第11章跳跃扩散模型

第11章：跳跃扩散模型：Merton模型、Kou模型在微笑定价中的应用

聊到波动率微笑，咱们得面对一个现实——Black-Scholes模型假设资产价格连续变化，可真实市场里，价格经常“跳”一下。比如财报发布、央行加息、黑天鹅事件，这些瞬间的跳跃，BS模型根本抓不住。

我个人习惯把跳跃扩散模型看作是BS模型的“补丁”。它承认价格大部分时间在随机游走，但偶尔会来一次“蹦极”。这种思路，说白了就是给期权定价模型装上了一个“突发事件处理模块”。

为什么需要跳跃扩散模型？

你想想看，BS模型隐含波动率曲线为什么是微笑形状？

原因很简单——市场在告诉BS模型：“你的假设不对！”

BS模型假设价格服从几何布朗运动，收益率是正态分布。但真实数据呢？尖峰厚尾，左右不对称。尤其是深度虚值和深度实值期权，BS模型定价偏差很大。

我在项目中遇到过一件事：某次财报前，我尝试用BS模型给跨式期权定价，结果发现隐含波动率曲面出现了明显的“偏斜”。后来换成Merton模型，定价误差直接缩小了30%。

跳跃扩散模型的核心思想就是：把价格变化拆成两部分——

连续部分：常规的扩散运动（BS模型那套）
跳跃部分：离散的、随机发生的价格突变

这样一来，模型就能捕捉到“厚尾”和“偏斜”现象了。

Merton模型：跳跃服从正态分布

Merton模型是跳跃扩散模型的鼻祖。它假设跳跃的幅度服从正态分布，跳跃次数服从泊松过程。

公式长这样：

dS/S = (μ - λκ)dt + σdW + (J-1)dN

其中：

λ：跳跃强度（平均每年跳几次）
κ：平均跳跃幅度
J：跳跃幅度因子（对数正态分布）
dN：泊松过程（0或1）

嗯，这里要注意——Merton模型假设跳跃幅度是对称的，正跳和负跳的概率一样。这在实际市场中并不完全成立。

我曾经用Merton模型给标普500指数期权定价，发现它虽然能拟合出微笑曲线，但对深度虚值看跌期权的定价还是偏低。为什么？因为市场下跌时的跳跃幅度往往比上涨时更大，Merton模型没考虑这个不对称性。

Merton模型定价公式（欧式看涨期权）：

C(S,t) = Σ_{n=0}^{∞} [e^{-λ'(T-t)} (λ'(T-t))^n / n!] × C_BS(S, K, σ_n, r_n, T-t)

其中：

λ' = λ(1+κ)
σ_n² = σ² + nδ²/(T-t)
r_n = r - λκ + nln(1+κ)/(T-t)
δ：跳跃幅度的标准差

说白了，Merton模型就是把BS价格按跳跃次数做了加权平均。跳跃次数越多，隐含波动率越高，这就产生了微笑效应。

Kou模型：双指数跳跃分布

Kou模型是Merton模型的升级版。它最大的改进是——跳跃幅度不再对称，而是用双指数分布来描述。

双指数分布长这样：

f_J(y) = p × η₁ × e^{-η₁ y} × I_{y≥0} + (1-p) × η₂ × e^{η₂ y} × I_{y<0}

其中：

p：向上跳跃的概率
η₁：向上跳跃的衰减速度
η₂：向下跳跃的衰减速度

这个设计很巧妙。η₁和η₂不一样，就能产生偏斜。如果η₂ > η₁，说明向下跳跃的幅度更大、更陡，这正好对应了市场恐慌时的“暴跌”特征。

我记得有一次做VIX指数期权定价，Kou模型的表现明显优于Merton模型。因为VIX在恐慌时飙升的幅度远大于平稳时的下跌幅度，这种不对称性，Kou模型抓得很准。

实战小技巧：

参数估计时，我建议用MLE（最大似然估计）配合历史收益率数据。跳跃强度λ通常取值在0.5-2之间，具体看标的资产的波动特性。个股的跳跃频率比指数高，因为公司有财报、并购等事件。

两种模型的对比

特征	Merton模型	Kou模型
跳跃幅度分布	正态分布（对称）	双指数分布（不对称）
偏斜能力	弱（只能产生微笑）	强（能产生偏斜）
解析解	有（无穷级数）	有（拉普拉斯变换）
计算速度	较快	中等
适用场景	指数期权、外汇期权	个股期权、事件驱动型标的

