的策略和基本结论为后来的交易成本研究奠定了重要的基础，但是具有一定的局限性。基于此，Hoggard，Whalley和Wilmott三个人于1992年提出了一个考虑交易成本的期权组合定价模型（简称为H-W-W模型） 更详细的推导和分析参见T. Hoggard, A. E. Whalley and P. Wilmott, “Hedging option portfolios in the presence of transaction costs,” Advances in Futures and Options Research, 7 (1994), 21-35.
，这个模型也是衍生工具理论中最早的非线性模型之一。Leland的结论同样可以在H-W-W模型中得到解释。
（一） 基本思路
H-W-W模型仍然采用推导BS微分方程时的无套利均衡的分析思路，采用无收益资产的欧式期权组合为代表来进行分析，但是现在的整个组合价值修正为原来的价值减去交易成本，而这个交易成本的计算则根据事先确定的保值调整策略和交易成本结构进行，由此得到一个新的非线性偏微分方程，即考虑了交易成本之后的期权定价微分方程。
（二） 基本假定
H-W-W模型的主要假定基本与推导BS微分方程的假设相同，主要变量符号不变，只是做了如下修正，：
第一， 投资者投资于欧式期权的组合而不仅仅是单个期权；
第二， 整个投资组合的调整存在交易成本，交易成本结构假设如下：买卖资产时的交易成本正比于所交易的资产价格，这样如果买卖股（买入时>0，卖出时<0）价格为的股票，交易成本为，其中是取决于投资者个人具体成本情况的常数；
第三， 投资者的组合调整策略事先确定：按照规定的时间长度进行调整，即每隔时间进行一次再平衡，这里的不再是无穷小的，不再求趋于0的极限，而是一个固定的很短的时间段；
第四， 股票价格的随机过程以离散的形式给出：，其中是一个服从标准正态分布的随机变量；
第五， 保值组合的预期收益率等于无风险银行存款利率。
（三） 推导过程
1.构造与BS分析类似的无风险组合
无风险组合包括一单位价值为的衍生证券组合多头和 为了与业界习惯和本书其它章节统一，我们同时用表示无风险组合中标的资产的数量以及变量的变化，如，请读者注意区分。
单位的标的资产空头（价值为-）。这里，为了消除组合中的不确定性，仍然要求。令代表整个投资组合的价值，则。
2.计算一个时间长度之后的预期组合价值变化
由于需要考虑交易成本，整个组合价值的变化会相应减少：
（7.1）
其中由Ito引理求得。我们可以看到，实际上这就是第六章中的离散形式再减去一个交易成本项。
由无风险套利假设，有
（7.2）
3.求交易成本的预期值
要求交易成本项，关键在于获得值，即为了保值需要买卖的资产数量。显然：
即为经过时间后持有的标的资产数量与期初持有数量之差。应用Ito引理，的主要部分是
（7.3）
4.得到期权定价方程
将（7.1）和（7.3）代入（7.2）中计算得到（我们简称为H-W-W方程）：
（7.4）
其中是的期望值 推导过程如下：

