第11章随机波动率模型

第11章：随机波动率模型：Heston模型在曲面中的应用

说实话，做期权交易这么多年，我最头疼的就是波动率微笑的形态变化。BS模型假设波动率是常数，这在实际市场中根本站不住脚。你想想看，虚值看跌期权的隐含波动率往往比平值高出一大截，这种现象BS模型完全解释不了。

后来我接触到Heston模型，才算是找到了一个比较靠谱的工具。它把波动率本身也当作一个随机过程来处理，说白了就是「波动率的波动率」。今天我就把我在实盘中用Heston模型拟合波动率曲面的经验，掰开揉碎了讲给你听。

11.1 Heston模型的核心思想

Heston模型的核心假设其实很简单：资产价格和波动率是相互影响的随机过程。它用两个随机微分方程来描述：

dS = μS dt + √v S dW₁
dv = κ(θ - v) dt + σ√v dW₂
dW₁ · dW₂ = ρ dt

这里v就是瞬时方差率，也就是波动率的平方。我个人习惯把κ叫做「均值回复速度」，θ是长期方差均值，σ是波动率的波动率，ρ是价格和波动率的相关系数。

嗯，这里要注意：ρ这个参数特别关键。ρ为负时，价格下跌波动率上升，这就是我们常说的「杠杆效应」。我在2018年做美股波动率交易时，就吃过这个参数的亏——当时没校准好ρ，导致曲面拟合偏差很大。

关键参数速查表

参数	含义	典型范围
κ	均值回复速度	1-5
θ	长期方差均值	0.01-0.05
σ	波动率的波动率	0.1-0.5
ρ	价格-波动率相关性	-0.8到-0.3
v₀	初始方差	0.01-0.04

11.2 为什么Heston能拟合曲面？

BS模型只能给出一个平坦的波动率曲线，而Heston模型能产生微笑和偏斜。原因在于：

ρ控制偏斜方向：ρ为负时，虚值看跌期权波动率更高，形成左偏斜
σ控制微笑曲率：σ越大，微笑越明显
κ和θ控制长期水平：决定波动率曲面的整体高度

我曾经用Heston模型拟合过2019年标普500的波动率曲面，效果比BS模型好太多了。特别是期限结构这块，Heston能自然生成波动率期限结构的均值回复特征——短期波动率可能很高，但长期会回归到θ附近。

11.3 曲面拟合的实战流程

在实际交易中，我一般按以下步骤操作：

获取市场数据：收集不同行权价和到期日的期权报价
计算隐含波动率：用BS模型反推出每个期权的IV
设定目标函数：最小化模型价格与市场价格的差异
参数校准：用优化算法找到最优的κ、θ、σ、ρ、v₀
验证拟合效果：检查残差是否随机分布

这里我踩过一个坑：直接用最小二乘法拟合所有参数，结果经常陷入局部最优。后来我改用两步法——先固定κ和θ，优化σ和ρ，再整体微调。效果好了很多。

我的小技巧：校准Heston模型时，建议使用「加权最小二乘法」。把平值期权的权重设高一些，因为平值期权流动性最好，报价也最可靠。我曾经试过等权重拟合，结果曲面在两端严重扭曲。

11.4 代码实现：Heston模型定价

下面是我常用的Heston模型定价代码。它用特征函数方法计算欧式期权价格：

import numpy as np
from scipy.integrate import quad

def heston_price(S, K, T, r, kappa, theta, sigma, rho, v0, option_type='call'):
    """
    Heston模型欧式期权定价
    S: 标的价格
    K: 行权价
    T: 到期时间
    r: 无风险利率
    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
    v0: 初始方差
    """
    def characteristic_function(u, j):
        # 特征函数实现（略去详细推导）
        # 实际项目中我用的是封闭解
        pass
    
    def integrand(u, j):
        return np.real(np.exp(-1j * u * np.log(K)) * 
                       characteristic_function(u - 1j * j, j) / (1j * u))
    
    P1 = 0.5 + 1/np.pi * quad(lambda u: integrand(u, 1), 0, 100)[0]
    P2 = 0.5 + 1/np.pi * quad(lambda u: integrand(u, 2), 0, 100)[0]
    
    if option_type == 'call':
        return S * P1 - K * np.exp(-r * T) * P2
    else:
        return K * np.exp(-r * T) * (1 - P2) - S * (1 - P1)

注意：特征函数积分时，积分上限不能设太大。我试过设到1000，结果数值不稳定。一般50-100就够用了。另外，如果遇到「Feller条件」不满足的情况（2κθ > σ²），方差过程可能跑到负值，这时候需要做截断处理。

11.5 曲面动态变化解读

拟合出Heston参数后，我们可以通过参数变化来解读市场情绪：

v₀上升：短期恐慌情绪加剧，通常伴随市场下跌
ρ变得更负：市场对下跌更敏感，避险情绪升温
σ增大：波动率本身的不确定性增加，市场预期未来波动剧烈
θ上升：长期波动率预期提高，可能意味着结构性变化

我记得2020年3月疫情爆发时，标普500的Heston参数发生了剧烈变化。v₀从0.02飙到0.08，ρ从-0.5变成-0.85，σ也翻了一倍。这些参数变化比单纯看IV曲线更直观地反映了市场恐慌程度。

11.6 知识体系总览

下面这张图是我自己整理的Heston模型在曲面中的应用框架：

11.7 避坑指南

最后分享几个我踩过的坑：

参数可识别性问题：有时候κ和θ高度相关，导致优化不收敛。我建议先固定κ，优化其他参数，再放开κ微调。
数值稳定性：特征函数积分时，如果参数组合不当，可能出现振荡。用「自适应辛普森积分」比普通梯形积分稳定得多。
市场数据质量：深度虚值期权的报价往往有较大买卖价差。我一般会剔除那些隐含波动率异常高的数据点。

说实话，Heston模型也不是万能的。它在处理短期到期期权时，拟合效果有时不如SVI模型。但如果你需要一套动态一致的框架来理解波动率曲面的变化，Heston绝对是最佳选择之一。

📚 课程目录