从表格能看出来，Kou模型在拟合偏斜方面更有优势。但Merton模型计算更简单，适合做快速定价。

在微笑定价中的应用

跳跃扩散模型怎么解决微笑问题？

核心逻辑是这样的：

短期期权：跳跃事件对短期期权影响更大。因为时间短，连续扩散的贡献小，跳跃的贡献占比高。所以短期期权的隐含波动率曲线更陡峭。
长期期权：时间拉长，连续扩散的累积效应会“抹平”跳跃的影响。长期期权的微笑曲线相对平缓。
虚值期权：深度虚值期权对跳跃特别敏感。因为只有发生大幅跳跃，虚值期权才能变成实值。所以跳跃扩散模型能更好地定价虚值期权。

我曾经用Kou模型给某科技股的期权做定价，发现它对深度虚值看跌期权的定价误差只有BS模型的1/3。原因就是该股票历史上出现过几次暴跌，Kou模型的双指数分布正好抓住了这个特征。

避坑指南：

我曾经犯过一个错误——直接用历史数据估计跳跃参数，然后用于定价。结果发现模型在样本外表现很差。后来才意识到，跳跃参数需要做“风险中性”调整。历史参数是真实世界的，定价需要的是风险中性世界的参数。两者之间差一个“跳跃风险溢价”。

核心知识体系

下面这张图展示了跳跃扩散模型在微笑定价中的整体逻辑：

从这张图能看出来，跳跃扩散模型的核心价值在于——它给BS模型增加了一个“跳跃维度”。Merton模型适合对称的微笑，Kou模型适合不对称的偏斜。实际应用中，我建议先画一下隐含波动率曲线，看看是微笑还是偏斜，再选模型。

实战中的参数校准

参数校准是跳跃扩散模型最头疼的部分。我分享一个我常用的流程：

收集数据：至少3年的日度收益率数据，加上期权市场报价
初步估计：用MLE估计跳跃参数（λ, μ_J, σ_J 或 p, η₁, η₂）
期权校准：用市场期权价格反推风险中性参数
验证：检查模型定价误差是否在可接受范围内

嗯，这里有个坑——跳跃参数和扩散参数之间存在“识别问题”。什么意思？就是同样的价格路径，可能由不同的参数组合生成。我建议固定扩散波动率（比如用历史波动率），只校准跳跃参数，这样更稳定。

代码示例：Merton模型欧式看涨期权定价（Python）

import numpy as np
from scipy.stats import norm

def merton_call(S, K, T, r, sigma, lam, mu_j, sigma_j, n_max=50):
    """
    Merton跳跃扩散模型欧式看涨期权定价
    S: 标的价格
    K: 行权价
    T: 到期时间
    r: 无风险利率
    sigma: 扩散波动率
    lam: 跳跃强度
    mu_j: 跳跃幅度均值
    sigma_j: 跳跃幅度标准差
    """
    # 风险中性调整
    kappa = np.exp(mu_j + 0.5 * sigma_j**2) - 1
    lam_prime = lam * (1 + kappa)
    
    price = 0
    for n in range(n_max):
        # 调整后的参数
        sigma_n = np.sqrt(sigma**2 + n * sigma_j**2 / T)
        r_n = r - lam * kappa + n * np.log(1 + kappa) / T
        
        # BS价格
        d1 = (np.log(S/K) + (r_n + 0.5 * sigma_n**2) * T) / (sigma_n * np.sqrt(T))
        d2 = d1 - sigma_n * np.sqrt(T)
        bs_price = S * norm.cdf(d1) - K * np.exp(-r_n * T) * norm.cdf(d2)
        
        # 泊松权重
        poisson_prob = np.exp(-lam_prime * T) * (lam_prime * T)**n / np.math.factorial(n)
        price += poisson_prob * bs_price
    
    return price

这段代码我用了很多次。注意n_max取50就够用了，因为泊松权重衰减很快。如果T很短（比如几天），n_max取10都行。

总结一下

跳跃扩散模型是解决波动率微笑问题的利器。Merton模型简单实用，适合对称微笑；Kou模型更灵活，能处理偏斜。实际交易中，我建议先用Kou模型做主力，因为它对市场情绪的刻画更细腻。

最后提醒一句——模型再好，也要结合市场经验。参数校准不是一劳永逸的，市场结构变了，参数也得跟着调。我每周都会重新校准一次参数，确保模型跟得上市场节奏。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录