。
（四） 对H-W-W方程的理解
我们将H-W-W方程与BS微分方程进行比较，可以发现，在考虑交易成本问题之后，我们得到了一个类似的偏微分方程，唯一的区别在于项。这一项具有十分重要的意义。
1. 项在实际中具有深刻的金融含义
首先，让我们来考察项。我们知道，通过选定适合的，我们消去了资产价格变动导致的不确定性，但是因为期权组合价格对资产价格的函数是一条曲线而非直线，这个仅仅对很短的时间间隔成立，随着资产价格的变化，如果继续维持原先的保值比率，就不再是无风险组合，这时如果不进行调整，就会出现“保值误差”。而公式中的，又称为，其含义是期权价格对标的资产价格的二阶偏导，就是对保值误差程度的衡量。由于存在保值误差，就需要调整资产头寸，因此很自然地它必然和预期的调整交易成本相联系。
其次，实际上可以分解为绝对值和资产价格的乘积，该项中的其他部分都是已知的，可以看作一个与具体交易成本相关的常数。因此，这整项确实体现了组合调整成本的影响，是BS公式中没有的。值得注意的是，其中的是依赖于投资者个人特殊情形的常数，因此相应的期权价格显然将会随着投资者情况的不同而不同。
2. 的存在使得H-W-W方程大部分时候是一个非线性方程
H-W-W方程的一个重要特点在于它同时适用于单个期权和期权组合，这是它优于Leland模型的主要原因之一。在不考虑交易成本的时候，期权组合的价值是单个期权价值的线性加总；但是当存在交易费用时，这个线性关系就不再成立。这是因为组合中可能存在内部互相保值的现象而无需进行保值操作，这样，计算期权组合时需要考虑的交易成本会相应减少，从而使得考虑了交易费用之后的单个期权价值之和并不等于整个组合的价值。因此，H-W-W方程是一个非线性的偏微分方程。在这里也可以体现交易成本的规模效应性质：组合规模越大，相互保值的可能性越大，从而大大减少交易费用。
H-W-W方程的非线性来源于的绝对值符号。由于是期权价格曲线的二次偏导，这意味着对于期权的多方来说（无论是看涨还是看跌期权），始终存在；相反，期权的空方。因此只有在整个组合中所有S的都是同一符号即同为多头（或同为空头）的情况下，这个方程才是线性的，否则就会出现内部自我保值的现象而导致非线性。
3. 期权多头和空头价值的不一致性
从以上分析可见，对于期权合约的多头和空头而言，如果考虑交易费用，期权的价值会因符号不同而不同。这和我们用直观分析得到的结论一致：考察交易成本的情况下，即使是同一个投资者，在套期保值过程中，持有同一个合约的多头头寸和空头头寸，价值也不同。关于这一点，我们会在后面进一步讲解。
4. 考虑单个普通期权的情形
由于单个普通期权的符号确定，所以我们可以去掉绝对值符号，得到更精确的结论。对式（7.4）进行整理，我们发现，对于单个期权多头，由于，H-W-W方程实际上是一个以
（7.5）
为波动率的BS公式；相反，由于单个期权的空头，H-W-W方程则化为一个以
（7.6）
为波动率的BS公式。
也就是说，考虑了交易成本之后的单个期权的定价，在BS公式中使用一个修正后的波动率即可求得。这实际上是Leland模型的基本结论。但是Leland模型只适用于单个简单期权或是所有的符号都相同的情形，因此H-W-W模型可以说是它的推广。
式（7.5）和（7.6）显示，当处于多头情形时，考虑交易费用后的波动率要明显小于实际波动程度。这是因为当资产价格上涨时，需要卖出部分资产实现保值，卖出资产的交易成本降低了因价格上升而带来的收益，可以理解为波动水平在一定程度上被降低了。空头时情况正好相反。因此，我们进一步看到，对于同一个投资者而言，同一份期权合约上的多头头寸价值要低于空头头寸的价值。
这种在BS公式中使用修正后波动率的办法也可以推广到期权组合，条件是期权组合中的值必须无论何时何地都总是保持同一个符号。
（五）交易成本和保值频率选择
对于单个期权而言，我们可以通过，即用原来波动率和修正后波动率得到的期权价值之差算出交易成本。对于很小的展开上式得：

代入欧式期权的表达式可得预期的交易费用为

其中定义同BS公式。
进一步定义
（7.7）
当远大于1时，说明交易成本过高，太小，调整过于频繁；如果很小，说明成本对期权价值影响很小，选择的时间间隔太长，因此要降低，增加组合保值调整次数，以降低风险。

