第21章随机波动率与跳跃扩散模型

第21章：随机波动率与跳跃扩散模型

做期权交易这么多年，我越来越觉得，光靠BS模型那套假设，在实盘中根本不够用。你想想看，真实市场里波动率会变，价格还会突然跳，这些BS模型都处理不了。今天我们就来聊聊怎么用SVJJ模型和Merton跳跃扩散模型，把这些「异常」给量化出来。

21.1 为什么需要跳跃扩散模型？

先说说我个人的经历。2018年有一次做美股期权，VIX指数突然飙升，标普500在几分钟内暴跌了3%。我当时持仓的价差组合瞬间从盈利变成亏损。事后复盘，我发现BS模型完全没捕捉到这种「跳跃」风险。

BS模型假设价格是连续变化的，但现实不是这样。突发事件、财报发布、央行决议，这些都会让价格「跳」一下。说白了，BS模型只能处理「正常波动」，遇到「异常波动」就抓瞎了。

核心问题：BS模型假设波动率恒定，价格路径连续。但真实市场存在波动率聚集效应和跳跃风险。我们需要更复杂的模型来捕捉这些特征。

21.2 Merton跳跃扩散模型

Merton在1976年提出了跳跃扩散模型，算是这个领域的开山之作。它的核心思路很简单：价格变化 = 正常扩散 + 偶尔跳跃。

数学上，它长这样：

dS/S = (μ - λκ)dt + σdW + (J-1)dN

其中：

dW：标准布朗运动，代表正常波动
dN：泊松过程，代表跳跃事件
J：跳跃幅度，通常假设服从对数正态分布
λ：跳跃强度，即单位时间内跳跃的平均次数
κ：跳跃幅度的期望值

我在项目中遇到过一个问题：用Merton模型校准标普500期权时，发现跳跃强度λ的估计值很不稳定。后来我意识到，这是因为样本区间选择不同导致的。建议你用至少3年的数据来做校准，太短的数据会让参数飘忽不定。

实用技巧：Merton模型对短期期权（1个月以内）的定价效果最好。因为短期期权更容易受到跳跃风险的影响。对于长期期权，跳跃的影响会被时间平滑掉。

21.3 SVJJ模型：随机波动率+跳跃

Merton模型有个问题：它假设波动率是常数。但真实市场里，波动率本身也在变。SVJJ模型（Stochastic Volatility with Jumps in both Price and Volatility）把这两者都考虑进去了。

SVJJ模型的数学形式：

dS/S = (r - λκ)dt + √V dW_s + J_s dN_s
dV = κ(θ - V)dt + σ_v √V dW_v + J_v dN_v

这里：

V：随机波动率，用CIR过程描述
dW_s, dW_v：两个相关的布朗运动
J_s, J_v：价格和波动率的跳跃幅度
N_s, N_v：价格和波动率的跳跃过程

嗯，这里要注意：SVJJ模型有7-8个参数，校准起来相当麻烦。我建议你先用Merton模型跑一遍，把跳跃参数定下来，再引入随机波动率部分。一步到位容易过拟合。

避坑指南：我曾经在SVJJ模型校准中犯过一个错误——同时校准所有参数，结果得到了一个在样本内拟合很好、但样本外完全失效的模型。后来我改用两步法：先校准波动率参数（用VIX期货数据），再校准跳跃参数（用期权数据）。效果好了很多。

21.4 模型校准实战

校准说白了就是找一组参数，让模型价格尽量接近市场价格。常用的方法是最小化均方根误差（RMSE）。

下面是一个简单的校准框架：

# 伪代码：Merton模型校准
def merton_calibration(market_prices, strikes, maturities):
    # 目标函数：模型价格与市场价格的误差
    def objective(params):
        sigma, lambda_, mu_j, sigma_j = params
        model_prices = []
        for K, T in zip(strikes, maturities):
            price = merton_price(S, K, T, r, sigma, lambda_, mu_j, sigma_j)
            model_prices.append(price)
        return np.sqrt(np.mean((np.array(model_prices) - market_prices)**2))
    
    # 初始参数猜测
    initial_guess = [0.2, 0.5, -0.05, 0.1]
    # 参数边界
    bounds = [(0.01, 1.0), (0.01, 5.0), (-0.5, 0.5), (0.01, 0.5)]
    
    result = minimize(objective, initial_guess, bounds=bounds, method='L-BFGS-B')
    return result.x

你想想看，校准过程中最怕什么？局部最优。我建议你用全局优化算法（比如差分进化）先跑一遍，再用局部优化精调。这样能避免掉进坑里。

21.5 套利机会识别

模型建好了，怎么用它赚钱？核心思路是：找到模型价格和市场价格的偏差。

具体做法：

计算隐含参数：用当前市场价格反推出模型的隐含参数
预测未来价格：用这些参数预测其他期限或行权价的期权价格
寻找偏差：如果模型预测价格和市场价格差异超过某个阈值（比如2%），就存在套利机会

我记得有一次，用SVJJ模型发现某只股票的虚值看跌期权被严重高估。模型给出的理论价格是1.2美元，但市场价格是1.8美元。我们做空了那个期权，一周后价格回归到1.3美元，赚了0.5美元的差价。

套利信号判断标准：

偏差幅度	信号强度	建议操作
< 1%	弱	观望
1% - 3%	中等	轻仓参与
3% - 5%	强	正常仓位
> 5%	极强	重仓出击

21.6 知识体系总览

下面这张图展示了本章的核心逻辑：从BS模型的局限性出发，引入跳跃扩散模型和随机波动率模型，最终落实到套利机会识别。

21.7 实战中的注意事项

最后分享几个我在实战中总结的经验：

数据频率很重要：校准跳跃模型最好用5分钟高频数据，日线数据会丢失很多跳跃信息
跳跃和波动率要分开：如果模型同时包含跳跃和随机波动率，参数之间容易互相混淆。我建议先用VIX数据定波动率参数，再定跳跃参数
别忘了交易成本：套利机会看起来很美，但扣除手续费和滑点后可能就不赚钱了。我一般要求理论收益至少覆盖2倍交易成本才动手
模型失效要认输：市场结构会变，去年好用的参数今年可能就废了。我每周都会重新校准一次模型参数

一句话总结：SVJJ和Merton模型不是万能药，但它们能帮你捕捉到BS模型看不到的套利机会。关键是要理解每个参数的经济含义，而不是盲目优化。

好了，这一章的内容就到这里。记住，模型只是工具，真正赚钱的是你对市场的理解。下一章我们会聊聊如何把这些模型应用到实际交易策略中。

📚 课程目录