12、局部波动率模型：Dupire公式、局部波动率曲面构建、模型应用场景
局部波动率模型，说白了就是给期权定价找个更靠谱的“脾气”。
BS模型假设波动率是常数，但市场告诉我们，这玩意儿根本不老实。不同行权价、不同到期日的期权，隐含波动率都不一样——这就是我们之前聊的波动率微笑和偏斜。那怎么办？Dupire在1994年给出了一个答案：从这些隐含波动率里，反推出一个“局部波动率”函数。这个函数能描述出，在某个特定时刻、特定标的价格下，波动率到底是多少。
12.1 Dupire公式：从隐含到局部的桥梁
Dupire公式的核心思想，我理解起来其实很简单：
既然市场给了我们一堆不同K和T的期权价格，那我们就假设这些价格背后有一个统一的、只依赖于S和t的波动率函数σ_local(S, t)。然后通过数学推导，把这个函数从期权价格里“挖”出来。
公式长这样（嗯，我知道你看到公式就头疼，但咱们得硬着头皮上）：
σ²_local(K, T) = [∂C/∂T + (r - q)K·∂C/∂K + q·C] / [½·K²·∂²C/∂K²]其中：
- C(K, T) 是行权价为K、到期日为T的看涨期权价格
- r 是无风险利率，q 是股息率
- ∂C/∂T 是期权价格对时间的偏导（时间衰减）
- ∂C/∂K 和 ∂²C/∂K² 是一阶和二阶的“行权价偏导”
你可能会问：这公式怎么用？
我个人习惯是这么理解的：分子部分，是期权价格在时间维度和行权价维度上的变化，再扣掉持有成本；分母部分，是期权价格的“曲率”——也就是微笑的弯曲程度。曲率越大，局部波动率就越高。
核心要点：Dupire公式的本质，是把隐含波动率曲面的“形状”翻译成局部波动率曲面的“数值”。
12.2 局部波动率曲面构建：从理论到代码
理论讲完了，咱们来点实际的。怎么构建这个曲面？
我在项目中遇到过最头疼的问题就是：市场数据是离散的，但公式需要连续的二阶偏导。你想想看，就给你几十个期权报价，你要算出光滑的二阶导？搞不好就全是噪声。
我的做法分三步：
- 数据清洗与插值：先把隐含波动率曲面做光滑。我一般用SVI（随机波动率启发式模型）或者三次样条插值，把离散的隐含波动率点连成光滑曲面。
- 计算偏导数：在光滑后的曲面上，用有限差分法计算∂C/∂T、∂C/∂K和∂²C/∂K²。注意，这里要用期权价格，不是隐含波动率。所以得先把隐含波动率转回期权价格。
- 代入Dupire公式：把算好的偏导代入公式，得到每个(K, T)网格点上的局部波动率。
下面是我常用的Python代码片段：
import numpy as np
from scipy.interpolate import RectBivariateSpline
def build_local_vol_surface(K_grid, T_grid, implied_vol_surface, r, q):
"""
构建局部波动率曲面
K_grid: 行权价网格 (1D array)
T_grid: 到期时间网格 (1D array)
implied_vol_surface: 隐含波动率曲面 (2D array, shape: len(T) x len(K))
"""
# 1. 将隐含波动率转为期权价格（略去BS公式实现）
C = implied_vol_to_price(K_grid, T_grid, implied_vol_surface, r, q)
# 2. 用样条插值获得光滑的价格曲面
spline = RectBivariateSpline(T_grid, K_grid, C, kx=3, ky=3)
# 3. 计算偏导数
dC_dT = spline(T_grid, K_grid, dx=1, dy=0, grid=True)
dC_dK = spline(T_grid, K_grid, dx=0, dy=1, grid=True)
d2C_dK2 = spline(T_grid, K_grid, dx=0, dy=2, grid=True)
# 4. 代入Dupire公式
numerator = dC_dT + (r - q) * K_grid * dC_dK + q * C
denominator = 0.5 * K_grid**2 * d2C_dK2
# 防止除零和负值
local_var = np.where(denominator > 1e-10, numerator / denominator, np.nan)
local_vol = np.sqrt(np.maximum(local_var, 0.01))
return local_vol避坑指南：我曾经在分母接近零的时候吃过亏——局部波动率直接变成无穷大。后来我加了个阈值判断，并且对远价外期权做了截断处理。记住，Dupire公式在价外期权上特别不稳定。
12.3 模型应用场景：什么时候用局部波动率？
局部波动率模型不是万能的，但它有几个特别擅长的场景：
| 应用场景 | 为什么用局部波动率 | 我的经验 |
|---|---|---|
| 奇异期权定价 | 能准确捕捉障碍期权、亚式期权的路径依赖特征 | 做回望期权时，BS模型偏差能到20%，局部波动率能压到5%以内 |
| 风险管理 | 提供更准确的希腊字母，尤其是Vanna和Volga | 我习惯用它做Delta对冲，效果比BS好不少 |
| 波动率套利 | 识别隐含波动率和局部波动率的差异 | 当局部波动率曲面出现“尖刺”时，往往是套利机会 |
| 压力测试 | 模拟极端行情下的波动率变化 | 可以设定局部波动率的上下界，做情景分析 |
不过我得提醒你，局部波动率模型也有短板。它假设波动率是标的价格和时间的确定性函数，但实际市场里波动率本身也是随机的。所以对于长期限期权或者剧烈波动行情，它的表现就不如随机波动率模型了。
我的建议：如果你做的是短期（3个月以内）的普通期权定价，BS模型加个微笑调整就够了。但如果你碰的是结构性产品、障碍期权或者需要精细风险管理，那局部波动率模型就是你的好帮手。
12.4 知识体系结构图
下面这张图，是我梳理的局部波动率模型的核心逻辑：
嗯，这张图把整个流程串起来了。从市场数据出发，经过Dupire公式这个“翻译器”，得到局部波动率曲面，最后应用到三个主要场景里。我个人觉得，理解这个流程比死记公式更重要。
最后说一句：局部波动率模型不是银弹，但它绝对是量化金融工具箱里一把好用的螺丝刀。用对了地方，事半功倍。
公众号:蓝海资料掘金营，微信deep3321