三、 交易成本的其他模型
H-W-W模型是比较完善的交易成本模型，但是其中也存在一些问题，经济学家和实际工作者对此做了进一步的修正。主要问题包括：
1. 期权组合中的值不是同一个符号的情形。由于H-W-W模型是非线性的，一般情
况下，都使用数值方法为其定价。关于数值方法的使用，我们将在第八章作深入的阐述。
2. 交易成本不是前述的简单结构，而是资产价格和调整数量的函数的情况。
更具体的说，一个最常见的假设就是
（7.8）
即交易成本包括一个固定成本，一个与交易规模成比例的成本和一个与交易总价值成比例的成本。这时相应的微分方程扩展为
（7.9）
注意式（7.9）是非线性的。
3. H-W-W模型的整个组合调整策略是固定的，即按照规定的时间长度进行调整，而
不考虑这样调整是否最优。而在现实生活中，投资者采取的策略一般都是对价格变动进行持续的监测，并给定一个风险限度，当头寸变动超过风险限度时才进行保值调整。Whalley & Wilmott（1993） A. E. Whalley and P. Wilmott, “Option Pricing with Transaction Costs,” MFG Working Paper,Oxford, 1993.
和Henrotte(1993) P. Henrott, “Transaction Costs and Duplication Strategies,” Working Paper, Standford University, 1993.
都对这一情形进行了研究。他们发现，由于没有进行完美保值，在时间段中投资组合的方差为，这里的是投资者实际持有的标的资产空头数量。投资者总是设定一个参数，投资组合的风险要保持在此限度之内，即
（7.10）
当和的变动超过式（7.10）给定的宽度时，就需要进行组合的调整和再平衡。
Whalley & Wilmott发现，一个考虑了和形如（7.8）的交易成本结构的微分方程为

这同样是一个依赖于值的微分方程，是对BS微分方程的非线性修正。

第三节 波动率微笑和波动率期限结构

BS公式的另一个重要假设是：标的资产的波动率是常数。在现实世界中，这个假设显然是无法成立的。尽管我们无法直接在市场中观测到资产波动率的大小，然而任何处于市场中的投资者都可以明显感觉到这一点，对资产价格时间序列数据的统计检验更进一步证实了资产价格波动率并非常数。
换一个角度来看，假如波动率是常数，那么对于标的资产相同的一类期权，无论其执行价格或到期时间有多大的差异，从它们的期权价格中推导出来的隐含波动率都应该是大致相同的，否则就意味着期权市场存在着套利机会。更具体地说，隐含波动率高的期权价值相对被高估，可以做空；隐含波动率低的期权相对被低估，可以做多，从而获得无风险收益。从理论上说，这种套利行为的大量存在会使得不同期权品种所对应的隐含波动率差异消失。但是，人们却发现这种差异始终存在，显然，不同的执行价格和不同的到期时间对应不同的隐含波动率，这一现象似乎是客观存在的，而非市场偶然性错误定价的结果。也就是说，波动率并非常数，因而BS公式得到的期权价格并不完全符合现实。
更具体地说，人们通过研究发现，应用期权的市场价格和BS公式推算出来的隐含波动率具有以下两个方向的变动规律：
1. 隐含波动率会随着期权执行价格不同而不同，这个规律被称为“波动率微笑”
（Volatility Smiles）；
2. 隐含波动率会随期权到期时间不同而变化，这叫做波动率期限结构（Volatility
Term Structure）。
通过把波动率微笑和波动率期限结构放在一起，实际从业人员构造出一个波动率矩阵（Volatility Matrices），它是我们考察和应用波动率变动规律的基本工具之一。

