9. 局部波动率模型：Dupire公式、从期权价格反推局部波动率
聊完了随机波动率，咱们来聊聊另一个经典模型——局部波动率模型。说实话，我第一次接触这个模型时，觉得它有点「反直觉」。你想想看，波动率本身是个随机过程，怎么能是价格和时间的确定性函数呢？
但后来我在实际项目中用了几次，才真正体会到它的妙处。局部波动率模型的核心思想很简单：波动率不是常数，也不是随机变量，而是标的资产价格和时间的函数。用数学语言说就是：
dS = μS dt + σ(S, t) S dW这里的 σ(S, t) 就是局部波动率函数。它告诉我们：在某个时刻、某个价格水平上，波动率到底是多少。
9.1 为什么需要局部波动率？
你可能要问：Black-Scholes 假设波动率是常数，随机波动率模型假设波动率是随机过程，为什么还要搞个局部波动率？
嗯，这里有个很实际的问题。我在做期权做市的时候，每天都要面对几百个不同行权价、不同到期日的期权。用 BS 模型算出来的隐含波动率，你会发现一个明显的「波动率微笑」或「波动率偏斜」。
随机波动率模型虽然能解释这个现象，但参数校准起来太麻烦了。而且，它很难完美拟合市场上所有期权的价格。
局部波动率模型就不一样了。它有个非常漂亮的性质：只要给定足够多的期权价格，就能唯一确定局部波动率函数。这意味着，我们可以完美复制市场上观察到的波动率微笑。
核心思想：局部波动率模型是「从市场价格反推波动率结构」的桥梁。它不假设波动率如何变化，而是让数据说话。
9.2 Dupire公式：从期权价格到局部波动率
1994年，Dupire 发表了一篇论文，给出了一个惊人的结果：如果知道所有行权价和到期日的欧式期权价格，就能直接计算出局部波动率。
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
我第一次看到这个公式时，第一反应是：这玩意儿能用吗？分母是二阶导数，期权价格稍微有点噪音，结果就全乱套了。
后来在实际项目中，我确实踩过这个坑。有一次用市场数据直接套公式，算出来的局部波动率全是负的——明显不对。后来才发现，是期权价格数据太粗糙，二阶导数根本算不准。
我的经验：用 Dupire 公式前，一定要对期权价格做平滑处理。我习惯用三次样条插值，先对隐含波动率曲面做平滑，再转回期权价格，最后算局部波动率。这样能大大减少数值噪音。
9.3 从期权价格反推局部波动率的步骤
实际操作中，我一般按以下步骤来：
- 数据准备：收集不同行权价和到期日的期权价格，构建隐含波动率曲面
- 曲面平滑：用插值方法（如样条插值）对隐含波动率曲面做平滑处理
- 转回价格：用 BS 公式将平滑后的隐含波动率转回期权价格
- 计算偏导数：用有限差分法计算 ∂C/∂T、∂C/∂K 和 ∂²C/∂K²
- 代入公式：用 Dupire 公式计算每个 (K, T) 点的局部波动率
这里有个关键点：∂C/∂T 是时间偏导，∂C/∂K 是价格一阶偏导，∂²C/∂K² 是价格二阶偏导。二阶偏导最难算准，因为它对噪音最敏感。
9.4 代码实现：Dupire公式的数值计算
下面是我在实际项目中用过的代码片段。它实现了从期权价格矩阵反推局部波动率的核心逻辑：
import numpy as np
from scipy.interpolate import RectBivariateSpline
def compute_local_vol(prices, strikes, maturities, r, q):
"""
从期权价格矩阵计算局部波动率
参数:
prices: 期权价格矩阵 (len(maturities) x len(strikes))
strikes: 行权价数组
maturities: 到期时间数组
r: 无风险利率
q: 股息率
返回:
local_vol: 局部波动率矩阵
"""
# 第一步：对价格曲面做平滑插值
# 我习惯用双三次样条，效果比较稳定
interp = RectBivariateSpline(maturities, strikes, prices)
