第1章：局部波动率模型：Dupire公式、局部波动率曲面构建与交易应用

1.1 从BS到局部波动率——我为什么放弃常数波动率

做期权交易的人，早晚都会撞上一堵墙——BS模型。

BS模型漂亮，优雅，拿过诺奖。但用它做实际交易？说实话，有点天真。BS假设波动率是常数，可市场根本不是这么玩的。你去看期权报价，虚值看跌期权的隐含波动率往往比平值高出一大截，这就是所谓的“波动率微笑”。

我刚开始做期权量化那会儿，也迷信BS。直到有一次，我用BS算了一个深度虚值看跌期权的理论价，觉得便宜得离谱，重仓卖了不少。结果市场一跌，波动率瞬间飙升，我的头寸直接被打穿。嗯，那次教训让我明白：波动率不是常数，它随标的价格和时间变化。

局部波动率模型（Local Volatility Model）就是来解决这个问题的。它允许波动率是标的价格和时间的函数：σ(S, t)。这样一来，模型就能自动捕捉波动率微笑和偏斜。

1.2 Dupire公式——从期权价格反推波动率

1994年，Dupire发表了一篇论文，给出了一个惊人的结论：如果市场上有足够多的欧式期权报价，我们可以直接从期权价格反推出局部波动率函数。

公式长这样：

σ²(K, T) = [∂C/∂T + (r - q)K·∂C/∂K + qC] / [½·K²·∂²C/∂K²]

其中：

• C(K, T) 是行权价为K、到期日为T的欧式看涨期权价格
• r 是无风险利率
• q 是股息率

说白了，这个公式就是在告诉你：给定一个期权价格的曲面，你可以把它“微分”一下，就能得到局部波动率曲面。

我在项目中第一次实现这个公式时，踩了个大坑——∂²C/∂K²在分母上。如果期权价格曲面不够光滑，二阶导数可能为负，算出来的局部波动率就是负数。这显然不合理。

1.3 局部波动率曲面构建——从理论到工程

构建局部波动率曲面，我一般分四步走：

1. 获取市场数据：收集不同行权价、不同到期日的期权报价
2. 计算隐含波动率曲面：用BS模型反推出每个期权的隐含波动率
3. 平滑插值：对隐含波动率曲面做平滑处理（我常用三次样条或双线性插值）
4. 应用Dupire公式：从平滑后的期权价格曲面计算局部波动率

这里有个关键点：Dupire公式需要的是期权价格对行权价的二阶导数。直接对市场报价求导，噪声会被放大到离谱。我建议先用参数化模型（比如SVI模型）拟合隐含波动率曲面，再转成期权价格，最后求导。

给你看一段我常用的Python代码片段：

import numpy as np
from scipy.interpolate import RectBivariateSpline

def build_local_vol_surface(strikes, maturities, implied_vol_surface, r, q):
    """
    从隐含波动率曲面构建局部波动率曲面
    """
    # 1. 将隐含波动率转为期权价格
    option_prices = bs_to_price(strikes, maturities, implied_vol_surface, r, q)
    
    # 2. 用双三次样条平滑
    spline = RectBivariateSpline(strikes, maturities, option_prices)
    
    # 3. 计算偏导数
    dC_dT = spline(strikes, maturities, dx=0, dy=1)
    dC_dK = spline(strikes, maturities, dx=1, dy=0)
    d2C_dK2 = spline(strikes, maturities, dx=2, dy=0)
    
    # 4. 应用Dupire公式
    numerator = dC_dT + (r - q) * strikes * dC_dK + q * option_prices
    denominator = 0.5 * strikes**2 * d2C_dK2
    
    local_vol = np.sqrt(np.maximum(numerator / denominator, 1e-8))
    
    return local_vol

1.4 交易应用——局部波动率模型能帮你做什么

局部波动率模型在实际交易中，主要有三个用途：

应用场景	具体做法	我的评价
奇异期权定价	用局部波动率模型为障碍期权、亚式期权等路径依赖产品定价	比BS准得多，但计算慢
波动率套利	比较局部波动率与隐含波动率的差异，寻找定价偏差	需要高频数据，适合做市商
风险管理	计算更准确的希腊字母，尤其是Vega和Gamma	这是我最常用的场景

举个例子。你持有某个股票的看涨期权头寸，用BS算出来的Delta是0.5。但如果你用局部波动率模型重新算，可能会发现Delta其实是0.55。为什么？因为局部波动率模型考虑了波动率随标的价格的变化——当股价上涨时，波动率可能下降，这会影响Delta。

我记得有一次，一个同事用BS算了一个障碍期权的价格，觉得被低估了，想买入。我建议他用局部波动率模型重新定价，结果发现BS低估了约8%。他后来感谢我说，这8%的差异差点让他亏钱。

1.5 局部波动率模型的局限性——别把它当万能药

说实话，局部波动率模型也不是完美的。它有几个硬伤：

• 动态不一致：模型假设波动率是确定的函数，但实际中波动率会随机变化。用局部波动率模型做动态对冲，效果可能不如随机波动率模型。
• 数据需求高：需要大量不同行权价和到期日的期权报价。对于流动性差的品种，曲面构建会很不稳定。
• 计算成本高：每次定价都要做数值求解，不像BS那样有解析解。

但话说回来，局部波动率模型仍然是业界最常用的工具之一。它比BS更贴近市场，又比随机波动率模型更容易实现和校准。我个人认为，对于大多数实际交易场景，局部波动率模型是“性价比”最高的选择。

1.6 本章知识体系

下面这张图，是我自己画的局部波动率模型知识框架。你看一眼，就能明白各模块之间的关系：

嗯，这一章的内容就到这儿。局部波动率模型是期权量化交易的基础工具，理解它，你就能看懂市场上很多定价偏差和套利机会。下一章我们会深入随机波动率模型，看看它和局部波动率模型有什么不同。

---

公众号:蓝海资料掘金营，微信deep3321