一、波动率微笑
对具有相同标的资产和到期日，但执行价格不同的期权价格隐含波动率进行比较，我们就可以绘出一个隐含波动率对执行价格的变化曲线。一般来说，这条曲线常常呈现形如图7.1的形状，象是一个微笑的表情，波动率微笑因此而得名。
显然，波动率微笑很直观地告诉我们，执行价格不同，也就是说，当期权分别处于平价、实值和虚值状态时，即使其他条件全都相同，标的资产的隐含波动率也并不相同。为了解释这一广泛存在的现象，人们提出了一些理论，由于波动率微笑的具体形状会随着标的资产的不同而不同，而这些形状往往可以在标的资产价格的概率分布中得到解释，因此最具说服力的是“分布理论”。该理论认为， BS定价模型假设标的资产价格服从对数正态分布，但市场并不这样认为，市场分布和BS 分布之间的差异导致了波动率微笑的出现。
一般说来，波动率微笑有以下两种常见模式：
1. 货币期权的波动率微笑
对于货币期权而言，隐含波动率常常呈现如7.1所示的近似U形。也就是说，平价期权的波动率最低，而实值和虚值期权的波动率会随着实值或虚值程度的增大而增大，两边比较对称。这一波动率微笑对应着如图7.2中实线所描绘的概率分布，为了与虚线表示的BS对数正态分布相区别，我们把它叫做隐含分布。注意，这两个分布具有同样的均值和标准差，但是隐含分布比BS分布尖峰胖尾。
我们可以从如下分析中看到这两个图是相互一致的。先考虑一个深度虚值的货币看涨期权，执行价格很高，为，当且仅当汇率上升到高于时，这个期权才会被执行，图7.2显示隐含分布中价格大于的概率显然大于BS分布的概率。因此，隐含概率分布意味着更高的期权价格，从而得到更高的隐含波动率。这显然符合图7.1中较高的执行价格对应较高的波动率的现象。然后再考虑一个深度虚值的货币看跌期权，价格是较低的，只有当标的资产价格下降到低于时，这个期权才会被执行。图7.2同样显示，低于的概率大于正态分布的情形。因此，我们可以预期隐含分布会得到一个更高的价格从而得到更高的隐含波动率。由于PCP公式的得到与资产价格概率分布无关，假设和分别代表期权的市场价值而和分别代表从BS公式得到的理论期权价值，那么，我们可以同时得到：

两式相减得到
－＝－
可见，具有相同的标的资产和到期日的欧式看涨期权和欧式看跌期权，它们的理论价格和市场价格之间的差异是等同的，这意味着它们所适用的隐含波动率将是一样的。所以以上两种情形同样适用于以为执行价格的深度实值货币看跌期权和以为执行价格的深度实值货币看涨期权。

图7.1 货币期权的波动率微笑 图7.2 货币期权的对数正态分布和隐含分布

研究发现，货币期权的波动率微笑符合我们对汇率数据的实证结果。实证数据同样表明，汇率的极端变化要比对数正态分布所描绘的更经常出现。这是因为一种资产的价格为对数正态分布需要两个条件：第一，资产波动率为常数；第二，资产价格变动连续平滑，没有跳跃。但是在现实中，汇率价格的变化并不满足这两个条件。汇率的波动率不是常数，而且汇率常常出现跳跃。这两个原因导致了极端情况变得更有可能出现。实际上许多金融资产价格都具有以上两个特征，从而使得它们对应的隐含波动率也常常呈现“波动率微笑”，只是它们往往同时也受到其他因素的影响，使波动率的形状发生了相应的变化，如我们将在下面介绍的波动率偏斜。
需要注意的是，价格的跳跃和波动率的随机性对波动率微笑的影响还会因时间而改变。离到期时间越远，跳跃和随机波动率对波动率微笑的影响都会降低，因为时间越长，跳跃和随机波动所造成的效果越可能被“平均化”，从而在价格的分布中几乎看不到，因此到期日越远，波动率微笑越不明显，隐含波动率越接近常数。

2.股票期权 股票指数期权也具有类似特征。
的波动率偏斜
股票期权的波动率微笑则呈现另一种不同的形状，如图7.3所示。有时被叫做“波动率偏斜”（Volatility Skew），看起来象一个偏斜了的微笑。当执行价格上升的时候，波动率下降，而一个较低的执行价格所隐含的波动率则大大高于执行价格较高的期权。也就是说，这时，波动率曲线的形状不再象货币期权那么对称，而是向右下方偏斜的。
股票期权的波动率微笑对应着图7.4给出的隐含分布。与虚线的对数正态分布相比，隐含分布左尾更大，这意味着一个执行价格为的深度虚值看跌期权（或深度实值看涨期权）价格会偏高，从而有较高的波动率；同时隐含分布的右尾更小，这意味着一个执行价格为的深度虚值看涨期权（或深度实值看跌期权）价格会偏低，从而波动率较低。这显然符合7.3的波动率微笑曲线。

