11、随机波动率模型：Heston模型原理、Heston模型的数值实现、模型参数估计
说到随机波动率，我第一个想到的就是Heston模型。为什么？因为它在业界太常用了。BS模型假设波动率是常数，这显然不现实。你想想看，市场恐慌时波动率飙升，平静时波动率走低，怎么可能一成不变？
Heston模型的核心思想很简单：波动率本身也是一个随机过程。它有自己的均值回复特性，有自己的波动率（专业术语叫“波动率的波动率”）。嗯，这听起来有点绕，但说白了就是——波动率会自己上下波动，而且它会慢慢回到一个长期均值水平。
核心要点：Heston模型解决了BS模型的两个硬伤——波动率微笑和波动率期限结构。我在项目中遇到过很多次，用BS模型定价深度虚值期权，价格偏差大到离谱。换成Heston模型后，拟合效果明显改善。
11.1 Heston模型原理
Heston模型由两个随机微分方程组成。一个是资产价格过程，另一个是方差过程。我习惯把这两个方程放在一起看，它们就像一对双胞胎，互相影响。
dS(t) = μ·S(t)·dt + √v(t)·S(t)·dW₁(t)
dv(t) = κ·(θ - v(t))·dt + σ·√v(t)·dW₂(t)这里解释一下每个参数的含义：
| 参数 | 含义 | 典型取值范围 |
|---|---|---|
| κ (kappa) | 均值回复速度 | 1-5 |
| θ (theta) | 长期方差均值 | 0.01-0.05 |
| σ (sigma) | 波动率的波动率 | 0.1-0.5 |
| ρ (rho) | 资产与方差的相关系数 | -1 到 1 |
| v₀ | 初始方差 | 0.01-0.04 |
这里有个关键点：ρ（相关系数）。它刻画了资产价格和波动率之间的联动关系。ρ为负，意味着市场下跌时波动率上升——这就是著名的“杠杆效应”。我在做美股期权定价时，标普500的ρ通常在-0.7左右，这个值很典型。
避坑指南：我曾经在参数估计时忽略了Feller条件（2κθ > σ²），结果模拟出的方差路径经常变成负数。嗯，这会导致定价结果完全不可用。记住：Feller条件必须满足，否则你的方差过程会出问题。
11.2 Heston模型的数值实现
Heston模型没有解析解（除了欧式期权），所以我们需要用数值方法。我个人最常用的是蒙特卡洛模拟和傅里叶变换方法。
先看蒙特卡洛模拟。这里有个坑——直接离散化会导致方差为负。我建议用QE（Quadratic Exponential）方案，它专门处理这个问题。
import numpy as np
def heston_paths(S0, v0, kappa, theta, sigma, rho, r, T, N, M):
"""
S0: 初始价格
v0: 初始方差
kappa: 均值回复速度
theta: 长期方差
sigma: 波动率的波动率
rho: 相关系数
r: 无风险利率
T: 到期时间
N: 时间步数
M: 模拟路径数
"""
dt = T / N
S = np.zeros((M, N+1))
v = np.zeros((M, N+1))
S[:, 0] = S0
v[:, 0] = v0
for i in range(N):
# 生成相关随机数
Z1 = np.random.normal(0, 1, M)
Z2 = rho * Z1 + np.sqrt(1 - rho**2) * np.random.normal(0, 1, M)
# QE方案处理方差
m = theta + (v[:, i] - theta) * np.exp(-kappa * dt)
s2 = v[:, i] * sigma**2 * np.exp(-kappa * dt) / kappa * (1 - np.exp(-kappa * dt)) + \
theta * sigma**2 / (2*kappa) * (1 - np.exp(-kappa * dt))**2
psi = s2 / m**2
# 判断使用哪种采样方式
if psi < 1.5:
b2 = 2 / psi - 1 + np.sqrt(2/psi * (2/psi - 1))
a = m / (1 + b2)
v[:, i+1] = a * (np.sqrt(b2) + Z2)**2
else:
p = (psi - 1) / (psi + 1)
beta = (1 - p) / m
u = np.random.uniform(0, 1, M)
v[:, i+1] = np.where(u <= p, 0, np.log((1-p)/(1-u)) / beta)
# 更新资产价格
S[:, i+1] = S[:, i] * np.exp((r - 0.5*v[:, i])*dt + np.sqrt(v[:, i]*dt)*Z1)
return S, v这段代码我用了很多次。注意看QE方案的处理逻辑——它根据psi的值选择不同的采样方式。当psi小于1.5时用卡方分布近似，否则用指数分布。这个阈值是经验值，我试过调整它，效果差别不大。
注意：蒙特卡洛模拟的收敛速度是O(1/√N)，很慢。如果你需要高精度定价，建议用傅里叶变换方法。Heston模型的特征函数有闭式解，用FFT可以快速计算期权价格。
11.3 模型参数估计
参数估计是Heston模型最头疼的部分。为什么？因为方差过程不可观测。你只能看到资产价格，看不到背后的方差路径。
我常用的方法有两种：
- 极大似然估计（MLE）：用卡尔曼滤波或粒子滤波估计隐含方差，然后最大化似然函数
- 矩估计（GMM）：用样本矩匹配理论矩，简单粗暴但精度一般
我个人更倾向MLE。虽然计算量大，但结果更可靠。下面是一个简化的实现思路：
from scipy.optimize import minimize
def heston_log_likelihood(params, S, dt):
"""
计算Heston模型的对数似然
params: [kappa, theta, sigma, rho, v0]
"""
kappa, theta, sigma, rho, v0 = params
# 这里用扩展卡尔曼滤波估计隐含方差
# 实际项目中需要更复杂的粒子滤波
# 返回负对数似然（因为我们要最小化）
return -log_likelihood_value
# 参数估计
initial_guess = [2.0, 0.04, 0.3, -0.7, 0.04]
bounds = [(0.1, 10), (0.001, 0.1), (0.01, 1.0), (-1.0, 1.0), (0.001, 0.1)]
result = minimize(heston_log_likelihood, initial_guess,
args=(price_data, dt), bounds=bounds,
method='L-BFGS-B')实战经验：我曾经用历史波动率作为v₀的初始值，结果收敛速度明显加快。另外，κ和θ的估计值对初始值很敏感，建议多试几组初始值，取似然值最大的那组。
参数估计完成后，一定要做回测验证。我习惯的做法是：用前6个月的数据估计参数，然后用后3个月的数据做样本外测试。如果定价误差超过5%，说明参数有问题，需要重新调整。
嗯，这里还要提一下参数稳定性的问题。Heston模型的参数应该随时间缓慢变化，而不是剧烈波动。如果你发现κ从2跳到10又跳回1，那说明你的估计方法有问题，或者市场结构发生了根本性变化。
总结一下：Heston模型是随机波动率模型的标杆。它用两个随机过程刻画了资产价格和波动率的动态关系。数值实现上，QE方案是蒙特卡洛模拟的首选；参数估计上，MLE结合粒子滤波是最可靠的方法。记住：模型再漂亮，也要经过实盘数据的检验。