# 第二步：计算偏导数
# 时间偏导 ∂C/∂T
dC_dT = interp(maturities, strikes, dx=1, dy=0, grid=True)
# 价格一阶偏导 ∂C/∂K
dC_dK = interp(maturities, strikes, dx=0, dy=1, grid=True)
# 价格二阶偏导 ∂²C/∂K²
d2C_dK2 = interp(maturities, strikes, dx=0, dy=2, grid=True)
# 第三步：用 Dupire 公式计算局部波动率
# 注意：要处理分母为零的情况
K_grid, T_grid = np.meshgrid(strikes, maturities)
numerator = dC_dT + (r - q) * K_grid * dC_dK + q * prices
denominator = 0.5 * K_grid**2 * d2C_dK2
# 避免除以零或负数
mask = denominator > 1e-10
local_vol_sq = np.where(mask, numerator / denominator, np.nan)
# 取平方根得到波动率
local_vol = np.sqrt(np.maximum(local_vol_sq, 0))
return local_vol注意：这段代码假设输入的价格矩阵已经过平滑处理。如果直接用原始市场数据，结果会很糟糕。我曾经犯过这个错误，算出来的局部波动率曲面全是毛刺，根本没法用。
9.5 局部波动率曲面的可视化
算出来局部波动率后，我通常会画个三维曲面图看看。下面这个 SVG 图展示了典型的局部波动率曲面结构：
从这张图能看出几个特点：
- 短期期权：波动率微笑很明显，价外期权波动率显著高于平值期权
- 长期期权：波动率曲面趋于平坦，微笑效应减弱
- 整体趋势：随着到期时间增加，波动率水平整体下降（波动率期限结构）
9.6 实际应用中的注意事项
用 Dupire 公式做局部波动率模型，有几个坑我得提醒你：
坑一：数据稀疏性。市场上不是所有行权价和到期日都有活跃交易的期权。我遇到过只有 5 个行权价、3 个到期日的情况，插值出来的曲面根本不可靠。
我的做法：对于数据稀疏的情况，我会先用参数化模型（如 SVI 模型）拟合隐含波动率曲面，再用拟合后的曲面计算局部波动率。这样虽然引入了一些模型假设，但比直接插值稳定得多。
坑二：数值稳定性。Dupire 公式的分母是 ∂²C/∂K²，这个值在平值附近最大，在深度价内/价外时趋近于零。分母接近零时，局部波动率会变得极不稳定。
我记得有一次做回测，局部波动率模型在深度价外期权上表现特别差。后来发现是分母太小，导致局部波动率被放大了几十倍。解决办法是设置一个阈值，当分母小于某个值时，用相邻点的插值代替。
9.7 局部波动率 vs 随机波动率
最后，我想聊聊这两个模型的取舍。很多初学者会问：到底该用哪个？
我的看法是这样的：
| 对比维度 | 局部波动率模型 | 随机波动率模型 |
|---|---|---|
| 拟合能力 | 能完美拟合市场微笑 | 只能近似拟合 |
| 参数数量 | 很多（每个网格点一个参数） | 少（通常 3-5 个参数） |
| 动态行为 | 静态（波动率曲面固定） | 动态（波动率会随机变化） |
| 对冲效果 | 短期对冲效果好 | 长期风险管理更合理 |
| 计算速度 | 快（有限差分法） | 慢（需要蒙特卡洛模拟） |
说白了，局部波动率模型适合做定价和对冲，随机波动率模型适合做风险管理。我在做期权做市时，每天用局部波动率模型给几百个期权定价；但在做投资组合的风险分析时，会用随机波动率模型来模拟未来的波动率变化。
嗯，这就是局部波动率模型的核心内容。Dupire 公式看起来复杂，但理解了它的思想——从市场价格反推波动率结构——其实并不难。关键是要处理好数值计算中的各种细节，这需要在实际项目中慢慢积累经验。