图7.3 股票期权的波动率微笑（偏斜） 图7.4 股票期权的对数正态分布和隐含分布

股票期权之所以会有偏斜的波动率微笑，一个可能的解释与股市的“崩盘”有关。偶尔发生的崩盘事件深刻影响了投资者的心理，投资者很担心一个类似于1987年10月的暴跌再次发生，因此市场对价格变化的概率估计是不对称的，即价格显著下跌的可能性远远大于显著上升的可能性，这导致了隐含波动率的偏斜。

二、波动率期限结构
除了波动率微笑，期权交易者还常常使用波动率期限结构。这是指其他条件不变时，平价期权所对应的隐含波动率随到期日不同所表现出来的变化规律。一般来说，不同的标的资产所表现出来的期限结构具体形状会有所不同，但它们大都具有以下两个特点：
1.从长期来看，波动率大多表现出均值回归（Mean-reverting）。即到期日接近时，隐含波动率的变化较剧烈，随着到期时间的延长，隐含波动率将逐渐向历史波动率的平均值靠近，呈现均值回归现象。
2波动率微笑的形状也受到期权到期时间的影响。大多时候，期权到期日越近，波动率“微笑”就越显著，到期日越长，不同价格的隐含波动率差异越小，接近于常数。因此，为了消除时间因素对波动率微笑的影响，一些交易者把波动率微笑定义为。其中为剩余到期时间，为资产相应的远期价格。由于，应用这个公式意味着用来表示执行价格与资产价格之间的关系，即期权的平价、实值或虚值状态，再除以一个，从而使得资产的隐含波动率对时间的依赖程度大大降低，更好地反映执行价格对波动率的影响。

三、波动率矩阵
把波动率微笑和波动率期限结构结合在一张表里，可以得到任何执行价格和任何到期时间的期权所对应的隐含波动率，就形成了波动率矩阵。如表7.1所示波动率矩阵的一个方向是执行价格，另一个方向是距离到期的时间，矩阵中的内容是从BS公式中计算得到的隐含波动率。在任意给定的时刻，该矩阵中的某些期权在市场中有交易，从而这些期权的波动率可以直接从它们的市场价格中计算出来，其余的点则可以用线性插值法确定。
当必须为某个新的期权定价时，交易人员就从矩阵中寻找适当的波动率。例如，当为一个执行价格为1.05的9个月期权定价时，交易人员将在13.4和14.0之间进行线性插值，得到适合的波动率为13.7％，这个波动率将在BS公式或二叉树定价方法（我们将在第九章讨论这一方法）中使用。

剩余有效期
执行价格
0.90
0.95
1.00
1.05
1.10
一个月
14.2
13.0
12.0
13.1
14.5
三个月
14.0
13.0
12.0
13.1
14.2
六个月
14.1
13.3
12.5
13.4
14.3
一年
14.7
14.0
13.5
14.0
14.8
两年
15.0
14.4
14.0
14.5
15.1
五年
14.8
14.6
14.4
14.7
15.0

表7.1 波动率矩阵

四、波动率微笑和波动率期限结构的意义和应用
波动率微笑和波动率期限结构的存在，证明了BS公式关于波动率为常数的基本假设是不成立的，至少期权市场不是这样预期的。因此放松波动率为常数的假设，成为期权理论发展的一个重要方向。目前主要有两种不同的策略：
1.从期权市场出发的改良策略，即仍然以BS模型为基础，但同时假定期权市场已经认
识到真实的波动率函数，考虑不同期权市场和期权品种所对应的波动率矩阵，运用隐含波动率信息对BS公式作相应的调整应用。我们前面所介绍的从波动率矩阵中获取适合的波动率就是属于这一策略。
应用这一策略时要非常小心，因为期权市场的隐含波动率具有一定的局限性：
（1）这一隐含波动率可能是市场供求的影响结果而不完全是市场对波动率的预期，而我们难以对供求关系推动的和市场预期推动的波动率加以区分；
（2）我们无法保证市场中的所有参与者都采用同一个定价模型。如果市场使用的模型差异很大，波动率矩阵也将不同，说明市场对波动率的认识是不同的。这时我们使用BS公式倒推出来的隐含波动率就可能具有误导性。
（3）波动率矩阵实际上反映的是期权市场对于未来波动率的瞬时预期，和我们目前观察到的实际波动率可能很不一样，而且这一预期不一定会实现，甚至几天之内就会发生变化。
因此，在改良策略中我们使用BS模型具有一定的限制条件。市场交易者主要利用它来帮助我们了解与BS模型相对应的隐含波动率的瞬时情形，并且为流动性差的期权（比如我们后面将介绍的奇异期权）定出与交易活跃的常规期权一致的市场价格。这时我们必须在买卖奇异期权的同时用这些交易活跃的期权进行相应的套期保值，才能降低模型错误的风险。
2. 创新策略。对于那些对波动率变动很敏感的期权，仅仅使用改良策略可能具有较大的风险，这时一些交易者倾向于采用新的模型来为期权定价。这些创新策略的主要思路是：改变BS模型波动率为常数的基本假设，一般是从标的资产市场数据出发，建立波动率的模型，使之反映真实情形，在此基础上计算期权的价值。这就是我们在下一节将阐述的内容。后面我们将会看到，这些模型的结果往往都会和波动率微笑和期限结构相呼应，这进一步向我们证实了研究隐含波动率矩阵的重要性。

第四节 随机波动率

一、随机波动率模型
在现实世界中，波动率显然并非常数，而且无法直接在市场上观测到，人们甚至发现波动率是无法预测的。在很多情况下，象股价这样的因素并不能完全解释波动率的变化。因此，有必要考虑更一般的方法，即将作为随机变量，建立随机波动率模型。
到目前为止，为随机波动率建模的文献已经相当多，其一般模型为：

其中和的相关系数为。这时对函数和的选择很重要，它不仅关系到波动率的确定，也对期权定价有重要影响。
在为期权定价过程中，随机波动率也同样可以采用BS方程所使用的无套利定价过程，只是这时候，在期权组合中，由于期权的价格函数由变为，这时不仅需要份的标的资产以消除带来的不确定性，还需要加入份的另一种期权以消除带来的不确定性，即，在此基础上再进行相应的分析，为期权定价。当然这时的模型往往非常复杂，常常无法得到解析解。因此，尽管这些复杂的模型更接近现实，但BS公式仍然使用广泛，尤其在它的一些假设影响不是很大的时候。下面我们介绍其中一些较为有名的波动率模型。
Hull和White考虑了一般的和特殊的随机波动率模型，其中一个股票风险中性的随机波动率模型为

其中、、和是常数，和都是维纳过程，则是股票的方差率，即波动率的平方。显然方差率本身是一个随机过程，并以的速度回归到水平。
Hull和White把这个模型得到的期权价格同使用BS公式得到的价格进行了比较，其中BS公式中使用的方差率是期权存续期间预期的平均方差率。他们发现：随机波动率确实会引起定价的偏差，而波动率和资产价格之间的相关性在其中相当重要。
1. 当波动率是随机的，且与股票价格不相关时，也就是和不相关时，情形比较简单，欧式期权的价格是BS价格在期权有效期内平均方差率分布上的积分值，即欧式看涨期权的价格为 具体内容参见J. C. Hull and A. White, “The Pricing of Options on Assets with Stochastic Volatilities,” Journal of Finance, 42 (June 1987), 281-300.

这里的是方差率在期权有效期内的平均值；是应用和BS公式计算出的期权价格，为的函数；则是在风险中性世界中的概率密度函数。Hull和White发现BS公式倾向于高估平价或接近平价的期权价格，低估深度实值和深度虚值期权，这和上一节中波动率微笑模式一致（见图7.1）。
2. 在股票价格和波动率相关的情况下，这个随机波动率模型没有解析解，只能使用数值方法得到期权价格。当波动率和股票价格负相关时，得到的结果类似于股票期权的波动率偏斜模式（见图7.3）；当它们之间是正相关时，结果正好相反，BS模型倾向于低估虚值看涨期权而高估虚值看跌期权。
3. 波动率随机性质的影响，也会因到期时间的不同而不同。我们在上一节曾经提到，有效期越长，随机波动率对波动率微笑的影响越不显著，因为随机变化会在长期中平均化。但是随机波动率对定价偏差绝对值的影响则正好相反，时间越短，随机波动率引起的定价偏差绝对值越小（但是对于深度虚值期权而言，这个偏差用百分比衡量时可能是很大的）。

二、GARCH模型
另一个广泛使用的波动率模型是广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity, GARCH）。
1. GARCH(1,1)模型简介
GARCH模型又可以分为多种，其中最常见的是GARCH(1,1)模型：
（7.11）
其中、和都为常数，且，，为恒定的长期平均股票方差率。，即n时刻收益率对收益率均值的离差，可以看作是关于方差率的最新信息。
从式（7.11）可以看出，该模型意味着在n时刻的方差率是三个因素的加权平均：恒定的长期平均方差率、前一时期的方差率和关于方差率的最新信息。由于只建立在最新一期和估计值的基础上，因而被称为GARCH(1,1)。更一般的GARCH(p,q)模型则从最近p期的和最近q期的信息中估计方差率。
采用的形式，用最大似然估计法估计三个参数、和，可以进一步得到和的值，并可计算出特定时刻波动率的大小。
例7.1 假设我们从每日交易数据中估计出GARCH（1,1）模型为：

这说明，，。根据，我们可以算出；进一步由于，。也就是说模型中得到的长期平均日方差率为0.0002，那么每日波动率就为1.4%。
如果已经估计出第n-1天的为0.016，为0.01，则

因此，第n天波动率的估计值就为每天即1.53％。
2.不同时期的权重分布
对式（7.11）的右边重复的迭代过程，可以得到
（7.11）
这说明在任意给定的时刻，方差率又可以看作是一个常数加上所有过去的的加权和。时刻的分配的权重为，即随着时间往前推移，分配的权重是以速率指数下降的，越早的数据权重越小。这里的被称为衰减率（Decay Rate）。比如，如果，那么的重要性就只有的90％，而的重要性更进一步下降到的81％。时间距离当前越近的数据，权重越大，这是符合实际的。
3.应用GARCH(1,1)模型预测未来的波动率
通过适当的变换，我们可以将式（7.12）写作

由于，可得未来波动率的预期值为

由于我们设定，随着的增加，以上式子中的最后一项会越来越小，这意味着方差率会呈现出向的均值回归，这和我们前面所讨论的随机波动率模型具有相似的特点，也正是我们在波动率期限结构中曾经讨论过的性质。如果，说明长期平均方差率不起作用，未来预期波动率等于目前的波动率水平；如果，的权重为负，波动率是均值偏离的而非均值回归的，无法进行最大似然估计，这时需要转向其他的模型来解释和估计波动率。

第五节 不确定的参数

考虑了红利收益率的BS方程可以写作
。
在这个抛物形偏微分方程中，包括了两个变量和，三个参数，和。BS方程假定这些都是已知的，但现实世界并没有那么完美。即使是看起来很简单的和，也需要考虑诸如买卖价差、非交易日等的影响，更不用说每个期权合约各自还有其特有的参数如执行价格X，边界水平等条件。在这些变量和参数里面，，和的不确定性是最强的，因此，现实生活当中存在着这样的问题：当参数价值是不确定的时候，如何为期权定价？
我们可以使用的一个方法是为这些参数再确定一个模型，将其与标的资产价格结合起来使用，比如我们之前介绍的关于随机波动率的模型。但这种办法也有其缺陷：一旦我们引入新的模型，我们还需要再考虑新模型的正确性，以及更多参数的不确定性。因为实际上只有期权到期的时候，我们才能真正知道这些参数的正确值和遵循的路径，再复杂精密的预测模型也有错误的风险。
因此，Avellaneda, Levy, Paras和Lyons等人 参见M. Avellaneda, A. Levy and A. Paras, “Pricing and Hedging Derivative Securities in Markets with Uncertain Volatilities,” Applied Mathematical Finance, 2 (1995), 73-88; M. Avellaneda and A. Paras, “Managing the Volatility Risk of Derivative Securities: the Lagrangian Volatility Model,” Applied Mathematical Finance